基于可变形卷积残差块与自注意力的多场去隔行方法

尽管深度学习在图像/视频复原与超分辨率方面已产生显著影响，但基于学习的去隔行在学术界或工业界迄今较少受到关注。尽管如此，去隔行非常适合于从合成数据进行监督学习，因为其退化模型是已知且固定的。在本文中，我们提出一种新颖的多场全帧率去隔行网络，它将最先进的超分辨率方法适配于去隔行任务。我们的模型使用可变形卷积残差块和自注意力将相邻场的特征对齐到参考场（待去隔行）。我们广泛的实验结果表明，所提方法在数值和感知性能方面均提供了最先进的去隔行结果。在撰写本文时，我们的模型在 https://videoprocessing.ai/benchmarks/deinterlacer.html 的全帧率排行榜上排名第一。