TPAMI 2024 | 题目：自我监督的深度盲视频超分辨率

主要观点总结

文章介绍了基于自我监督学习的盲视频超分辨率方法，该方法无需真实高分辨率视频作为监督，同时估计模糊核和潜在的高分辨率视频。算法包括模糊核估计、光流估计和潜在高分辨率视频恢复三个主要部分，并利用自监督学习方法以端到端的方式训练整个网络。通过实验表明，该方法在基准数据集和真实世界视频上的性能优于现有最先进技术。

关键观点总结

关键观点1: 基于自我监督学习的方法

算法无需真实高分辨率视频作为监督，同时估计模糊核和潜在的高分辨率视频。

关键观点2: 模糊核估计

算法利用模糊核的稀疏属性，通过深度网络估计模糊核。

关键观点3: 光流估计

引入光流估计模块，利用相邻帧的信息进行更好的高分辨率视频恢复。

关键观点4: 潜在高分辨率视频恢复

算法通过辅助配对数据和视频退化约束，从原始低分辨率视频恢复潜在的高分辨率视频。

关键观点5: 实验与评估

算法在基准数据集和真实世界视频上进行了评估，并与其他方法进行了比较。

文章预览

点击上方“ 计算机书童 ”，选择加" 星标 "或“ 置顶 ” 顶刊论文解读，第一时间分享 Self-Supervised Deep Blind Video Super-Resolution 题目：自我监督的深度盲视频超分辨率 作者：Haoran Bai and Jinshan Pan 源码：https://github.com/csbhr/Self-Blind-VSR 摘要 现有的基于深度学习的视频超分辨率(SR)方法通常依赖于有监督学习方法，其中训练数据通常是通过已知或预定义的核（例如，双三次核）进行模糊操作后跟一个降采样操作生成的。然而，这对于真实应用来说并不成立，因为退化过程复杂，不能很好地用这些理想情况来近似。此外，在现实世界场景中获取高分辨率(HR)视频及其对应的低分辨率(LR)视频是困难的。为了克服这些问题，我们提出了一种自我监督学习方法来解决盲视频SR问题，该方法同时从LR视频中估计模糊核和HR视频。由于直接使用LR视频作为监督通常会导致 ………………………………