Frame-Recurrent Video Super-Resolution (FRVSR2018超分)

视频超分辨率框架研究

今日计划对一篇近期阅读的文献进行归纳整理，该文献由Mehdi S.M. Sajjadi于2018年发表在CVPR会议中，主题聚焦于视频超分辨率技术。截至目前，原作者尚未公开相关代码，然而在GitHub平台上已有知名研究者对其算法进行了复现。目前本人尚未执行该论文的代码测试，后续将对所尝试运行的论文代码进行系统性总结。

Abstract

在摘要部分，作者首先指出现阶段较为先进的视频超分辨率技术是结合卷积神经网络与运动补偿机制的。一些表现优异的模型通常采用对一组低分辨率图像进行处理以生成对应的高分辨率图像，但这种方法存在两个主要问题：第一，每帧低分辨率图像需要被多次处理，从而导致计算资源消耗增加；第二，每一帧的输出仅依赖于输入帧独立计算，这在一定程度上限制了系统在时间维度上保持结果连贯性的能力。因此，作者设计并提出了一种端到端训练的视频超分辨率帧循环网络框架（FRVSR） ，该框架通过利用先前生成的高分辨率结果来预测下一帧的输出，不仅有助于增强输出序列在时间上的连续性，同时还能有效降低整体计算复杂度。

Introduction

本文主要探讨了超分辨率问题及其相关应用，并对多种方法进行了分类，此处暂不详述（太懒了，不想全部翻译一遍）。接下来直接进入重点内容：本文所提出的FRVSR网络具有以下两个优势：1）每帧输入数据仅需