CN113706385A - 一种视频超分辨率方法、装置、电子设备及存储介质 - Google Patents
一种视频超分辨率方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113706385A CN113706385A CN202111026000.5A CN202111026000A CN113706385A CN 113706385 A CN113706385 A CN 113706385A CN 202111026000 A CN202111026000 A CN 202111026000A CN 113706385 A CN113706385 A CN 113706385A
- Authority
- CN
- China
- Prior art keywords
- frame
- video
- target frame
- super
- fusion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 100
- 230000004927 fusion Effects 0.000 claims abstract description 105
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000010586 diagram Methods 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims description 12
- 238000013139 quantization Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 25
- 238000004364 calculation method Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000007667 floating Methods 0.000 description 4
- 238000007499 fusion processing Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Television Systems (AREA)
Abstract
本公开实施例公开了一种视频超分辨率方法、装置、电子设备及存储介质，该方法包括：获取待超分视频的视频帧，对各视频帧进行帧特征图提取；遍历各视频帧，并将当前遍历的视频帧作为目标帧，以目标帧为基准，将目标帧的相邻帧，与目标帧进行帧特征图对齐；基于融合算子，将目标帧和相邻帧的对齐后的帧特征图进行融合，得到目标帧的融合特征图；融合算子中包含了用于融合各帧特征图的运算算子；根据融合特征图确定差值图，根据差值图以及目标帧经插值后的插值帧，生成经超分处理后的视频帧。通过在视频超分过程中结合融合算子进行处理，能够减少存储空间中运算中间量的读写操作，不仅减少了处理耗时，实现快速超分，还减少了存储空间的占用。
Description
技术领域
本公开实施例涉及图像处理技术领域，尤其涉及一种视频超分辨率方法、装置、电子设备及存储介质。
背景技术
视频超分辨率可以认为是将低分辨率视频处理成高分辨率视频的过程。现有技术中可以通过机器学习的方式实现视频超分辨率。现有技术的不足之处至少包括：当对分辨率较高的视频执行超分辨率时，计算量非常大，导致处理耗时较长。
发明内容
本公开实施例提供了一种视频超分辨率方法、装置、电子设备及存储介质，能够减少处理耗时，实现快速超分处理。
第一方面，本公开实施例提供了一种视频超分辨率方法，包括：
获取待超分视频的视频帧，对各视频帧进行帧特征图提取；
遍历所述各视频帧，并将当前遍历的视频帧作为目标帧，以所述目标帧为基准，将所述目标帧的相邻帧，与所述目标帧进行帧特征图对齐；
基于融合算子，将所述目标帧和所述相邻帧的对齐后的帧特征图进行融合，得到所述目标帧的融合特征图；其中，所述融合算子中包含了用于融合各帧特征图的运算算子；
根据所述融合特征图确定差值图，根据所述差值图以及所述目标帧经插值后的插值帧，生成经超分处理后的视频帧。
第二方面，本公开实施例还提供了一种视频超分辨率装置，包括：
提取模块，用于获取待超分视频的视频帧，对各视频帧进行帧特征图提取；
对齐模块，用于遍历所述各视频帧，并将当前遍历的视频帧作为目标帧，以所述目标帧为基准，将所述目标帧的相邻帧，与所述目标帧进行帧特征图对齐；
融合模块，用于基于融合算子，将所述目标帧和所述相邻帧的对齐后的帧特征图进行融合，得到所述目标帧的融合特征图；其中，所述融合算子中包含了用于融合各帧特征图的运算算子；
重建模块，用于根据所述融合特征图确定差值图，根据所述差值图以及所述目标帧经插值后的插值帧，生成经超分处理后的视频帧。
