基于分组空间-时间移位的视频修复简单基线

视频修复旨在从退化视频中恢复出清晰帧，具有广泛的重要应用价值。其核心在于有效利用帧间信息。然而，现有的深度学习方法通常依赖于复杂的网络结构，如光流估计、可变形卷积以及跨帧自注意力层，导致计算开销高昂。在本研究中，我们提出了一种简单而高效的视频修复框架。该方法基于分组时空移位（grouped spatial-temporal shift）机制，这是一种轻量且直观的技术，能够隐式地捕捉帧间对应关系，实现多帧信息的有效聚合。通过引入分组空间移位，我们显著扩展了有效感受野。结合基础的2D卷积操作，该简洁框架能够高效地整合帧间信息。大量实验表明，该方法在视频去模糊与视频去噪任务上均优于此前的最先进方法，同时计算成本不足其四分之一。结果表明，该方法在保持高质量修复效果的同时，具有显著降低计算开销的潜力。代码已开源，地址为：https://github.com/dasongli1/Shift-Net。