摘要
近年来，深度学习方法在压缩视频质量增强方面取得了显著进展。为更有效地挖掘时序信息，现有方法通常通过估计光流实现时序运动补偿。然而，由于压缩视频受到多种压缩伪影的严重干扰，导致估计的光流往往不准确且不可靠，从而限制了质量增强的效果。此外，传统方法通常以成对方式对连续帧进行光流估计，计算成本高且效率低下。针对上述问题，本文提出一种快速而高效的质量增强方法，通过引入一种新颖的时空可变形融合（Spatio-Temporal Deformable Fusion, STDF）机制，实现时序信息的有效聚合。具体而言，所提出的STDF以目标帧及其邻近参考帧作为输入，联合预测一个偏移场，用于对卷积操作的时空采样位置进行变形。由此，目标帧与参考帧之间的互补信息可在一次时空可变形卷积（Spatio-Temporal Deformable Convolution, STDC）操作中完成融合。大量实验结果表明，本方法在质量增强的准确性和效率方面均达到了当前最优水平。