-
题名基于深度学习的视频超分辨率重建算法进展
- 1
-
-
作者
唐麒
赵耀
刘美琴
姚超
-
机构
北京交通大学信息科学研究所
北京交通大学视觉智能交叉创新教育部国际合作联合实验室
北京科技大学计算机与通信工程学院
-
出处
《自动化学报》
北大核心
2025年第7期1480-1524,共45页
-
基金
中央高校基本科研业务费专项资金(2024JBZX001)
国家自然科学基金(62120106009,62332017,62372036)资助。
-
文摘
视频超分辨率重建是底层计算机视觉任务中的一个重要研究方向,旨在利用低分辨率视频的帧内和帧间信息,重建具有更多细节和内容一致的高分辨率视频,有助于提升下游任务性能和改善用户观感体验.近年来,基于深度学习的视频超分辨率重建算法大量涌现,在帧间对齐、信息传播等方面取得突破性的进展.首先,在简述视频超分辨率重建任务的基础上,梳理现有的视频超分辨率重建的公共数据集及相关算法;接着,详细综述基于深度学习的视频超分辨率重建算法的创新性工作进展情况;最后,总结视频超分辨率重建算法面临的挑战及未来的发展趋势.
-
关键词
视频超分辨率重建
深度学习
循环神经网络
注意力机制
光流估计
可变形卷积
-
Keywords
Video super-resolution
deep learning
recurrent neural network
attention mechanism
optical flow es-timation
deformable convolution
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于层次特征复用的视频超分辨率重建
被引量：1
- 2
-
-
作者
周圆
王明非
杜晓婷
陈艳芳
-
机构
天津大学电气自动化与信息工程学院
-
出处
《自动化学报》
EI
CAS
CSCD
北大核心
2024年第9期1736-1746,共11页
-
基金
国家自然科学基金联合基金项目(U2006211)
国家重点研发计划(2020YFC1523204)资助。
-
文摘
当前的深度卷积神经网络方法,在视频超分辨率任务上实现的性能提升相对于图像超分辨率任务略低,部分原因是它们对层次结构特征中的某些关键帧间信息的利用不够充分.为此,提出一个称作层次特征复用网络(Hierarchical feature reuse network,HFRNet)的结构,用以解决上述问题.该网络保留运动补偿帧的低频内容,并采用密集层次特征块(Dense hierarchical feature block,DHFB)自适应地融合其内部每个残差块的特征,之后用长距离特征复用融合多个DHFB间的特征,从而促进高频细节信息的恢复.实验结果表明,提出的方法在定量和定性指标上均优于当前的方法.
-
关键词
层次特征复用
卷积神经网络
特征融合
视频超分辨率重建
-
Keywords
Hierarchical feature reuse
convolutional neural network(CNN)
feature fusion
video super-resolution
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名一种稳健的多视频时空超分辨率重建算法
被引量：2
- 3
-
-
作者
宋海英
何小海
吴媛媛
卿粼波
-
机构
四川大学电子信息学院
成都电子机械高等专科学校通信工程系
-
出处
《电子与信息学报》
EI
CSCD
北大核心
2011年第9期2253-2257,共5页
-
基金
国家自然科学基金(61071161)资助课题
-
文摘
为了提高视频序列的时间分辨率和空间分辨率,该文提出了一种基于一阶范数和时空总变分正则化方法的时空超分辨率视频重建算法。该算法利用同一场景的多个具有子像素空间位移偏差和子帧率时间偏差的低分辨率视频序列,重建得到一个高时空分辨率视频序列。在求解过程中不需要直接构造大型矩阵,大大降低了对内存的要求。实验结果表明该算法是有效的,且对成像模型估计误差具有一定的鲁棒性。
-
关键词
超分辨率视频重建
时间分辨率
空间分辨率
正则化
-
Keywords
Super-resolution video reconstruction
Temporal resolution
Spatial resolution
Regularization
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于低秩及全变分的视频超分辨率重建
被引量：6
- 4
-
-
作者
黄璇
杨晓梅
-
机构
四川大学电气信息学院
-
出处
《计算机应用研究》
CSCD
北大核心
2015年第3期938-941,共4页
-
文摘
视频序列沿着时间轴展开所形成的二维矩阵具有低秩性,由此提出了一种利用该性质并结合全变分约束的视频超分辨率重建算法。该方法使用保真项以及上述两约束条件构造视频超分辨率重建的优化函数,然后采用变量分裂法求解该优化问题。实验结果表明,相比于两步迭代(two-step iterative shrinkage/thresholding,Tw IST)、3D核回归(3D kernel regression,3DKR)等方法,此算法能得到更好的峰值信噪比和结构相似度,即使在模糊和噪声的影响下,该算法也具有良好的性能,能较好地重建出视频图像。
-
关键词
视频超分辨率重建
低秩矩阵恢复
全变分
变量分裂法
结构相似度
-
Keywords
video super-resolution
low-rank matrix recovery
total variation（TV）
variable splitting
structural similarity
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名转子图像空时域增强与振动测量方法研究
被引量：1
- 5
-
-
作者
王庆健
王森
伍星
柳小勤
刘韬
-
机构
昆明理工大学机电工程学院
云南机电职业技术学院
-
出处
《振动与冲击》
EI
CSCD
北大核心
2023年第7期133-142,169,共11页
-
基金
国家自然科学基金(52065035)
云南省重大科技专项计划(202002AC080001)。
-
文摘
提高视觉测振精度的主要因素取决于单位周期内采集图像的样本数量以及图像中振动目标边缘的清晰度,但工业相机有限的采集频率和固有的分辨率会导致最终获得的时序位移信号因空时域信息丢失而出现明显的偏移误差。因此提出一种转子图像空时域增强与振动测量方法。通过视频插帧算法在相邻的两个样本图像之间插入一个拟合样本,从而增强单位周期内采集的样本数量。为了缓解采集的低分辨率图像中存在模糊、失真、噪点等现象,利用超分辨率重建算法恢复图像内的高频信息。在权衡算法耗时和计算资源损耗后,将视频插帧和视频重建进行任务集成,实现两个模型任务的特征信息共享。在自制的高速振动转子图像数据集中进行测试的试验结果表明:与当前的先进算法相比,本文构建的模型提高了0.3 dB,相应的轻量级模型在降低模型参数17.9%的同时比先进的模型任有更好的重建精度。两种采样频率下测得的时域与频域信号显示,所提出的算法获得的振动信号具有更好的周期性和稳定性。
-
关键词
视频超分辨率重建
视频插帧
视觉测振
图像增强
-
Keywords
video super-resolution reconstruction
video frame inserting
visual vibration measurement
image enhancement
-
分类号
TH212
[机械工程—机械制造及自动化]
TH213.3
[机械工程—机械制造及自动化]
-
