本文提出了一种新颖的联合去模糊和多帧插值（DeMFI）框架，称为 DeMFI-Net，它基于基于流引导的注意力相关特征增强（FAC-FB）模块和递归增强（RB）准确地将低帧率的模糊视频转换为高帧率的清晰视频，用于多帧插值（MFI）。DeMFI-Net 通过 FAC-FB 模块执行去模糊和 MFI，其中其基线版本通过 FAC-FB 模块执行特征流变形，以获得清晰插值帧，并去模糊两个中心输入帧。此外，其扩展版本基于基于像素流的变形和 GRU-based RB 进一步改善了联合任务性能。因此，我们的 DeMFI-Net 在各种数据集上均取得了最先进的性能，比最近的最先进方法有显著的差距，既可以去模糊也可以进行 MFI。

Nov, 2021

本文提出了一种新的视频去模糊框架，Flow-Guided Sparse Transformer（FGST），基于自注意力模块，使用光学流矫正模糊，并采用重复嵌入机制加强长时间依赖关系，结果表明 FGST 在 DVD 和 GOPRO 数据集上明显优于现有方法。

Jan, 2022

该研究介绍了一种优化的框架，用于联合处理焦点去模糊（重新聚焦）和视频超分辨率（VSR）的任务。该方法利用新颖的映射引导变换器和图像传播，有效地利用焦点模糊的连续空间变化，并修复录像。还引入了一种流重新聚焦模块，以有效地对齐模糊和清晰领域之间的相关特征。此外，提出了一种生成合成焦点模糊数据的新技术，扩展了模型的学习能力，包括更广泛的内容。该研究通过对 DAVIS-Blur 数据集进行综合实验，证明了该方法的优越性。与现有的视频恢复方法相比，我们的方法平均峰值信噪比性能提高了 1.9dB 以上，达到了最先进的结果。我们的源代码将在此 https URL 中提供。

Jul, 2024

通过提出的 IREANet 框架，该研究致力于解决从一系列噪声、模糊和低动态范围多曝光 RAW 输入中恢复高质量高动态范围（HDR）图像的 Bracket Image Restoration 和 Enhancement 任务。

Apr, 2024

本文提出 MAFFSRN 方法，通过特征融合和多重注意机制提出了一种轻量级的图像超分辨率网络，实验表明该方法在内存占用、浮点运算次数和模型参数数量等方面表现优秀。

Aug, 2020

本文提出了一种基于深度学习的视频还原方法，其采用递归融合模块和可变形时空注意力模块进行补偿，从而提高了众多现有算法在 MFQE 2.0 数据集上的还原质量。

Aug, 2021

通过深度学习中的 Spatio-Temporal Multi-Flow 结构实现视频帧插值，采用 3D CNN 模型处理不同的视觉场景，最终应用 ST-GAN 框架进行效果提升，该方法在 14 个最新最优模型中赢得最优结果，PSNR 达到 1.09dB。

Nov, 2021

通过选择适当的处理尺度，提出了一种自适应选择子网络的 SAFA 网络，用于进行时空视频超分辨率（STVSR）任务，取得了较好的性能。

Oct, 2023

提出了一种名为 FLAIR 的条件扩散框架，用于解决人脸视频修复问题，并通过将传统的图像 DPM 转换为视频 DPM，通过递归视频细化层和不同尺度的时间自注意力来确保计算效率方面的时间一致性。FLAIR 还使用条件迭代细化过程来在推理过程中平衡感知和失真质量，包括通过数据一致性模块来确保生成的视频精确匹配观察结果，并通过面部区域的粗到精图像增强模块实现。广泛的实验证明 FLAIR 在视频的超分辨率、去模糊、JPEG 修复和空时帧插值等方面优于当前最先进的方法。

Nov, 2023

本文提出了一个名为运动自适应反馈单元（MAFC）的具有简单但高效的特点的模块，可以有效地捕获运动补偿并将其自适应地反馈给网络。通过实验证明，所提出的框架在复杂运动场景下可以获得更好的性能，并比目前最先进的方法表现更优秀。

Feb, 2020