DualX-VSR：用于无运动补偿的实用视频超分辨率的双轴空间×时间 Transformer

Transformer 模型如 ViViT 和 TimeSformer 已通过有效建模时空依赖性，推动了视频理解的进展。近期视频生成模型（如 Sora 和 Vidu）进一步凸显了 Transformer 在长程特征提取和整体时空建模方面的潜力。然而，直接将这些模型应用于实际视频超分辨率（VSR）存在挑战，因为 VSR 需要像素级精度，而标记化和顺序注意力机制可能妥协其实现。虽然最近的基于 Transformer 的 VSR 模型尝试通过采用更小的补丁和局部注意力来解决此问题，但仍面临着受限感受野和依赖光束法对齐的问题，这在实际场景下可能引入误差。为克服此问题，我们提出了用于实用视频超分辨率的双轴空间×时间 Transformer（DualX-VSR），其引入一种新颖的双轴空间×时间注意力机制，将沿正交方向整合空间和时间信息。DualX-VSR 无需运动补偿，结构更为简化，能够提供时空信息的统一表征。因此，DualX-VSR 在实际 VSR 任务中实现了高保真度和卓越的性能。