FMA-Net++：面向实时运动与曝光感知的实时视频超分辨与去模糊

实时视频修复受制于运动伴随动态变化曝光的复杂退化，这一关键挑战在先前工作中鲜有关注，也是自动曝光或低光捕获的常见伪影。我们提出FMA-Net++，一个显式建模运动与动态变化曝光耦合效应的视频超分辨率与去模糊联合框架。FMA-Net++采用由层级细化与双向传播块构成的序列级架构，实现并行、长程时序建模。在每个块内部，曝光时间感知调制层依据帧级曝光条件化特征，从而驱动曝光感知的流动引导动态滤波模块推断运动与曝光感知的退化核。FMA-Net++将退化学习与修复解耦：前者预测曝光与运动感知的先验，以引导后者，提高准确率和效率。为评估现实捕获条件下的表现，我们引入REDS-ME（多曝光）和REDS-RE（随机曝光）基准。仅用合成数据训练，FMA-Net++在新基准及GoPro数据集上实现最高准确率和时序一致性，优于最近的方法，在恢复质量和推理速度上均表现突出，并对具有挑战性的真实视频具有良好泛化能力。