Compressed Video Quality Enhancement with Temporal Group Alignment and Fusion

本文提出了一种时间组对齐与融合网络，通过利用帧间的长短期相关性来提高压缩视频的质量。所提出的模型包括组内特征对齐（IntraGFA）模块、组间特征融合（InterGFF）模块和特征增强（FE）模块。我们通过根据视频帧与目标增强帧的时间距离来选择帧，形成了图片组（GoP）。通过这种分组方式，组合的GoP可以包含相邻帧的长期或短期相关信息。我们设计了IntraGFA模块来对每个GoP的帧特征进行对齐，以消除帧间的运动。我们构建了InterGFF模块来融合属于不同GoP的特征，并最终用FE模块增强融合后的特征以生成高质量的视频帧。实验结果表明，与最先进的方法相比，我们提出的方法在复杂度更低的情况下可以获得高达0.05dB的增益。

本文旨在通过利用帧间的长短期相关性来提高压缩视频的质量。作者提出了一种时序组对齐与融合网络，以提高压缩视频的质量。

本文提出的模型包括IntraGFA模块、InterGFF模块和FE模块。通过选择与目标增强帧的时间距离相对应的帧来形成图片组（GoP），以此来包含相邻帧的长期或短期相关信息。作者设计了IntraGFA模块来消除帧之间的运动，构建了InterGFF模块来融合属于不同GoP的特征，并最终使用FE模块增强融合的特征以生成高质量的视频帧。

实验结果表明，与现有的方法相比，本文提出的方法具有更低的复杂度，并实现了高达0.05dB的增益。同时，作者还使用了多个数据集进行了实验，并且开源了代码。

在这个领域中，最近的相关研究包括：'Deep Video Super-Resolution Network Using Dynamic Upsampling Filters Without Explicit Motion Compensation'，'Fast and Accurate Image Super-Resolution with Deep Laplacian Pyramid Networks'，'Frame-Recurrent Video Super-Resolution'等。