3DAttGAN: A 3D Attention-based Generative Adversarial Network for Joint Space-Time Video Super-Resolution

在许多应用中，包括监控、娱乐和修复，都需要提高视频序列的空间分辨率和帧率。目的是提高视觉质量，细化细节，创造更逼真的观看体验。现有的时空视频超分辨率方法没有有效地利用时空信息。为了解决这个限制，我们提出了一种联合时空视频超分辨率的生成对抗网络。生成网络包括三个操作：浅层特征提取、深层特征提取和重建。它使用三维卷积同时处理时间和空间信息，并包括一种新颖的三维注意机制来提取最重要的通道和空间信息。判别网络使用两个分支结构来处理细节和运动信息，使生成的结果更加准确。在Vid4、Vimeo-90K和REDS数据集上的实验结果证明了所提出方法的有效性。源代码公开可用于https://github.com/FCongRui/3DAttGan.git。

论文旨在解决视频超分辨率和帧率提高的问题，提高视觉质量和真实感。现有的空时视频超分辨率方法不能有效地利用时空信息。

论文提出了一种基于生成对抗网络的联合空时视频超分辨率方法。该方法利用三维卷积同时处理时间和空间信息，包括一种新的三维注意机制来提取最重要的通道和空间信息。判别网络使用双分支结构处理细节和动态信息，使生成结果更准确。

论文在Vid4、Vimeo-90K和REDS数据集上进行了实验，证明了该方法的有效性。并且提供了开源代码。

最近的相关研究包括《Deep Video Super-Resolution Network Using Dynamic Upsampling Filters Without Explicit Motion Compensation》、《Video Super-Resolution via Recurrently-Refined Residual Network》等。