第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开实施例任一所述的视频超分辨率方法。
第四方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例任一所述的视频超分辨率方法。
本公开实施例的技术方案，获取待超分视频的视频帧，对各视频帧进行帧特征图提取；遍历各视频帧，并将当前遍历的视频帧作为目标帧，以目标帧为基准，将目标帧的相邻帧，与目标帧进行帧特征图对齐；基于融合算子，将目标帧和相邻帧的对齐后的帧特征图进行融合，得到目标帧的融合特征图；其中，融合算子中包含了用于融合各帧特征图的运算算子；根据融合特征图确定差值图，根据差值图以及目标帧经插值后的插值帧，生成经超分处理后的视频帧。通过在视频超分过程中结合融合算子进行处理，能够减少存储空间中运算中间量的读写操作，不仅减少了处理耗时，实现快速超分，还减少了存储空间的占用。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本公开实施例一所提供的一种视频超分辨率方法的流程示意图；
图2为本公开实施例二所提供的一种视频超分辨率方法中基于融合算子运算的计算图；
图3为本公开实施例三所提供的一种视频超分辨率方法的流程示意图；
图4为本公开实施例四所提供的一种视频超分辨率装置的结构示意图；
图5为本公开实施例五所提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
实施例一
图1为本公开实施例一所提供的一种视频超分辨率方法的流程示意图。本公开实施例适用于对视频进行超分辨率重建的情形，尤其适用于对高分辨率的视频进行超分辨率重建的情形。该方法可以由视频超分辨率装置来执行，该装置可以通过软件和/或硬件的形式实现，该装置可配置于电子设备中，例如配置于计算机中。
如图1所示，本实施例提供的视频超分辨率方法，包括：
S110、获取待超分视频的视频帧，对各视频帧进行帧特征图提取。
其中，待超分视频的分辨率可以包括但不限于，480i格式、480p格式、540p格式、720p格式、1080i格式和1080p格式。待超分视频经超分辨率(可简称为超分)重建后，能够得到比原始分辨率更高分辨率的视频。
其中，获取待超分视频的视频帧的方式，可以包括但不限于：使用ffmpeg等开源程序解析视频的每一帧，以获得视频帧；或者，通过预先编写的C/C++、Python或Golang等程序，每隔预定时间提取视频的视频帧等。
其中，可以使用标准的卷积计算，对视频中的各视频帧进行帧特征图提取。其中，标准的卷积计算可以包括，利用卷积层、激活层和残差块进行计算。
S120、遍历各视频帧，并将当前遍历的视频帧作为目标帧，以目标帧为基准，将目标帧的相邻帧，与目标帧进行帧特征图对齐。
本公开实施例中，可以通过遍历视频帧，将当前遍历的视频帧作为目标帧，对目标帧进行超分辨率重建，来实现对各视频帧依次进行超分辨率重建。当遍历完成时，就可以得到全部视频帧经超分处理后的视频帧，即实现了待超分视频的超分视频。
其中，可以将当前遍历的视频帧，作为当前需要超分的目标帧；可以将目标帧的前n帧和后n帧，称为目标帧的相邻帧。其中，n为正整数，并且n具体的取值可以与超分过程所使用的模型，在训练过程中使用的相邻帧数量相同。例如，若在训练过程中使用了3帧图像进行帧特征图对齐，则实际超分过程中，也对3帧图像进行针特征图对齐。在一些实现方式中，相邻帧可以为前、后各一帧，通过较少的相邻帧进行目标帧的超分，能够在很大程度上减少计算量，从而可提高超分效率。
其中，将目标帧和相邻帧的特征图进行对齐的过程，可以采用逐层对齐的方式进行。示例性的，首先可以将各帧特征图的原图像，使用形变卷积进行对齐处理；然后可以确定各帧特征图的缩小图像，再使用形变卷积进行对齐处理；依此逐级对齐。通过逐级对齐处理，能够实现在最初的特征图中，对齐细微运输，最下方的特征图中对齐大幅运动，从而能够使目标帧与相邻帧进行较好的对齐。
由于每帧视频帧中包含信息可能存在差异，例如有遮挡、视差或模糊的区域等情况出现。通过以目标帧为基准，将相邻帧与目标帧进行帧特征图对齐，有助于后期根据相邻帧中对齐的特征，对目标帧中的特征进行融合优化。
在一些可选的实现方式中，将目标帧的相邻帧，与目标帧进行帧特征图对齐，包括：使用形变卷积将目标帧的相邻帧，与目标帧进行帧特征图对齐；其中，所使用的形变卷积与帧特征图的尺寸具有对应关系。
在这些可选的实现方式中，可以针对不同的帧特征图，预先设置不同版本的形变卷积。相应的，在对齐过程中，可以使用与帧特征图具有对应关系的版本的形变卷积进行对齐处理。通过根据不同帧特征图，采用不同参数的优化版本的形变卷积，能够实现针对每种帧特征图执行计算量最少的对齐计算，从而在一定程度上提高超分效率，加快超分速度。
S130、基于融合算子，将目标帧和相邻帧的对齐后的帧特征图进行融合，得到目标帧的融合特征图。
