本文提出了一种新颖的视频超分辨率方法,利用分层式的时间信息和注意力机制,在处理大幅运动的视频中具有较好的性能表现。
Jul, 2020
提出了一种基于循环的视频超分辨率方法,该方法有效地利用了前一帧的信息来超分辨率当前帧,包括两个流结构 - 细节块和隐状态适应模块,并在基准数据集上优于最先进的方法。
Aug, 2020
本文提出了一种新颖的循环残差网络模型用于视频超分辨率,该模型相比于其他几种建模方法具有更高的计算效率和更好的超分辨率效果,取得了当前最好的结果。
本研究提出了一种端到端可训练的帧递归视频超分辨率框架,使用先前的高分辨率估计来超分辨率下一个帧,自然鼓励时态一致结果并降低计算成本。
Jan, 2018
本研究提出了一种基于轨迹感知 Transformer 的视频超分辨率方法,利用空间和时间的信息来实现视频帧的超分辨率,实验证明该方法优于现有的超分辨率模型。
Apr, 2022
超分辨率技术能够提高图像 / 视频内容的名义分辨率,并提高质量。本文提出了一种用于视频超分辨率的分组残差网络(GRRN),通过调整其超参数,训练了三个具有不同参数数量的网络,并将其定量和定性结果与现有方法进行了比较,尽管 GRRN 在一些定量标准上不及现有方法,但在输出图像的质量方面表现仍然可接受。
Oct, 2023
提出了一种新颖的视频超分辨率方法,利用具有循环编码器 - 解码器模块的迭代背投影网络从连续视频帧中集成时空上下文信息,通过迭代反向投影框架,无需将帧堆叠在一起,实现对目标帧的高分辨率重建。
Mar, 2019
该研究提出了一种新的基于双向交互的有效和高效的时空视频超分辨率方法,并设计了混合融合模块,用于聚合和提炼信息以改进空间信息和重构高质量视频帧,实验表明,我们的方法在效率上优于现有的方法并降低了约 22% 的计算成本。
Jul, 2022
通过引入物理信息的神经网络,本文提出了解决空时视频超分辨率问题的方法,该方法能够准确处理大运动中的运动估计和运动补偿问题,并在固定大小和连续空时视频超分辨率任务中超过同类技术。
Apr, 2024
本研究采用 Transformer 对视频超分辨率问题进行了改进,引入了空时卷积自注意力层以利用数据位置信息,设计了双向光流驱动前馈层以发现不同视频帧之间的相关性并对齐特征,实验证明了这种方法的有效性。
Jun, 2021