内容提要
本文提出了一种改进的对抗扩散压缩方法（AdcVSR），用于真实世界视频超分辨率。该方法通过剪枝和轻量级一维卷积，显著降低模型参数和推理时间，同时保持视频质量。实验结果表明，AdcVSR在减少95%参数的同时，实现约8倍的速度提升，优化了细节生成与时域一致性。
关键要点
-
提出了一种改进的对抗扩散压缩方法（AdcVSR），用于真实世界视频超分辨率。
-
AdcVSR通过剪枝和轻量级一维卷积显著降低模型参数和推理时间，同时保持视频质量。
-
实验结果显示，AdcVSR在减少95%参数的同时，实现约8倍的速度提升。
-
现有扩散模型在真实世界视频超分辨率任务中推理速度较慢，单步生成网络有所改善，但仍存在参数庞大和推理延迟的问题。
-
对抗扩散压缩（ADC）方法通过剪枝与蒸馏将模型压缩为轻量的AdcSR网络，但在细节生成与时域一致性之间难以平衡。
-
AdcVSR结合了3D时空注意力的扩散Transformer教师模型DOVE，经过剪枝得到2D Stable Diffusion结构，并引入轻量级1D时域卷积。
-
提出双头对抗蒸馏策略，在像素域和特征域分别引入判别器，以优化细节质量与时间一致性。
-
AdcVSR在保持视频质量的同时，显著提升了推理效率，达到了良好的保真度、细节丰富度、时域一致性与计算效率的平衡。
延伸问答
AdcVSR方法的主要创新点是什么？
AdcVSR通过剪枝和轻量级一维卷积显著降低模型参数和推理时间，同时保持视频质量，提出双头对抗蒸馏策略优化细节质量与时域一致性。
AdcVSR在视频超分辨率任务中的表现如何？
AdcVSR在保持视频质量的同时，减少了95%的参数量，并实现约8倍的推理速度提升。
对抗扩散压缩（ADC）方法的作用是什么？
ADC方法通过剪枝与蒸馏将大型模型压缩为轻量的AdcSR网络，旨在提高视频超分辨率的效率和质量。
AdcVSR如何解决细节生成与时域一致性之间的冲突？
AdcVSR通过双头对抗蒸馏策略，在像素域和特征域分别引入判别器，实现细节质量与时域一致性的解耦优化。
AdcVSR的模型结构设计有什么特点？
AdcVSR采用2D+1D的网络结构，利用剪枝后的2D Stable Diffusion骨架生成细节，并通过轻量级1D时域卷积建模帧间一致性。
AdcVSR在实验中使用了哪些评估指标？
实验使用了全参考指标PSNR、SSIM、LPIPS、DISTS，以及无参考指标MANIQA、CLIPIQA、MUSIQ作为评估指标。
