BurstM：基于傅里叶空间和光流的深度多尺度超分辨率重建

多帧超分辨率（MFSR）比单图像超分辨率（SISR）具有更高的性能，因为MFSR利用了多个帧中的丰富信息。近期的MFSR方法采用了可变形卷积网络（DCN）来对齐这些帧。然而，现有的MFSR由于DCN的局限性，如感受野较小和预定义的内核数量，导致参考帧和源帧之间存在错位问题。这些问题使得现有的MFSR方法难以表示高频信息。为此，我们提出了一种基于傅里叶空间和光流的深度突发多尺度超分辨率方法（BurstM）。该方法通过估计光流偏移实现精确对齐，并预测每帧的连续傅里叶系数以表示高频纹理。此外，我们通过支持不同超分辨率（SR）比例因子的单一模型增强了网络的灵活性。实验结果表明，我们的方法在性能和灵活性方面均优于现有的MFSR方法。我们的源代码可在https://github.com/Egkang-Luis/burstm 获取。