在这篇论文中，我们提出了一种名为 Recurrent Back-Projection Generative Adversarial Network (RBPGAN) 的视频超分辨率算法，旨在生成在保留空间细节的同时具有时间上连贯性的解决方案。RBPGAN 集成了两种最先进的模型，以在不降低视频生成准确性的同时获得最佳效果。模型的生成器受到了 RBPN 系统的启发，而鉴别器受到了 TecoGAN 的启发。我们还利用 Ping-Pong loss 来增加时间上的一致性。通过使用不同数据集进行定性和定量的实验，我们的贡献使得该模型在时间上具有一致的细节方面优于早期的研究成果。

Nov, 2023

通过引入 Temporal Conditioning Module 和 Frame-wise Bidirectional Sampling，本文提出了一种基于 Diffusion Models 的 Video Super-Resolution 方法，显著提高了视频的感知质量。

Nov, 2023

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。

Aug, 2020

本文介绍了一种基于循环对抗网络的视频放大方法，利用感知损失函数来实现高质量和时域一致性的视频放大。

Jul, 2018

本文提出采用多级培训策略来加速视频超分辨率模型的训练，早期阶段的模型尺寸更小。同时，使用 GPU 并行化加快培训速度。实验证明，该策略可以在保持准确率的情况下加速培训达 6.2 倍。

May, 2022

我们研究了如何改进生成对抗网络进行视频超分辨率任务的方法，通过基于单图像超分辨率 GAN 模型来探讨不同的技术。我们的研究结果表明，包括时间平滑、长短期记忆（LSTM）层和时间损失函数在内的技术组合相比基础视频超分辨率生成对抗网络（GAN）模型在 PSNR 上有 11.97% 的提升，在 SSIM 上有 8% 的提升。这个重大的改进为进一步应用于当前最先进的模型提供了潜在机会。

Jun, 2024

这篇论文总结了使用深度学习算法，如生成对抗网络，进行超分辨率图像和视频研究的最新进展，提供了改进图像和视频质量的方法，如递归学习、新颖的损失函数、帧率增强和注意力模型集成。这些进展对于增加低分辨率视频的视觉清晰度和质量具有巨大潜力，可应用于监控技术、医学成像等多个领域。此外，这个集合还深入研究了生成对抗网络的更广泛领域，探讨了它们的原理、训练方法以及在各个领域的应用，同时强调了人工智能领域中不断发展和变化的挑战与机遇。

Dec, 2023

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

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

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