VideoINR：学习视频隐式神经表示以实现连续时空超分辨率
图像与视频处理
2022-06-10 v1 计算机视觉与模式识别
机器学习
摘要
视频通常将流式连续的视觉数据记录为离散的连续帧。由于高保真视频的存储成本昂贵，大多数视频以相对较低的分辨率和帧率存储。近期时空视频超分辨率（STVSR）工作被发展为将时间插值与空间超分辨率纳入统一框架。然而，它们大多仅支持固定的上采样倍率，这限制了其灵活性与应用。本工作中，我们摒弃离散表示，提出视频隐式神经表示（VideoINR），并展示其在 STVSR 中的应用。所学隐式神经表示可解码为任意空间分辨率和帧率的视频。我们表明 VideoINR 在常见上采样倍率下与最先进 STVSR 方法性能相当，并在连续及分布外倍率上显著优于先前工作。我们的项目页面位于 http://zeyuan-chen.com/VideoINR/ 。
引用
@article{arxiv.2206.04647,
title = {VideoINR: Learning Video Implicit Neural Representation for Continuous Space-Time Super-Resolution},
author = {Zeyuan Chen and Yinbo Chen and Jingwen Liu and Xingqian Xu and Vidit Goel and Zhangyang Wang and Humphrey Shi and Xiaolong Wang},
journal= {arXiv preprint arXiv:2206.04647},
year = {2022}
}
备注
Accepted to CVPR 2022. Project page: http://zeyuan-chen.com/VideoINR/