近年来，基于学习的模型显著提升了单图像超分辨率（Single-Image Super-Resolution, SISR）的性能。然而，若将SISR方法逐帧应用于视频序列，会导致时间维度上的一致性缺失。卷积神经网络（Convolutional Neural Networks, CNNs）在图像质量指标（如峰值信噪比PSNR和结构相似性SSIM）方面优于传统方法。然而，生成对抗网络（Generative Adversarial Networks, GANs）在处理大倍数超分辨率时，能够有效缓解CNN方法普遍存在的细节纹理缺失问题，展现出显著优势。本文提出iSeeBetter，一种基于GAN的新型时空联合视频超分辨率（Video Super-Resolution, VSR）方法，可生成具有时间一致性的高质量超分辨率视频。iSeeBetter采用循环反投影网络（recurrent back-projection networks）的思想，作为其生成器，从当前帧及其邻近帧中联合提取空间与时间信息。此外，为提升超分辨率图像的自然感并消除传统算法常见的伪影，我们引入了超分辨率生成对抗网络（SRGAN）中的判别器模块。尽管均方误差（Mean Squared Error, MSE）作为主要优化目标可有效提升PSNR和SSIM指标，但这些指标难以捕捉图像中的精细细节，可能导致感知质量的误判。为此，我们设计了一种四重损失函数，包含MSE损失、感知损失（perceptual loss）、对抗损失（adversarial loss）以及总变差损失（Total Variation, TV loss），以综合优化重建质量。实验结果表明，iSeeBetter在视频超分辨率的保真度方面表现优异，显著超越现有最先进方法。