AAAI论文最佳解读|SAVSR Arbitrary-Scale Video Super-Resolution via a Learned Scale-Adaptive Network

论文标题

SAVSR: Arbitrary-Scale Video Super-Resolution via a Learned Scale-Adaptive Network SAVSR：基于学习尺度自适应网络的任意尺度视频超分辨率

论文链接

SAVSR: Arbitrary-Scale Video Super-Resolution via a Learned Scale-Adaptive Network论文下载

论文作者

Zekun Li, Hongying Liu, Fanhua Shang, Yuanyuan Liu, Liang Wan, Wei Feng

内容简介

本文提出了一种新颖的任意尺度视频超分辨率网络（SAVSR），旨在解决现有视频超分辨率（VSR）网络仅支持固定整数倍超分辨率任务的问题。SAVSR是首个关注包括非整数和非对称尺度的空间VSR的工作。该网络引入了全维尺度注意力卷积（OSConv），根据输入的尺度动态调整，以提取更强的帧间特征。此外，提出的时空自适应任意尺度上采样（STAU）模块结合了时间特征和尺度信息，提升了VSR任务的表现。通过在多个基准数据集上的实验，SAVSR在非整数和非对称尺度上超越了最先进的方法，展示了其优越的性能和广泛的应用潜力。

分点关键点

1. SAVSR网络架构

   • SAVSR采用迭代双向架构（IBA），通过输入多个连续的低分辨率帧和请求的尺度因子，输出超分辨率中间帧。该架构结合了迭代和循环架构的优点，能够有效提取时间信息并进行隐式对齐。
     

2. 全维尺度注意力卷积（OSConv）

   • OSConv根据当前尺度因子自适应地修改卷积核的权重，利用尺度信息增强特征表示能力。该方法通过多层感知器（MLP）生成尺度特征向量，从而实现对卷积核的动态调整。

3. 时空自适应任意尺度上采样（STAU）

   • STAU模块通过生成时空滤波器和尺度滤波器，结合隐式对齐特征进行自适应卷积。该模块能够在上采样过程中保持时空相关性，提升超分辨率效果。

4. 实验结果与性能评估

   • 在Vimeo-90K、Vid4和UDM10等基准数据集上的实验表明，SAVSR在非整数和非对称尺度上表现优异，且在常见整数尺度上也具有竞争力，展示了其广泛的应用潜力。
     

论文代码

代码链接：https://github.com/Weepingchestnut/SAVSR

中文关键词

1. 视频超分辨率
2. 任意尺度
3. 深度学习
4. 尺度自适应网络
5. 时空特征
6. 特征对齐

AAAI论文合集：

AAAI论文合集

希望这些论文能帮到你！如果觉得有用，记得点赞关注哦~ 后续还会更新更多论文合集！！