《表1 VF与合成帧质量PSNR对比》
dB
基于上述考虑,本文选择使用自适应可分离网络(adaptive separable CNN,ASCNN)[14]来预测当前帧的VF.ASCNN能够根据输入的2幅图像插值出它们中间的一幅图像,利用这种特性,2个邻近的高质量帧可以插值出中间低质量帧的VF.为验证该VF的质量,本文将其与常见的运动补偿方法,即通过光流法插值得到的中间帧进行了对比.如表1所示,重建图像的第1帧与第3帧经过ASCNN预测得到了第2帧的VF;同时,使用光流法FlowNet 2.0[15]将第1帧与第3帧进行对齐,再经过像素加权平均计算得到了合成的第2帧.通过表1的对比可发现,VF的客观质量明显高于光流合成帧.值得注意的是,ASCNN预测法对运动剧烈的序列效果尤为明显,如在序列BasketballDrill上,ASCNN得到的VF比光流法得到的合成帧的PSNR高出2.91 dB,而序列FourPeople由于运动不太剧烈,因此两者质量差距不大.
图表编号 | XD00163085600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.05.01 |
作者 | 丁丹丹、吴熙林、佟骏超、姚争为、潘志庚 |
绘制单位 | 杭州师范大学信息科学与工程学院、杭州师范大学信息科学与工程学院、杭州师范大学信息科学与工程学院、杭州师范大学信息科学与工程学院、杭州师范大学信息科学与工程学院、广州玖的数码科技有限公司 |
更多格式 | 高清、无水印(增值服务) |