- CVPRTurb-Seg-Res:用于大气湍流动态视频的分割 - 恢复流程
本文介绍了一种用于恢复湍流环境中动态场景视频的首个先分割再恢复的流程。我们利用均值光流和无监督的运动分割方法,在恢复之前对动态和静态场景组件进行分离。经过相机抖动补偿和分割后,我们利用湍流强度统计和基于噪声的程序化湍流生成器上训练的转换模型 - AAAI基于循环网络的屏下摄像头视频修复中解耦退化
该研究论文介绍了一种针对下屏摄像系统的视频恢复网络 D$^2$RNet,通过分离各种视频退化因素并利用长期和短期特征学习来处理相应的退化,实现了针对下屏摄像系统中各种类型退化的有针对性和有效性解决方案。通过大规模 UDC 视频基准测试的定量 - VJT: 基于视频的联合任务模型:去模糊、低光增强和降噪
我们是第一次提出了一种高效的端到端视频转换器方法,用于视频去模糊、低光增强和去噪的综合任务。我们构建了一个新的多层转换器,每一层使用不同级别的模糊视频作为目标,以有效地学习视频的特征;此外,我们还设计了一种新的层间特征融合方案,以逐步学习视 - 从原始数据实现准确且时间一致的视频修复
提出了一种新的视频去噪和去马赛克方法,利用一致准确的潜空间传播和数据时间一致性损失以及关系感知一致性损失来解决视频恢复的挑战,并在恢复准确性、感知质量和时间一致性方面取得了领先的性能。
- ViStripformer:一种用于多功能视频修复的令牌高效 Transformer
本研究提出了一种名为 ViStripformer(视频 Stripformer)的 Transformer 架构,采用了时空带状注意力机制,降低了内存使用,并取得了出色的视频修复结果和快速推理时间。
- 一个用于对比去雾算法的新的真实世界视频数据集
该研究论文介绍了一个名为 REVIDE 的视频数据集,为深度学习和基准测试提供了包含清晰和有雾条件下的视频。还提到了一种使用时间冗余来减少伪影和帧间曝光变化的视频去雾算法,并选用了变形金刚网络结构用于验证所提出数据集的相关性。
- 通过天气信使和对抗性反向传播的视频逆天气成分抑制网络
本研究提出了一种名为 ViWS-Net 的视频逆向天气去除框架,通过开发天气通用视频转换编码器和天气特定信息的建模机制,利用逆向梯度预测天气类型的天气鉴别器,以及基于信使的视频转换解码器实现了从各种天气条件下破损视频的完美还原。
- 跨一致深度展开网络用于自适应全能视频修复
提出了一种用于全能视频修复的交叉一致深度展开网络(CDUN)方法,通过使用单一模型来移除各种不同的退化,包括一个新颖的迭代优化框架和适应性处理各种退化的序列自适应退化估计器(SADE),以及利用窗口化的帧间融合策略来扩大时域接受野和利用远距 - MM社交媒体用户视频恢复
本文提出了一种新的视频修复框架 VOTES,它通过引入退化特征映射来显式地指导视频修复过程,利用深度学习技术实现对社交媒体上用户视频的修复,数据源包含了大规模的真实世界数据库。
- 循环视频修复变换器与引导变形注意力
本文提出了一种鲁棒、高效的循环视频修复转换器 ——RVRT, 它将局部相邻帧在全局循环框架内并行处理,并利用 “引导变形关注” 跨片段对齐预测多个相关位置,在基准数据集上达到了最先进的性能。
- ICML基于流对齐的无监督序列到序列学习用于视频恢复
本文提出了一种无监督流对齐序列到序列模型(S2SVR),通过使用序列到序列模型和无监督光流估计器,并采用无监督蒸馏损失训练光流估计器,以解决视频恢复中间帧的建模问题。本文方法在多种视频恢复任务中均表现优异。
- CVPR一种视频修复的两阶段框架的渐进式训练
该论文提出了一种包括多帧循环网络和单帧变形器的两阶段框架,并应用多种训练策略来缩短训练时间并提高模型性能,用于处理视频修复中的图像噪声、模糊及压缩失真等问题,在 NTIRE 2022 超分辨率和压缩视频质量增强的竞赛中获得了两个冠军和一个亚 - 关于 BasicVSR++ 在视频去模糊和去噪方面的泛化
通过将 BasicVSR++ 扩展为通用框架,本文在不同视频修复任务中取得了令人满意的效果,并证明了传播和对准对视频恢复任务的重要性。
- CVPR基于神经压缩的特征学习用于视频修复
本篇论文提出一种噪声鲁棒特征表示的神经模型,其采用了一种空间通道量化机制来自适应地确定潜在位置的量化步长,以在视频恢复中过滤噪声并保留精华信息,实验表明,该方法在视频去噪方面具有显著的性能提升,且在视频去雨和去雾方面也取得了 SOTA 的结 - VRT: 视频修复变换器
本文介绍了一种基于 Transformer 的视频修复方法,利用时序信息进行跨帧高清图像恢复,在多个基准数据集上均取得了高于现有方法的表现。
- AAAI基于时间空间辅助网络的视频转码修复
本文提出了一种新的方法 TSAN 用于解决因多次视频编码和转码而出现的视频压缩失真问题,该方法使用浅层编码视频作为中间标签以辅助实现自监督注意力训练,并使用邻域多帧信息进行转码视频恢复。实验结果表明,所提出的方法的性能优于以往技术。
- 递归融合与可变形时空注意力在视频压缩伪影减少中的应用
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。
- CVPR通过运动理解从单个模糊图像中恢复视频帧
该论文介绍了一种基于编码器 - 解码器结构的视频清晰化方法,通过将视频序列和运动因素作为潜在因素,将单个模糊图像作为观察值,设计了一种损失函数和正则化器,经过大量实验验证了该方法的有效性和可转移性。
- EVRNet: 边缘设备上高效的视频恢复
介绍了一种高效的视频恢复网络(EVRNet),其能够在实时传输丢失图像数据的情况下,使用对齐、差分和融合模块来还原视频,并与现有方法相比具有更高的性能和更少的参数和 MAC 数。
- MM深度多模态软解码非常低比特率人脸视频
本文提出了一种基于深度学习的多模态神经网络来去除讲述者视频的压缩伪影,这种方法可以显著提高冗余压缩下的视频质量。