Lernen für Videosuperauflösung durch Schätzung des HR-Optischen Flusses

Video-Superauflösung (SR) zielt darauf ab, eine Sequenz von hochaufgelösten (HR) Bildern mit plausiblen und zeitlich konsistenten Details aus ihren nieder-auflösenden (LR) Gegenstücken zu generieren. Die Erstellung präziser Korrespondenzen spielt bei der Video-SR eine wichtige Rolle. Traditionelle Video-SR-Methoden haben gezeigt, dass die gleichzeitige SR von sowohl Bildern als auch optischen Flüssen präzise Korrespondenzen und bessere SR-Ergebnisse liefern kann. Allerdings werden LR-optische Flüsse in den bestehenden tiefen Lernmethoden zur Erstellung von Korrespondenzen verwendet. In dieser Arbeit schlagen wir ein von Anfang bis Ende trainierbares Video-SR-Framework vor, das sowohl Bilder als auch optische Flüsse aufsuperauflöst. Insbesondere schlagen wir zunächst ein Netzwerk zur Rekonstruktion der optischen Flüsse (OFRnet) vor, um HR-optische Flüsse in einem Schrittweise-Verfeinerungsprozess zu ermitteln. Anschließend wird Bewegungskompensation gemäß den HR-optischen Flüssen durchgeführt. Schließlich werden die kompensierten LR-Eingaben einem Superresolution-Netzwerk (SRnet) zugeführt, um die SR-Ergebnisse zu generieren. Ausführliche Experimente zeigen, dass HR-optische Flüsse präzisere Korrespondenzen als ihre LR-Gegenstücke liefern und sowohl die Genauigkeit als auch die Konsistenz verbessern. Vergleichsergebnisse auf den Datensätzen Vid4 und DAVIS-10 belegen, dass unser Framework den aktuellen Stand der Technik erreicht.请注意，这里有一些术语的翻译：- Video super-resolution: Video-Superauflösung- High-resolution (HR): hochaufgelöst (HR)- Low-resolution (LR): nieder-auflösend (LR)- Optical flows: optische Flüsse- Motion compensation: Bewegungskompensation- End-to-end trainable: von Anfang bis Ende trainierbar- State-of-the-art performance: den aktuellen Stand der Technik erreichen这些翻译在科技文献中较为常用，以保持专业性和准确性。