摘  要

 

随着通信技术和互联网技术的飞速发展，人们对于高流畅度视频的需求不断增加，使得超帧率技术在计算机视觉和视频处理领域引起了越来越多的关注。在连续两个帧作为输入的情况下产生具有更高帧率和平滑视图过渡的视频，称之为视频超帧率技术。我们提出：如果插值帧可以用于重构高质量的输入帧，则它们将更加可靠。基于此构想，我们使用了循环一致性损失。循环一致性损失可以更好地利用训练数据，提高输入帧和插值帧的相似性，以增强插值结果。除了循环一致性损失外，我们还使用了多个扩展，包括运动线性损失、边缘引导训练、特征提取网络和残差增强网络。运动线性损失使两个输入帧之间的运动近似为线性，并使训练正规化。通过应用边缘引导训练，将边缘信息集成到训练中进一步改善了插帧结果。使用特征提取网络学习输入图片的上下文特征，提高对其他噪声的抗干扰，更加符合原图特征。使用残差网络对输出帧进行特征增强。使用两阶段方式进行训练，定性和定量实验均表明，我们的模型较以往方法有一定的性能增益。

 

关键词：超帧率技术，循环一致性损失， 特征提取，残差网络

目  录

 

第一章 绪论 1

1.1 课题背景及研究目的和意义 1

1.2 国内外研究现状及分析 1

1.2.1视频插帧基础 2

1.2.2循环一致性约束 2

1.2.3 基于深度学习的视频插帧方法 2

1.3 本文的主要研究内容 3

第二章 基于循环一致性损失的视频插帧模型 4

2.1 网络结构 4

2.2 边缘引导训练 4

2.3 循环一致性损失 5

2.4 特征提取网络 5

2.5 运动线性损失 7

2.6 ResNet残差增强网络 7

第三章 实验设置与结果 9

3.1 数据集准备 9

3.1.1 训练集 9

3.1.2 测试集 9

3.2 训练策略 9

3.2.1 损失函数 9

3.2.2 具体实现 10

3.3 性能对比 10

3.4 主观质量 10

3.5 缺陷和不足 11

第四章 结论 12

参考文献 13

致  谢 15