在使用形变卷积对目标帧和相邻帧进行逐层对齐后，可以得到对齐的、不同尺度的帧特征图金字塔。进而，可以根据注意力机制对帧特征图金字塔进行融合处理，以从不同尺度的帧特征图中提取所需信息，通过融合卷积得到融合有目标帧特征(即空域特征)和相邻帧特征(即时域特征)的融合特征图。
其中，在融合帧特征图过程中，可以基于融合算子对各帧特征图进行运算。其中，融合算子中包含了用于融合各帧特征图的运算算子。通过根据融合算子进行帧特征图的融合运算，能够降低存储空间中运算中间量的内存读写操作，不仅减少了处理耗时，实现快速超分，还减少了中间量对存储空间的占用。
S140、根据融合特征图确定差值图，根据差值图以及目标帧经插值后的插值帧，生成经超分处理后的视频帧。
超分过程所使用的模型，在训练过程中可以得到样本帧的插值帧，可以标记样本帧经超分后期望得到的样本超分帧，并可以基于上述步骤获取样本帧的融合特征图。进而，可以学习样本帧的融合特征图，与插值帧和样本超分帧的差值图的关联逻辑。从而可以通过训练完毕的模型，根据融合特征图确定差值图。
在得到差值图后，可以将差值图与目标帧经插值后的插值帧相加，得到目标帧超分后的视频帧。其中，目标帧可以经过双线性插值得到插值帧，也可以经过其他方式的插值得到插值帧，可根据具体超分场景中期望得到的超分后分辨率确定。基于同样方法可以对各视频帧进行超分，以得到超分后的视频。
在一些可选的实现方式中，根据融合特征图确定差值图，包括：使用空域卷积将融合特征图处理为与目标帧分辨率相同的第一特征图，并将第一特征图上采样为差值图。
在这些可选的实现方式中，基于训练后的模型确定差值图的过程，可以包括：首先将融合特征图经空域卷积输出与目标帧分辨率相同的第一特征图；再经过上采样方法(例如PyTorch中的Pixel Shuffle方法、TensorFlow中Depth To Space方法等)进行第一特征图像上采样，得到差值图。
在一些可选的实现方式中，待超分视频的分辨率不低于720p格式。
传统视频超分方法，通常将540p及以下分辨率的视频处理成1080p档的视频。当待超分的分辨率不低于720p时，就会对超分所需的计算、存储等资源提出极大的挑战，致使现有配置的中央处理器(central processing unit，CPU)或图形处理器(graphicsprocessing unit，GPU)无法单独的承担。经实验证明，基于传统方法将1080p视频超分为4K视频时，大概需要31G显存，而用于生产的主要资源为16G显存的T4 GPU，因此使用一个GPU无法支持现有的超分方法。
而本实施例提供的超分方法，通过基于融合算子对视频进行超分，可以很大程度上减少计算过程中存储资源的消耗。经实验证明，基于本实施例提供的超分方法，将1080p视频超分为4K视频，仅需要10G左右显存即可，可实现在单T4卡中运行。
此外，由于本实施例提供的超分方法结合融合算子进行处理，相较于传统方法，能够减少存储空间中运算中间量的读写操作，可大大减少处理耗时，实现快速超分。
本公开实施例的技术方案，获取待超分视频的视频帧，对视频帧进行帧特征图提取；遍历视频帧，以当前遍历的目标帧为基准，将目标帧的相邻帧，与目标帧进行帧特征图对齐；基于融合算子，将目标帧和相邻帧的对齐后的帧特征图进行融合，得到目标帧的融合特征图；根据融合特征图确定差值图，根据差值图以及目标帧经插值后的插值帧，生成经超分处理后的视频帧。通过在视频超分过程中结合融合算子进行处理，能够减少存储空间中运算中间量的读写操作，不仅减少了处理耗时，实现快速超分，还减少了存储空间的占用。
实施例二
本公开实施例与上述实施例中所提供的视频超分辨率方法中各个可选方案可以结合。本实施例所提供的视频超分辨率方法，对基于融合算子生成融合特征图的步骤进行了详细描述。
例如，在一些可选的实现方式中，基于融合算子，将目标帧和相邻帧的对齐后的帧特征图进行融合，可以包括：从存储空间中，读取目标帧和相邻帧的对齐后的各帧特征图；将各帧特征图作为融合算子的输入，以基于融合算子输出目标帧的融合特征图；将融合特征图写入存储空间。
在这些可选的实现方式中，可以从存储空间中一次性读取目标帧和相邻帧对齐后的各帧特征图，并将各帧特征图输入融合算子中。由于融合算子中包含了用于融合各帧特征图的各运算算子，运算过程无需对中间量进行内存读写操作，而是可以直接输出最终结果，即输出融合特征图。之后可以将输出的融合特征图一次性写入存储空间中去。
经实验证明，采用传统方案进行帧特征图融合过程，存储空间内中间量的内存读写操作至少为20次，而采用本实施例提供的超分方法，帧特征图融合过程仅需1次内存读写操作。因此，基于融合算子进行帧特征图融合，能够大大减少存储空间内数据的内存读写操作次数，减少了访存操作耗时，提高了计算效率。
示例性的，图2为本公开实施例二所提供的一种视频超分辨率方法中基于融合算子运算的计算图，且可认为图2中示出了基于融合算子进行融合特征图运算过程中的部分运算步骤。
