经常性模型在基于深度学习(DL)的视频超分辨率(VSR)中获得了普及,因为它们增加了与基于滑动窗口的模型相比的计算效率,时间接收场和时间一致性。然而,当推断出在呈现低运动的长视频序列(即场景的某些部分几乎移动)时,经常性模型通过复发处理发散,产生高频伪像。据我们所知,没有关于VSR的研究指出这个不稳定问题,这对于一些现实世界的应用来说可能是至关重要的。视频监控是一个典型的示例,在那里发生这种伪像,因为相机和场景长时间保持静止。在这项工作中,我们将现有的经常性VSR网络的稳定性暴露在具有低运动的长序列上。我们在新的长序列数据集准静态视频集上演示了它,我们创建了。最后,我们介绍了一种基于Lipschitz稳定性理论的稳定和竞争的重复的VSR网络的新框架。我们提出了一种新的经常性VSR网络,基于此框架,Coined中继视频超分辨率(MRVSR)。我们经验展示了具有低运动的长序列的竞争性能。
translated by 谷歌翻译