基于流的传播和时空变压器是视频修复（VI）中的两种主流机制。尽管这些组件有效，但它们仍然受到一些影响其性能的限制。以前基于传播的方法在图像域或特征域中单独执行。与学习隔离的全局图像传播可能会由于光流不准确而导致空间错位。此外，内存或计算约束限制了特征传播和视频变压器的时间范围，阻止了对远帧对应信息的探索。为了解决这些问题，我们提出了一个改进的框架，称为ProPagation，它涉及增强的ProPagation和高效的Transformer。具体来说，我们引入了双域传播，它结合了图像和特征扭曲的优点，可靠地利用了全局对应关系。我们还提出了一种掩码引导的稀疏视频转换器，它通过丢弃不必要和冗余的令牌来实现高效率。有了这些组件，ProPainter在PSNR中以1.46 dB的较大优势优于现有技术，同时保持了吸引人的效率。

🌐page: https://shangchenzhou.com/projects/ProPainter/

📄paper: https://arxiv.org/abs/2309.03897

🧬code: https://github.com/sczhou/ProPainter

🦒colab: please try it 🐣 https://github.com/camenduru/ProPainter-colab

项目介绍：https://shangchenzhou.com/projects/ProPainter/