基于SPNet的视频运动放大方法

摘要

视频运动放大技术在很多领域应用广泛,但是由于关注的运动过于微弱,很容易与视频噪声混淆,容易产生伪影和模糊噪声.为了克服传统算法在细节上的缺失和基于学习的算法在放大倍数上的限制,将手动设计滤波器与课程学习策略相结合,提出了基于可控金字塔分解的网络结构(SPNet),它在处理大幅度运动场景的同时也能具有更大的放大范围,且能保留更多细节.结果表明,在图像细节上优于传统算法,并且与基于机器学习的视频运动放大方法相比也有很大的优势.