基于视频超分辨率生成对抗网络的视频增强

本研究引入了一种改进的视频超分辨率方法，通过扩展普通单张图像超分辨率（SISR）生成对抗网络（SRGAN）结构以处理时空数据。虽然SRGAN已被证明对于单张图像增强有效，但其设计未能考虑视频处理所需的时序连续性。为此，提出了一种修改框架，纳入3D非局部模块，使模型能够捕获空间和时间维度上的关系。开发了基于patch-wise学习和先进数据退化技术的实验训练管道，以模拟真实世界的视频条件并从局部和全局结构及细节中学习。这有助于模型更好地泛化并在不同视频内容之间保持稳定性，同时保持整体结构以及像素级的正确性。 presented two model variants—one larger and one more lightweight—to explore the trade-offs between performance and efficiency. 实验结果显示，与传统单图像方法相比，本方法在时序连贯性、纹理清晰度和视觉瑕疵方面均取得了改进。这一工作为开发实用的、基于学习的视频增强解决方案作出了贡献，潜在可应用于流媒体、游戏和数字修复等领域。