.png){kind=icon}
返回
Deblurring with Improved Video Diffusion Model
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-04546-1_5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
视频去模糊面临来自相机运动和物体运动的复杂模糊模式带来的显著挑战。虽然现有方法主要依赖PSNR等基于失真的指标进行评估，但这些度量与人类视觉感知的关联性有限，且倾向于产生不真实的重建结果。扩散模型的最新进展已展现出生成逼真视觉内容的卓越能力，图像扩散模型实现了照片级真实感合成，视频扩散模型则在时序一致性方面显示出潜力。本文提出DIVD：改进型视频扩散模型去模糊，专门针对去模糊任务设计。我们的框架引入两项关键改进：1）基于窗口的时序自注意力（WTSA）以利用帧间依赖关系；2）多帧相对位置编码（MRPE）以处理帧间不一致性。大量实验证明，我们的模型在多种感知指标上达到最优性能，同时保持有竞争力的失真指标。定性评估显示，相比现有方法，本方法在细节保留方面有显著提升。本研究成功将扩散模型应用于视频去模糊，有效解决了传统方法在真实感方面的局限性。
Keyword:
Video Deblurring
Diffusion Model
Temporal Coherence
期刊
A
IF:
0
论文数:
42
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏Recurrent Video Deblurring with Blur-Invariant Motion Estimation and Pixel Volumes具有模糊不变运动估计和像素体积的递归视频去模糊
OAAI
OAAI分享收藏
查看更多内容