作者单位：电子科技大学、国防科技大学

译者：Wangsy

论文、代码地址：在公众号「3D视觉工坊」，后台回复「三维卷积」，即可直接下载。

看点

问题：之前的方法的空间特征提取和时间运动补偿往往是顺序的，无法充分利用时空信息

方法：提出了一个利用可变形3D卷积（D3D）的可变形三维卷积网络（D3Dnet）来整合视频的时空信息

优点：D3D作为一个可以同时整合时间和空间的组件，具有优越的时空建模能力和灵活的运动感知建模能力，同时，D3Dnet还实现了当时的SOTA

 

方法

可变形3D卷积

可变形3D卷积把3D卷积和在二维空间的可变性卷积结合在了一起，普通的C3D通过以下两个步骤实现：

1）对输入特征x使用三维卷积核进行采样

2）用函数w对采样值进行加权求和

具体地说，通过一个膨胀率为1的3×3×3卷积核的特征可以表示为：

 

 

D3D是在C3D的基础上改进而来的，它可学习偏移量从而扩大空间感受野。首先将尺寸为C×T×W×H的输入特征输入到C3D，以生成尺寸为2N×T×W×H的特征偏移，这些特征偏移的通道数被设置为2N。然后，利用学习到的特征偏移引导普通C3D采样网格（即浅橙色立方体）的变形，生成D3D采样网格（即深橙色立方体）。最后，利用D3D采样网格生成输出特征，公式如下：

 

 

 

可变形三维卷积网络

首先将具有7帧的视频序列馈入到C3D层以生成特征，然后将这些特征馈入到5个残差D3D（resD3D）块以实现运动感知的深层时空特征提取。然后利用瓶颈层对提取的特征进行融合。最后，由6个级联的残差块和一个亚像素卷积层来进行SR重建。使用均方误差（MSE）作为网络的训练损失。

 

实验

实施细节

使用Vimeo-90k数据集作为训练集。采用BI的降质方式，然后，随机裁剪成32×32大小的patch作为输入。使用随机翻转和旋转来增加训练数据。此外，还额外使用基于运动的视频完整性评价指标MOVIE和时间MOVIE（T-MOVIE）来评价时间一致性。

消融实验

对于两阶段模型，使用n个残差块和可变形对齐模块替换resD3D块去依次执行空间特征提取和时间运动补偿。对于单阶段模型，将resD3D块替换为resC3D块，以便在不发生空间变形的情况下将这两个步骤整合在一起，对比如下图：

 

采用C3D比双阶段方法高0.1的PSNR。采用resD3D比C3D高0.4PSNR，但是要增加0.19M的参数量。

D3Dnet在不同输入帧数（3、5、7）下的结果如下图所示

 

可以观察到，随着输入帧数的增加，性能有所提高。具体地说，当输入帧数从3增加到7时，PSNR提高了0.3dB。这是因为更多的输入帧引入了额外的时间信息，这对视频SR是有利的。

量化评估

下图的性能评估中，不计算前两帧和后两帧。此外，EDVR和DUF-VSR没有包括在下图的比较中，因为计算成本差距很大。

 

在时间一致性上表现良好。运算时间为VID4测试集20帧测试时间，相比其他没有使用3D卷积的方法，仍存在计算时间长的问题。

 

备注：作者也是我们「3D视觉从入门到精通」特邀嘉宾：一个超干货的3D视觉学习社区

本文仅做学术分享，如有侵权，请联系删文。