参见图2，可表示相邻帧投射过来的帧特征图(可简称为emb)与目标帧的帧特征图(可简称为ref)进行融合的部分运算步骤，可以包括：首先，可将emb经扩展算子(例如Unsqueeze算子)扩展维度，例如从四维张量扩展一个维度变为五维张量；其次，可以经整合算子(例如Concat算子)进行整合；其次，可将扩展维度后的结果经展开算子(例如Gather算子)，按照某个维度循环展开，例如按照第二个维度循环展开，得到多个四维张量的emb_nbr；再次，可将ref与各emb_nbr经乘算子(例如Mul算子)进行点乘；从次，可将各点乘结果经和算子(例如Reduce Sum算子)按照某个维度累加求和，并移除该累加求和的维度；另外，可将各累加求和结果经扩展算子(例如Unsqueeze算子)扩展维度；之后，可将各扩展结果经整合算子(例如Concat算子)进行整合。除此之外，融合emb和ref的过程还可以包括其他运算步骤，例如将整合后的结果利用Sigmoid算子进行映射运算等，在此不进行一一阐述。
上述示例的算子可皆包含于融合算子中，中间运算过程并未出现将中间量向存储空间写入，以及从存储空间读取中间量的操作，即可以持续运算直至得到最终结果。
而传统方案中，融合过程每经过一个算子皆需进行一次中间量的写入和读取。因此，相较于传统方案，本实施例公开的基于融合算子进行帧特征融合，能够减少存储空间内运算中间量的读写操作，可大大减少处理耗时，实现快速超分。
本公开实施例的技术方案，对基于融合算子生成融合特征图的步骤进行了详细描述。基于融合算子，能够根据一次性内存读写操作完成帧特征图的融合，实现特征的快速融合。此外，本公开实施例提供的视频超分辨率方法与上述实施例提供的视频超分辨率方法属于同一公开构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且相同的技术特征在本实施例与上述实施例中具有相同的有益效果。
实施例三
本公开实施例与上述实施例中所提供的视频超分辨率方法中各个可选方案可以结合。本实施例所提供的视频超分辨率方法，对超分方法所采用的模型架构进行了详细描述。
例如，在一些可选的实现方式中，可以通过第一阶段模型，对视频帧进行帧特征图提取；通过第二阶段模型，进行帧特征图对齐，以及将对齐后的帧特征图进行融合；通过第三阶段模型，确定差值图；其中，第一阶段模型、第二阶段模型和第三阶段模型串行执行，且共用存储空间。
其中，三个阶段的模型可以为在Py Torch框架基础上，经过CUDA C/C++重新开发后的模型。在执行超分之前，可以预先估计各阶段模型的需求存储空间，并根据估计最大值进行存储空间资源的申请。从而能够在各阶段模型处理时，使用该存储空间进行数据存储。
其中，估计各阶段模型的需求空间，可以包括：针对各模型，根据模型中包含的若干个算子，预估每个算子所需的数据运算空间，并从中选择最大的数据运算空间；根据模型输入输出数据的大小，确定数据存储空间；根据数据运算空间和数据存储空间，预估出该模型所需的需求空间。
在这些可选的实现方式中，可以按从第一阶段模型到第二阶段模型，再到第三阶段模型的执行顺序，将计算串联起来。由于各模型串联执行，无需预先为各模型申请存储空间，而可以申请一个存储空间，以供各模型依次占用，实现了共用存储空间，降低了对存储空间的需求。从而能够实现在存储空间有限的情况下，成功执行超分方法，提高了超分方法的适用性。
示例性的，图3为本公开实施例三所提供的一种视频超分辨率方法的流程示意图。如图3所示，本实施例中提供的视频超分辨率方法，包括：
S310、获取待超分视频的视频帧，通过第一阶段模型，对各视频帧进行帧特征图提取。
S320、遍历各视频帧，并将当前遍历的视频帧作为目标帧，以目标帧为基准，通过第二阶段模型，将目标帧的相邻帧，与目标帧进行帧特征图对齐。
S330、通过第二阶段模型，基于融合算子，将目标帧和相邻帧的对齐后的帧特征图进行融合，得到目标帧的融合特征图。
其中，融合算子中包含了用于融合各帧特征图的运算算子。
S340、通过第三阶段模型，根据融合特征图确定差值图。
S350、根据差值图以及目标帧经插值后的插值帧，生成经超分处理后的视频帧。
其中，第一阶段模型、第二阶段模型和第三阶段模型串行执行，且共用存储空间。此外，除上述模型架构外，其他的可实现本实施例提供的超分方法的的模型架构也可应用于此，例如第二阶段模型还可以划分为对齐模型和融合模型，以分别执行帧特征图对齐和融合。
在一些可选的实现方式中，第一阶段模型、第二阶段模型和第三阶段模型为进行半精度量化的模型。
其中，对模型进行半精度量化可以包括：将模型参数、模型处理数据在存储和运算过程中，转化为半精度的操作。其中，半精度可以指16位的浮点数。传统方法中，例如PyTorch框架模型仅支持单精度数据(即32位的浮点数)的数据处理。而在本公开这些可选的实现方式中，通过将模型进行半精度量化，使得IO量和计算量得到了大幅减少，从而可以提高超分效率。
