论文标题：An Efficient Recurrent Adversarial Framework for Unsupervised Real-Time Video Enhancement 论文链接：https://arxiv.org/abs/2012.13033 作者单位：ETH Zurich（Luc Van Gool团队） 在视觉质量，定量指标和推理速度的所有方面均优于最新方法（如DPE、WESPE），该视频增强器能够每秒增强35帧以上的FullHD视频（1080x1920）！

视频增强是一个比静止图像更具挑战性的问题，这主要是由于计算成本高，数据量大以及难以在时空域中实现一致性。在实践中，这些挑战通常与示例对的缺乏相结合，这阻碍了监督学习策略的应用。为了应对这些挑战，我们提出了一种有效的对抗视频增强框架，该框架直接从未配对的视频示例中学习。特别是，我们的框架引入了新的循环单元，该单元由交错的局部和全局模块组成，用于隐式集成时空信息。提出的设计使我们的循环单元能够跨帧有效地传播时空信息，并减少了对高复杂度网络的需求。我们的设置允许以循环对抗的方式从未配对的视频中学习，其中提出的循环单元在所有体系结构中都采用。通过引入一个可同时学习源域和目标域的联合分布的单个鉴别器来完成有效的训练。增强结果在视觉质量，定量指标和推理速度的所有方面均证明了所提出的视频增强器明显优于最新方法。值得注意的是，我们的视频增强器能够每秒增强35帧以上的FullHD视频（1080x1920）。

内容中包含的图片若涉及版权问题，请及时与我们联系删除