实时深度视频去隔行

隔行扫描是电视广播和视频录制中广泛使用的一种技术，用于在不增加带宽的情况下将感知帧率加倍。但它在回放时会产生令人厌烦的视觉伪影，例如闪烁和轮廓“锯齿”。现有的最先进去隔行方法要么忽略时间信息以提供实时性能但降低视觉质量，要么估计运动以实现更好的去隔行效果，但以更高的计算成本为代价。在本文中，我们提出了首个基于深度卷积神经网络的新型方法，以高视觉质量和实时性能进行去隔行。与依赖平移不变性假设的超分辨率问题现有模型不同，我们提出的 DCNN 模型利用来自奇数和偶数半帧的时间信息来仅重建缺失的扫描线，并保留给定的奇数和偶数扫描线以生成完整的去隔行帧。通过进一步引入层共享架构，我们的系统可以在单个 GPU 上实现实时性能。实验表明，我们的方法在重建精度和计算性能方面均优于所有现有方法。