示例性的，以YUV 420p格式的视频帧为例，通过三阶段模型进行超分的过程可以包括：将视频输入解码器，得到YUV 420p格式的视频帧，并将视频帧存储在CPU内存上；遍历视频帧，将当前遍历的目标帧，以及目标帧的前后各一帧拷贝至GPU显存，使用自研的GPU图像处理算法将GPU上的视频帧转变成RGB浮点图像；将RGB浮点图像输入第一阶段模型1，得到各帧图像的帧特征图。将帧特征图输入第二阶段模型，以当前遍历的目标帧为基准，将目标帧的相邻帧，与目标帧进行帧特征图对齐；基于融合算子，将目标帧和相邻帧的对齐后的帧特征图进行融合，得到目标帧的融合特征图。将融合特征图输入第三阶段模型，得到差值图。将目标帧进行双线性插值得到插值帧，再将插值帧加上第三阶段模型输出的差值图，得到了目标帧超分后的视频帧，并可以将其格式转换为YUV格式。将超分完成后YUV格式的视频帧，拷贝至CPU内存，直至各视频帧超分完成后即可输出。
经实验证明，组合有本实施例提供的融合算子、优化版本的形变卷积、半精度量化和模型共用显存的超分方法，相较于传统方法，显存占用可以降低至原来的三分之一，计算速度可提升至5倍；使用V100 GPU对分辨率为1920×1080的视频进行超分时，单帧计算时间耗时可以从原来的4.2s减少到744ms，有益效果非常显著。
本公开实施例的技术方案，对超分方法所采用的模型架构进行了详细描述。通过使模型共用显存，能够实现在存储空间有限的情况下，成功执行超分方法，提高了超分方法的适用性。通过将模型进行半精度量化，使得IO量和计算量得到了大幅减少，从而可以提高超分效率。此外，本公开实施例提供的视频超分辨率方法与上述实施例提供的视频超分辨率方法属于同一公开构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且相同的技术特征在本实施例与上述实施例中具有相同的有益效果。
实施例四
图4为本公开实施例四所提供的一种视频超分辨率装置的结构示意图。本实施例提供的视频超分辨率装置适用于对视频进行超分辨率重建的情形，尤其适用于对高分辨率的视频进行超分辨率重建的情形。
如图4所示，视频超分辨率装置包括：
提取模块410，用于获取待超分视频的视频帧，对各视频帧进行帧特征图提取；
对齐模块420，用于遍历各视频帧，并将当前遍历的视频帧作为目标帧，以目标帧为基准，将目标帧的相邻帧，与目标帧进行帧特征图对齐；
融合模块430，用于基于融合算子，将目标帧和相邻帧的对齐后的帧特征图进行融合，得到目标帧的融合特征图；其中，融合算子中包含了用于融合各帧特征图的运算算子；
重建模块440，用于根据融合特征图确定差值图，根据差值图以及目标帧经插值后的插值帧，生成经超分处理后的视频帧。
在一些可选的实现方式中，融合模块，可以具体用于：
从存储空间中，读取目标帧和相邻帧的对齐后的各帧特征图；
将各帧特征图作为融合算子的输入，以基于融合算子输出目标帧的融合特征图；
将融合特征图写入存储空间。
在一些可选的实现方式中，对其模块，可以具体用于：
使用形变卷积将目标帧的相邻帧，与目标帧进行帧特征图对齐；其中，所使用的形变卷积与帧特征图的尺寸具有对应关系。
在一些可选的实现方式中，重建模块，可以具体用于：
使用空域卷积将融合特征图处理为与目标帧分辨率相同的第一特征图并将第一特征图上采样为差值图。
在一些可选的实现方式中，通过第一阶段模型，对各视频帧进行帧特征图提取；通过第二阶段模型，进行帧特征图对齐，以及将对齐后的帧特征图进行融合；通过第三阶段模型，确定差值图；
其中，第一阶段模型、第二阶段模型和第三阶段模型串行执行，且共用存储空间。
在一些可选的实现方式中，第一阶段模型、第二阶段模型和第三阶段模型为进行半精度量化的模型。
在一些可选的实现方式中，待超分视频的分辨率不低于720p格式。
本公开实施例所提供的视频超分辨率装置，可执行本公开任意实施例所提供的视频超分辨率方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。
实施例五
下面参考图5，其示出了适于用来实现本公开实施例的电子设备(例如图5中的终端设备或服务器)500的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(Read-Only Memory，ROM)502中的程序或者从存储装置506加载到随机访问存储器(Random Access Memory，RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置506被安装，或者从ROM502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的视频超分辨率方法中限定的上述功能。
本公开实施例提供的电子设备与上述实施例提供的视频超分辨率方法属于同一公开构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
实施例六
