STDAN:時空間ビデオ超解像のための変形可能な注意ネットワーク【JST・京大機械翻訳】

Wang Hai; Xiang Xiaoyu; Tian Yapeng; Yang Wenming; Liao Qingmin

プレプリント

J-GLOBAL ID：202202205192094602 整理番号：22P0303491

STDAN:時空間ビデオ超解像のための変形可能な注意ネットワーク【JST・京大機械翻訳】

STDAN: Deformable Attention Network for Space-Time Video Super-Resolution

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年03月13日プレプリントサーバーでの情報更新日： 2022年07月14日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

時空ビデオ超解像(STVSR)の目標は,低解像度(LR)と低フレーム速度(LFR)ビデオの空間時間分解能を増加させることである。深層学習に基づく最近のアプローチでは,著しい改善がなされてきたが,その多くは,連続入力LRフレームの情報フローを完全に探索できない,欠測フレーム埋込みを合成するために,短期特徴である2つの隣接フレームを使用するだけであった。さらに,既存のSTVSRモデルは,高解像度(HR)フレーム再構成を支援するため,時間的コンテキストを明示的に利用しない。これらの問題に取り組むために,本論文では,STVSRのためのSTDANと呼ばれる変形可能な注意ネットワークを提案した。最初に,著者らは,双方向RNN構造を通して,補間プロセスのためにより多くの隣接入力フレームから豊富なコンテンツを掘削できる,長い短期特徴補間(LSTFI)モジュールを考案した。第2に,動的ビデオフレームの空間および時間コンテキストを適応的に捕捉し,SR再構成を強化するために凝集する空間時間変形可能特徴集約(STDFA)モジュールを提案した。いくつかのデータセットに関する実験結果は,著者らのアプローチが最先端のSTVSR法より優れていることを実証した。コードはhttps://github.com/littlewhitesea/STDANで利用可能である。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

図形・画像処理一般

, , ,

前のページに戻る