FedVSR：面向视频超分辨率的模型无关性联邦学习
计算机视觉与模式识别
2026-02-04 v3 分布式、并行与集群计算
摘要
视频超分辨率（VSR）旨在通过利用空间和时间信息来增强低分辨率视频。虽然深度学习已取得令人瞩目的进展，但通常需要集中数据，引发隐私顾虑。联邦学习（FL）提供了一种隐私友好的解决方案，但通用FL框架往往在低层视觉任务中表现不佳，导致生成模糊、低质量的输出。为此，我们引入FedVSR，这是首个专为VSR设计的FL框架。它具有模型无关性和无状态性，引入基于离散小波变换（DWT）的轻量级损失函数，以更好地保留局部训练中的高频细节。此外，采用损失感知聚合策略将DWT基于损失与任务特定损失相结合，以有效指导全局更新。跨多个VSR模型和数据集的广泛实验表明，FedVSR不仅提升了感知视频质量（最高提升+0.89 dB PSNR、+0.0370 SSIM、-0.0347 LPIPS和4.98 VMAF），而且在计算和通信开销方面几乎没有增加，甚至与竞争方法相近。这些结果表明FedVSR有潜力在隐私、效率和感知质量之间架起桥梁，为低层视觉任务的联邦学习树立了新的基准。该代码已公开：https://github.com/alimd94/FedVSR
引用
@article{arxiv.2503.13745,
title = {FedVSR: Towards Model-Agnostic Federated Learning in Video Super-Resolution},
author = {Ali Mollaahmadi Dehaghi and Hossein KhademSohi and Reza Razavi and Steve Drew and Mohammad Moshirpour},
journal= {arXiv preprint arXiv:2503.13745},
year = {2026}
}
备注
Final version. Accepted at ACM Multimedia Systems (MMSys) 2026