本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的视频超分辨率方法。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)或闪存(FLASH)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
获取待超分视频的视频帧，对各视频帧进行帧特征图提取；遍历各视频帧，并将当前遍历的视频帧作为目标帧，以目标帧为基准，将目标帧的相邻帧，与目标帧进行帧特征图对齐；基于融合算子，将目标帧和相邻帧的对齐后的帧特征图进行融合，得到目标帧的融合特征图；其中，融合算子中包含了用于融合各帧特征图的运算算子；根据融合特征图确定差值图，根据差值图以及目标帧经插值后的插值帧，生成经超分处理后的视频帧。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元、模块的名称在某种情况下并不构成对该单元、模块本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FieldProgrammable Gate Array，FPGA)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、专用标准产品(Application Specific Standard Parts，ASSP)、片上(System on Chip，SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行、装置或设备使用或与指令执行、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，【示例一】提供了一种视频超分辨率方法，该方法包括：
获取待超分视频的视频帧，对各视频帧进行帧特征图提取；
遍历所述各视频帧，并将当前遍历的视频帧作为目标帧，以所述目标帧为基准，将所述目标帧的相邻帧，与所述目标帧进行帧特征图对齐；
基于融合算子，将所述目标帧和所述相邻帧的对齐后的帧特征图进行融合，得到所述目标帧的融合特征图；其中，所述融合算子中包含了用于融合各帧特征图的运算算子；
根据所述融合特征图确定差值图，根据所述差值图以及所述目标帧经插值后的插值帧，生成经超分处理后的视频帧。
根据本公开的一个或多个实施例，【示例二】提供了一种视频超分辨率方法，还包括：
在一些可选的实现方式中，所述基于融合算子，将所述目标帧和所述相邻帧的对齐后的帧特征图进行融合，包括：
从存储空间中，读取所述目标帧和所述相邻帧的对齐后的各帧特征图；
将所述各帧特征图作为所述融合算子的输入，以基于所述融合算子输出所述目标帧的融合特征图；
将所述融合特征图写入所述存储空间。
根据本公开的一个或多个实施例，【示例三】提供了一种视频超分辨率方法，还包括：
在一些可选的实现方式中，所述将所述目标帧的相邻帧，与所述目标帧进行帧特征图对齐，包括：
使用形变卷积将所述目标帧的相邻帧，与所述目标帧进行帧特征图对齐；其中，所使用的形变卷积与所述帧特征图的尺寸具有对应关系。
根据本公开的一个或多个实施例，【示例四】提供了一种视频超分辨率方法，还包括：
在一些可选的实现方式中，所述根据所述融合特征图确定差值图，包括：
使用空域卷积将所述融合特征图处理为与所述目标帧分辨率相同的第一特征图，并将所述第一特征图上采样为差值图。
根据本公开的一个或多个实施例，【示例五】提供了一种视频超分辨率方法，还包括：
在一些可选的实现方式中，通过第一阶段模型，对各视频帧进行帧特征图提取；通过第二阶段模型，进行帧特征图对齐，以及将对齐后的帧特征图进行融合；通过第三阶段模型，确定差值图；
其中，所述第一阶段模型、第二阶段模型和第三阶段模型串行执行，且共用存储空间。
根据本公开的一个或多个实施例，【示例六】提供了一种视频超分辨率方法，还包括：
在一些可选的实现方式中，所述第一阶段模型、第二阶段模型和第三阶段模型为进行半精度量化的模型。
根据本公开的一个或多个实施例，【示例七】提供了一种视频超分辨率方法，还包括：
在一些可选的实现方式中，所述待超分视频的分辨率不低于720p格式。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (10)
1.一种视频超分辨率方法，其特征在于，包括：
获取待超分视频的视频帧，对各视频帧进行帧特征图提取；
遍历所述各视频帧，并将当前遍历的视频帧作为目标帧，以所述目标帧为基准，将所述目标帧的相邻帧，与所述目标帧进行帧特征图对齐；
基于融合算子，将所述目标帧和所述相邻帧的对齐后的帧特征图进行融合，得到所述目标帧的融合特征图；其中，所述融合算子中包含了用于融合各帧特征图的运算算子；
根据所述融合特征图确定差值图，根据所述差值图以及所述目标帧经插值后的插值帧，生成经超分处理后的视频帧。
2.根据权利要求1所述的方法，其特征在于，所述基于融合算子，将所述目标帧和所述相邻帧的对齐后的帧特征图进行融合，包括：
