摘要
视频超分辨率（Video Super-Resolution, SR）旨在从低分辨率（Low-Resolution, LR）视频帧序列中生成具有合理且时序一致细节的高分辨率（High-Resolution, HR）帧序列。该任务的核心挑战在于有效建模连续帧之间的时序依赖关系。现有的基于深度学习的方法通常通过估计LR帧之间的光流来捕捉时序信息，然而，LR光流与HR输出之间存在的分辨率不匹配问题，严重制约了精细细节的恢复效果。本文提出一种端到端的视频超分辨率网络，同时对光流和图像进行超分辨率重建。通过从LR帧中恢复HR光流，可提供更精确的时序依赖关系，从而显著提升视频超分辨率的性能。具体而言，我们首先设计了一种分阶段的光流重建网络（Optical Flow Reconstruction network, OFRnet），采用从粗到细的策略推断HR光流。随后，利用HR光流进行运动补偿，以有效编码帧间时序信息。最后，将补偿后的LR输入送入超分辨率网络（SRnet），生成最终的超分辨率结果。大量实验验证了HR光流在提升超分辨率性能方面的有效性。在Vid4和DAVIS-10数据集上的对比实验结果表明，所提出的网络达到了当前最优的性能水平，显著优于现有方法。