論文の概要: Joint Video Enhancement with Deblurring, Super-Resolution, and Frame Interpolation Network

• arxiv url: http://arxiv.org/abs/2506.03892v1
• Date: Wed, 04 Jun 2025 12:38:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.324143
• Title: Joint Video Enhancement with Deblurring, Super-Resolution, and Frame Interpolation Network
• Title（参考訳）: 脱臭・超解像・フレーム補間ネットワークによる共同映像強調
• Authors: Giyong Choi, HyunWook Park,
• Abstract要約: 本稿では,複数の劣化要因を同時に緩和するジョイントビデオ強調手法を提案する。 提案するDSFNは,低解像度,低フレームレート,ぼやけたビデオから,高解像度,高フレームレート,クリアなビデオを直接生成する。 実験の結果,提案手法は,公開データセット上での他のシーケンシャルな最先端技術よりも優れていた。
• 参考スコア（独自算出の注目度）: 1.6114012813668932
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Video quality is often severely degraded by multiple factors rather than a single factor. These low-quality videos can be restored to high-quality videos by sequentially performing appropriate video enhancement techniques. However, the sequential approach was inefficient and sub-optimal because most video enhancement approaches were designed without taking into account that multiple factors together degrade video quality. In this paper, we propose a new joint video enhancement method that mitigates multiple degradation factors simultaneously by resolving an integrated enhancement problem. Our proposed network, named DSFN, directly produces a high-resolution, high-frame-rate, and clear video from a low-resolution, low-frame-rate, and blurry video. In the DSFN, low-resolution and blurry input frames are enhanced by a joint deblurring and super-resolution (JDSR) module. Meanwhile, intermediate frames between input adjacent frames are interpolated by a triple-frame-based frame interpolation (TFBFI) module. The proper combination of the proposed modules of DSFN can achieve superior performance on the joint video enhancement task. Experimental results show that the proposed method outperforms other sequential state-of-the-art techniques on public datasets with a smaller network size and faster processing time.
• Abstract（参考訳）: ビデオの品質は、単一の要因ではなく複数の要因によって著しく劣化することが多い。 これらの低品質ビデオは、適切なビデオ強調技術を順次実行することにより、高品質なビデオに復元することができる。 しかし, 映像の画質を劣化させる要因を考慮せずに, 多くの映像強調手法が設計されているため, 逐次的アプローチは非効率かつ準最適であった。 本稿では,統合強化問題を解くことで,複数の劣化要因を同時に緩和するジョイントビデオエンハンスメント法を提案する。 提案するDSFNは,低解像度,低フレームレート,ぼやけたビデオから,高解像度,高フレームレート,クリアなビデオを直接生成する。 DSFNでは、ジョイントデブラリングとスーパーレゾリューション(JDSR)モジュールにより、低解像度でぼやけた入力フレームが強化される。 一方、入力された隣接フレーム間の中間フレームは、三重フレームベースのフレーム補間(TFBFI)モジュールによって補間される。 提案するDSFNモジュールの適切な組み合わせは,ジョイントビデオエンハンスメントタスクにおいて,優れた性能を実現することができる。 実験の結果,提案手法は,ネットワークサイズが小さく,処理時間も高速な公開データセット上で,他のシーケンシャルな最先端技術よりも優れていることがわかった。

関連論文リスト

• LADDER: An Efficient Framework for Video Frame Interpolation [12.039193291203492]
  ビデオフレーム補間(VFI)は、スローモーション生成、フレームレート変換、ビデオフレーム復元など、様々な応用において重要な技術である。 本稿では,効率と品質のバランスをとることを目的とした,効率的なビデオフレームフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-17T06:47:17Z)
• Video Interpolation with Diffusion Models [54.06746595879689]
  本稿では,ビデオ生成モデルであるVIDIMについて述べる。 VIDIMはカスケード拡散モデルを用いて、まず低解像度でターゲット映像を生成し、次に低解像度で生成されたビデオに条件付けされた高解像度映像を生成する。
  論文  参考訳（メタデータ） (2024-04-01T15:59:32Z)
• Memory-Augmented Non-Local Attention for Video Super-Resolution [61.55700315062226]
  低解像度(LR)ビデオから高忠実度高解像度(HR)ビデオを生成するための新しいビデオ超解法を提案する。 従来の方法は、主に時間的隣のフレームを利用して、現在のフレームの超解像を支援する。 対照的に、フレームアライメントなしでビデオの超解像を可能にするクロスフレーム非局所アテンション機構を考案する。
  論文  参考訳（メタデータ） (2021-08-25T05:12:14Z)
• Video Rescaling Networks with Joint Optimization Strategies for Downscaling and Upscaling [15.630742638440998]
  結合層を持つ可逆ニューラルネットワークに基づく2つの共同最適化手法を提案する。 我々のLong Short-Term Memory Video Rescaling Network (LSTM-VRN)は、低解像度ビデオの時間情報を利用して、アップスケーリングに欠落する高周波情報の明示的な予測を形成する。 当社のマルチインプットマルチアウトプットビデオリスケーリングネットワーク(MIMO-VRN)は、ビデオフレームのグループを同時にダウンスケーリングおよびアップスケーリングするための新しい戦略を提案します。
  論文  参考訳（メタデータ） (2021-03-27T09:35:38Z)
• Video Super-Resolution with Recurrent Structure-Detail Network [120.1149614834813]
  ほとんどのビデオ超解像法は、時間的スライディングウィンドウ内の隣接するフレームの助けを借りて単一の参照フレームを超解する。 本稿では,従来のフレームを有効かつ効率的に利用し,現行のフレームを超解する新しいビデオ超解法を提案する。
  論文  参考訳（メタデータ） (2020-08-02T11:01:19Z)
• Video Super-resolution with Temporal Group Attention [127.21615040695941]
  本稿では,時間的情報を階層的に効果的に組み込む新しい手法を提案する。 入力シーケンスは複数のグループに分けられ、それぞれがフレームレートの種類に対応する。 これは、いくつかのベンチマークデータセットにおける最先端のメソッドに対して良好なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-07-21T04:54:30Z)
• Deep Slow Motion Video Reconstruction with Hybrid Imaging System [12.340049542098148]
  現在の技術は、難題では有効でない線形物体の動きを仮定することにより、フレームを通して標準映像のフレームレートを増大させる。 本稿では,アライメントと外観推定を組み合わせた2段階のディープラーニングシステムを提案する。 我々は、合成合成ハイブリッドビデオでモデルをトレーニングし、様々なテストシーンで高品質な結果を示す。
  論文  参考訳（メタデータ） (2020-02-27T14:18:12Z)
• Zooming Slow-Mo: Fast and Accurate One-Stage Space-Time Video Super-Resolution [95.26202278535543]
  単純な解決策は、ビデオフレーム(VFI)とビデオ超解像(VSR)の2つのサブタスクに分割することである。 時間合成と空間超解像はこの課題に関係している。 LFR,LRビデオからHRスローモーション映像を直接合成するワンステージ時空間ビデオ超解像フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-26T16:59:48Z)
• Video Face Super-Resolution with Motion-Adaptive Feedback Cell [90.73821618795512]
  深部畳み込みニューラルネットワーク(CNN)の発展により,ビデオ超解像法(VSR)は近年,顕著な成功を収めている。 本稿では,動作補償を効率的に捕捉し,適応的にネットワークにフィードバックする,シンプルで効果的なブロックである動き適応型フィードバックセル(MAFC)を提案する。
  論文  参考訳（メタデータ） (2020-02-15T13:14:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。