从存储空间中，读取所述目标帧和所述相邻帧的对齐后的各帧特征图；
将所述各帧特征图作为所述融合算子的输入，以基于所述融合算子输出所述目标帧的融合特征图；
将所述融合特征图写入所述存储空间。
3.根据权利要求1所述的方法，其特征在于，所述将所述目标帧的相邻帧，与所述目标帧进行帧特征图对齐，包括：
使用形变卷积将所述目标帧的相邻帧，与所述目标帧进行帧特征图对齐；其中，所使用的形变卷积与所述帧特征图的尺寸具有对应关系。
4.根据权利要求1所述的方法，其特征在于，所述根据所述融合特征图确定差值图，包括：
使用空域卷积将所述融合特征图处理为与所述目标帧分辨率相同的第一特征图，并将所述第一特征图上采样为差值图。
5.根据权利要求1所述的方法，其特征在于，通过第一阶段模型，对各视频帧进行帧特征图提取；通过第二阶段模型，进行帧特征图对齐，以及将对齐后的帧特征图进行融合；通过第三阶段模型，确定差值图；
其中，所述第一阶段模型、第二阶段模型和第三阶段模型串行执行，且共用存储空间。
6.根据权利要求5所述的方法，其特征在于，所述第一阶段模型、第二阶段模型和第三阶段模型为进行半精度量化的模型。
7.根据权利要求1-6任一所述的方法，其特征在于，所述待超分视频的分辨率不低于720p格式。
8.一种视频超分辨率装置，其特征在于，包括：
提取模块，用于获取待超分视频的视频帧，对各视频帧进行帧特征图提取；
对齐模块，用于遍历所述各视频帧，并将当前遍历的视频帧作为目标帧，以所述目标帧为基准，将所述目标帧的相邻帧，与所述目标帧进行帧特征图对齐；
融合模块，用于基于融合算子，将所述目标帧和所述相邻帧的对齐后的帧特征图进行融合，得到所述目标帧的融合特征图；其中，所述融合算子中包含了用于融合各帧特征图的运算算子；
重建模块，用于根据所述融合特征图确定差值图，根据所述差值图以及所述目标帧经插值后的插值帧，生成经超分处理后的视频帧。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的视频超分辨率方法。
10.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的视频超分辨率方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111026000.5A CN113706385A (zh) | 2021-09-02 | 2021-09-02 | 一种视频超分辨率方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111026000.5A CN113706385A (zh) | 2021-09-02 | 2021-09-02 | 一种视频超分辨率方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113706385A true CN113706385A (zh) | 2021-11-26 |
Family
ID=78657427
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111026000.5A Pending CN113706385A (zh) | 2021-09-02 | 2021-09-02 | 一种视频超分辨率方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113706385A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110070511A (zh) * | 2019-04-30 | 2019-07-30 | 北京市商汤科技开发有限公司 | 图像处理方法和装置、电子设备及存储介质 |
| CN110570356A (zh) * | 2019-09-18 | 2019-12-13 | 北京市商汤科技开发有限公司 | 图像处理方法和装置、电子设备及存储介质 |
| CN111047516A (zh) * | 2020-03-12 | 2020-04-21 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
| CN112365403A (zh) * | 2020-11-20 | 2021-02-12 | 山东大学 | 一种基于深度学习和相邻帧的视频超分辨率恢复方法 |
| CN112700392A (zh) * | 2020-12-01 | 2021-04-23 | 华南理工大学 | 一种视频超分辨率处理方法、设备及存储介质 |
| CN112950471A (zh) * | 2021-02-26 | 2021-06-11 | 杭州朗和科技有限公司 | 视频超分处理方法、装置、超分辨率重建模型、介质 |
