3 个月前

流边引导的视频补全

流边引导的视频补全

摘要

我们提出了一种新型基于光流的视频补全算法。以往的光流补全方法往往难以保持运动边界的清晰度。我们的方法首先提取并补全运动边缘,随后利用这些边缘指导具有清晰边界的分段平滑光流补全。现有方法通常在相邻帧之间的局部光流连接中传播颜色信息,然而由于运动边界构成不可穿透的屏障,许多缺失区域无法通过这种方式被有效覆盖。为解决这一问题,我们的方法引入了跨时域的非局部光流连接,实现跨越运动边界的视频内容传播。我们在DAVIS数据集上验证了所提方法的有效性。实验结果表明,无论是视觉效果还是定量指标,我们的方法均优于当前最先进的算法。

代码仓库

vt-vl-lab/FGVC
官方
pytorch
GitHub 中提及

基准测试

基准方法指标
video-inpainting-on-davisFGVC
Ewarp: 0.1586
PSNR: 30.80
SSIM: 0.9497
VFID: 0.165
video-inpainting-on-hqvi-240pFGVC
LPIPS: 0.0409
PSNR: 28.37
SSIM: 0.9383
VFID: 0.2436
video-inpainting-on-hqvi-480pFGVC
LPIPS: 0.0388
PSNR: 28.63
SSIM: 0.9433
VFID: 0.0470
video-inpainting-on-youtube-vosFGVC
Ewarp: 0.1022
PSNR: 29.67
SSIM: 0.9403
VFID: 0.064

用 AI 构建 AI

从想法到上线——通过免费 AI 协同编程、开箱即用的环境和市场最优价格的 GPU 加速您的 AI 开发

AI 协同编程
即用型 GPU
最优价格
立即开始

Hyper Newsletters

订阅我们的最新资讯
我们会在北京时间 每周一的上午九点 向您的邮箱投递本周内的最新更新
邮件发送服务由 MailChimp 提供
流边引导的视频补全 | 论文 | HyperAI超神经