要約
従来の教師あり超解像度（SR）アルゴリズムの多くは、低解像度（LR）データが高解像度（HR）データを固定かつ既知のカーネルで縮小することで得られるという仮定を置いていますが、このような仮定は実際の状況ではしばしば成立しません。近年、各入力LR画像に対して異なる縮小カーネルを推定する「ブラインドSR」アルゴリズムが提案されていますが、これらは計算負荷が非常に高いため、動画への直接適用は現実的ではありません。本研究では、現実世界の動画SRを対象とした、新たなメタ学習ベースのフレームワーク「DynaVSR」を提案します。本手法は、入力に応じた効率的な縮小モデルの推定と適応を可能にします。具体的には、さまざまなタイプの合成ブラー核を用いて多フレーム縮小モジュールを事前学習し、これを入力に応じた適応が可能な動画SRネットワークとシームレスに統合しています。実験結果から、DynaVSRは最先端の動画SRモデルの性能を大幅に向上させるとともに、従来のブラインドSRアプローチに比べて1桁以上高速な推論時間で実行できることを示しました。