| CN113065639A (zh) * | 2021-03-08 | 2021-07-02 | 深圳云天励飞技术股份有限公司 | 算子融合方法、系统、设备及存储介质 |
-
2021
- 2021-09-02 CN CN202111026000.5A patent/CN113706385A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110070511A (zh) * | 2019-04-30 | 2019-07-30 | 北京市商汤科技开发有限公司 | 图像处理方法和装置、电子设备及存储介质 |
| CN110570356A (zh) * | 2019-09-18 | 2019-12-13 | 北京市商汤科技开发有限公司 | 图像处理方法和装置、电子设备及存储介质 |
| CN111047516A (zh) * | 2020-03-12 | 2020-04-21 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
| CN112365403A (zh) * | 2020-11-20 | 2021-02-12 | 山东大学 | 一种基于深度学习和相邻帧的视频超分辨率恢复方法 |
| CN112700392A (zh) * | 2020-12-01 | 2021-04-23 | 华南理工大学 | 一种视频超分辨率处理方法、设备及存储介质 |
| CN112950471A (zh) * | 2021-02-26 | 2021-06-11 | 杭州朗和科技有限公司 | 视频超分处理方法、装置、超分辨率重建模型、介质 |
| CN113065639A (zh) * | 2021-03-08 | 2021-07-02 | 深圳云天励飞技术股份有限公司 | 算子融合方法、系统、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111460876B (zh) | 用于识别视频的方法和装置 | |
| CN110298851B (zh) | 人体分割神经网络的训练方法及设备 | |
| CN111598902B (zh) | 图像分割方法、装置、电子设备及计算机可读介质 | |
| CN112381717A (zh) | 图像处理方法、模型训练方法、装置、介质及设备 | |
| CN113689372B (zh) | 图像处理方法、设备、存储介质及程序产品 | |
| CN111935425B (zh) | 视频降噪方法、装置、电子设备及计算机可读介质 | |
| CN111325704A (zh) | 图像修复方法、装置、电子设备及计算机可读存储介质 | |
| CN112330788A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
| CN115346278A (zh) | 图像检测方法、装置、可读介质及电子设备 | |
| CN114399814A (zh) | 一种基于深度学习的遮挡物移除和三维重建方法 | |
| CN112907628A (zh) | 视频目标追踪方法、装置、存储介质及电子设备 | |
| CN110751251B (zh) | 生成、变换二维码图像矩阵的方法和装置 | |
| CN114066722B (zh) | 用于获取图像的方法、装置和电子设备 | |
| CN113706385A (zh) | 一种视频超分辨率方法、装置、电子设备及存储介质 | |
| CN114972021A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
| CN115170395A (zh) | 全景图像拼接方法、装置、电子设备、介质和程序产品 | |
| CN114419298A (zh) | 虚拟物体的生成方法、装置、设备及存储介质 | |
| CN115706810A (zh) | 视频帧调整方法、装置、电子设备和存储介质 | |
| CN112070888A (zh) | 图像生成方法、装置、设备和计算机可读介质 | |
| CN111738958B (zh) | 图片修复方法、装置、电子设备及计算机可读介质 | |
| CN112308809A (zh) | 一种图像合成方法、装置、计算机设备及存储介质 | |
| CN114565586B (zh) | 息肉分割模型的训练方法、息肉分割方法及相关装置 | |
| CN111738899B (zh) | 用于生成水印的方法、装置、设备和计算机可读介质 | |
| CN116188256A (zh) | 超分图像处理方法、装置、设备及介质 | |
| CN111583283B (zh) | 图像分割方法、装置、电子设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |