持续更新

Video Super-Resolution via Deep Draft-Ensemble Learning

• 论文链接：http://openaccess.thecvf.com/content_iccv_2015/papers/Liao_Video_Super-Resolution_via_ICCV_2015_paper.pdf
• 代码：http://www.cse.cuhk.edu.hk/leojia/projects/DeepSR/
• ICCV, 2015
• 网络结构：
  

1. 两步骤：第一步前项重建：通过TV-l1（20个$\alpha$）和MDP（motion detail preserving）两种光流法生成HR候选级Z，这些候选通道堆叠，最后一个通道是reference LR帧经过bicubic得到的bicubic input；第二步采用CNN融合所有候选HR得到重建的HR图像帧；
2. 预上采样，上采样方法为bicubic；
3. 如果视频帧是RGB多通道的，每个通道都单独训练和测试；
4. loss：$L=l_{1}loss+\lambda TVloss$；

• 贡献点：

1. 采用CNN整合HR candidates

Deep SR-ITM: Joint Learning of Super-Resolution and Inverse Tone-Mapping for 4K UHD HDR Applications

• 论文连接：https://arxiv.org/ftp/arxiv/papers/1904/1904.11176.pdf
• 代码：https://github.com/sooyekim/Deep-SR-ITM （matlab）
• CVPR 2019 oral
• 网络结构：
  

1. 初始图像分解为base layer$I_b$和detail layer$I_d$，再与原始图像在通道上进行concat，作为上下两个分支的输入
   $$I_b^{in}=[I{I}_b],and{I}_d^{in}=[I{I}_d]$$

2. Residual blocks. 文中设计了4中不同的残差模块: ResBlock，ResModBlock，ResSkipBlock and ResSkipModBlock。Resblock 采用Pre-activation，为标准的残差模块。

2. Deep SR-IRM 通过逐元素相乘，引入空间可变和图像自适应的调制。我的理解，网络的第二个分支相当于生成一个空间通道的注意力，然后对第一个分支的结果进行相乘。

LEARNING TEMPORAL COHERENCE VIA SELFSUPERVISION FOR GAN-BASED VIDEO GENERATION

• 论文连接：https://arxiv.org/abs/1811.09393v3
• 代码：https://github.com/thunil/TecoGAN
• 2018 （此部分参考https://zhuanlan.zhihu.com/p/62610640）
• 网络结构：
  
  

1. 整体VSR包含三个组件：循环生成器、流估计网络和时空判别器;
2. 循环生成器G：基于低分辨率输入循环地生成高分辨率视频帧;
3. 流估计网络 F ：学习帧与帧之间的动态补偿，帮助生成器和时空判别器$D_{s,t}$;
4. 训练时，G和F一起训练；
5. 时空判别器$D_{s,t}$是本文的重要贡献，既考虑空间因素又考虑时间因素，对时间不连贯的结果进行惩罚：
   
   $x$为LR图像帧，$g$为生成图像帧，$y$为真实的HR帧；图像帧输入前进行通道concat;
6. 本文的另一创新点为提出Ping-Pong(PP)损失函数，可以成功移除漂移伪影，同时保留适当的高频细节，改进了时间的连贯度。该研究使用具备ping-pong ordering 的扩展序列来训练网络，如图 5 所示。即最终附加了逆转版本，该版本将两个「leg」的生成输出保持一致。PP 损失的公式如下所示：
   
   
   7.损失函数如下表，其中$g$为生成图像帧，$b$为ground truth，$\varphi$为采用VGG19或$D_{s,t}$提取的特征，表示感知损失（用cosin相似度）。
   
   8.本文另一贡献是提出两个新的metric，衡量时间连续性
   

Neural Supersampling for Real-time Rendering

• 论文：https://research.fb.com/wp-content/uploads/2020/06/Neural-Supersampling-for-Real-time-Rendering.pdf
• 代码：未公开
• 发表时间：2020 SIGGRAPH
• 网络结构：
  

1. 渲染的LR视频具有颜色、深度和运动向量；
2. 本网络结构包含四个模块：特征提取(Feature Extaction)、时间重映射(Temporal Reprojection)、特征重新加权(Feature Reweighting)、重建(重建)；
3. 特征提取模块（如上图中的绿色模块）：1）3层卷积；2）输入为：颜色和深度图；3）除了当前帧，其他帧参数共享；4）输出为8通道特征，与原始4通道堆叠变成12通道特征；
4. 时间重映射（如上图中的橙色模块）：对特征在warp前zero上采样，对运动向量采用双线性插值上采样，运动向量记录的是当前帧到前一帧的运动，因此，相隔较多的帧采用迭代warp，如frame-2先warp到frame-1再warp到当前帧；
5. 特征重映射：因为运动矢量不能记录帧间的动态遮挡（如前一帧遮挡了，但当前帧未遮挡）及阴影变化，因此warp的帧会产生伪影，因此采用该模块解决；1）输入：当前帧和前边所有帧concat；2）3层卷积；3）为每个帧的每个像素生成一个0到10之间的权重，其中10是超参数；4）将输入的每帧与对应的权重图相乘；
6. 重建：U-Net网络，如上图中的蓝色模块；
7. loss：$loss(X，\hat{X})=1-SSIM(X,\hat{X})+w\cdot {\sum }_{i=1}^5||con{v}_i(X)-con{v}_i(\hat{X})|{|}_2^2$，其中$w=0.1$
8. 运行时间：在Titan V上可以实时；
9. 贡献点：提出神经超采样网络用于渲染的低分视频，能够实时地重建高分视频（主要用于3D动画）；