EFENet：基于增强光流估计的参考视频超分辨率
计算机视觉与模式识别
2021-10-29 v2
摘要
本文研究基于参考的视频超分辨率（RefVSR）问题，即如何利用高分辨率（HR）参考帧对低分辨率（LR）视频序列进行超分辨率重建。现有的 RefVSR 方法本质上试图在存在分辨率差距和长时间跨度的情况下对齐参考帧与输入序列。然而，它们要么忽略了输入序列内部的时间结构，要么遭受累积对齐误差。为解决这些问题，我们提出 EFENet，同时利用 HR 参考帧中包含的视觉线索和 LR 序列中包含的时间信息。EFENet 首先全局估计参考帧与每个 LR 帧之间的跨尺度光流。然后，我们新颖的光流精化模块利用所有估计的光流来精化相对于最远帧的光流，这利用了序列内部的全局时间信息，从而有效减少了对齐误差。我们提供了全面的评估来验证我们方法的优势，并证明所提出的框架优于当前最先进的方法。代码见 https://github.com/IndigoPurple/EFENet。
引用
@article{arxiv.2110.07797,
title = {EFENet: Reference-based Video Super-Resolution with Enhanced Flow Estimation},
author = {Yaping Zhao and Mengqi Ji and Ruqi Huang and Bin Wang and Shengjin Wang},
journal= {arXiv preprint arXiv:2110.07797},
year = {2021}
}
备注
12 pages, 6 figures