（开源）视频画面增强模型：Ev-DeblurVSR (可以解决视频画面不清晰的问题)
在计算机视觉领域，模糊视频超分辨率（BVSR）是一个复杂且具有挑战性的任务，目标是从低分辨率（LR）和模糊的输入生成高分辨率（HR）视频。传统方法常常因缺乏足够运动信息和高频细节而表现不佳。为了解决这些问题，研究人员开始探索创新方法，例如利用事件相机捕捉场景变化，而非依赖传统帧式图像。
Ev-DeblurVSR 是一个由中国科学技术大学的研究团队（包括 Dachun Kai、Yueyi Zhang、Jin Wang、Zeyu Xiao、Zhiwei Xiong 和 Xiaoyan Sun）开发的项目，于 2025 年 AAAI 会议上发表。该项目首次提出了一种事件增强的模糊视频超分辨率方案，旨在通过整合事件信号来提升视频质量。
| 方面 | 详情 |
|---|---|
| 项目名称 | 事件增强模糊视频超分辨率（Ev-DeblurVSR） |
| 会议 | AAAI 2025 |
| 论文 URL | arXiv 页面 |
| 项目页面 URL | https://dachunkai.github.io/ev-deblurvsr.github.io/ |
| 仓库 URL | GitHub 仓库 |
| 作者 | Dachun Kai, Yueyi Zhang, Jin Wang, Zeyu Xiao, Zhiwei Xiong, Xiaoyan Sun |
| 隶属机构 | 中国科学技术大学 |
| 发布日期 | - 预训练模型和测试集：2025/04/17 - 视频演示：2025/01/07 - 仓库初始化：2024/12/15 - 论文接受：2024/12/09 |
| 使用数据集 | - 合成：GoPro (GoPro 数据集), BSD (BSD 数据集) - 真实世界：NCER (NCER 数据集) |
| 预训练模型 | - EvDeblurVSR_GOPRO_BIx4.pth - EvDeblurVSR_BSD_BIx4.pth - EvDeblurVSR_NCER_BIx4.pth 下载：https://github.com/DachunKai/Ev-DeblurVSR 百度云 |
| 测试集下载 | 百度云, |
| 缩放比例 | 4× SR 缩放 |
| 许可 | Apache 2.0 (许可详情) Apache 2.0 协议() |
效果1：
效果2：
演示视频地址1：
https://private-user-images.githubusercontent.com/66354783/434891513-0c030756-f2a0-4a9d-81a2-99943a0f881f.mp4?jwt=eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9.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.pmasai1aQoO1Dn4kK9S-KL-1RojT1ejuby8tdd6ZcsY
演示视频地址2：
https://private-user-images.githubusercontent.com/66354783/434891145-cb7c3a62-5927-4f5a-8aec-258d7e1d513e.mp4?jwt=eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9.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.K-fHJKlXLspFQSzMfXYaO_JiUsKncUrfEYWSS1dhJxA
技术细节
Ev-DeblurVSR 的核心创新在于其架构设计，具体包括两个模块：
互助特征去模糊（RFD）模块：该模块通过帧与帧内事件之间的相互作用，增强特征表示并改善去模糊效果。它通过双向信息流帮助解决模糊问题。
混合形变对齐（HDA）模块：该模块结合帧间事件和光流进行运动估计优化，通过形变对齐技术确保帧间的高精度匹配。
这些模块共同解决了传统 BVSR 方法中缺乏高频细节和运动信息的问题，显著提升了超分辨率质量。
性能与评估
该方法在多个数据集上进行了评估：
合成数据集：GoPro 和 BSD，分别从 GoPro 数据集 和 BSD 数据集 获取。
真实世界数据集：NCER，来源为 NCER 数据集。
性能指标显示，Ev-DeblurVSR 相较于之前的领先方法 FMA-Net，在以下数据集上取得了显著提升：
GoPro：+3.27dB
BSD：+2.88dB
NCER：+2.59dB
此外，在真实数据上的处理速度提高了 7.28 倍，体现了其在效率上的优势。
可用性与应用
Ev-DeblurVSR 的代码和预训练模型可在 GitHub 仓库 免费获取，仓库中还包括测试集下载链接（如 百度云 和 Google Drive）。该项目采用 Apache 2.0 许可，鼓励学术和工业界的进一步开发。
其潜在应用包括但不限于监控系统、自动驾驶和视频编辑等领域，尤其是在需要高品质视频增强的场景中。
相关工作与影响
Ev-DeblurVSR 构建于多个现有工作的基础上，包括 EvTexture (EvTexture 仓库), BasicSR (BasicSR 仓库), BasicVSR++ (BasicVSR++ 仓库), RAFT (RAFT 仓库), 和 event_utils (event_utils 仓库)。这些相关工作为其提供了技术基础和灵感。
该项目的发布日期包括预训练模型和测试集于 2025/04/17 发布，视频演示于 2025/01/07 发布，仓库初始化于 2024/12/15，论文接受于 2024/12/09，均与当前时间（2025 年 4 月 27 日，太平洋夏令时下午 4:01）一致。
结论
Ev-DeblurVSR 代表了模糊视频超分辨率领域的重要进展，通过整合事件信号，它有效解决了传统方法中的关键限制，并在性能和效率上设定了新基准。该工作为监控、自动驾驶等需要高品质视频增强的领域开辟了新的可能性。