本文介绍了一种基于时间变形对齐网络的视频超分辨率模型，能够动态预测采样卷积核偏移，从而实现高质量的视频重建。研究提出了循环残差网络和双向交互时空超分辨率等新方法，显著提升了计算效率和重建效果。实验结果显示，这些方法在不同视频长度和动态性下均表现优越。

本研究提出了多种图像和视频超分辨率技术，包括紧凑的hourglass形CNN结构、AdaDSR方法和基于深度神经网络的视频传输技术。这些方法显著提升了处理速度和恢复质量，同时降低了计算成本和内存消耗。

该论文介绍了多种视频超分辨率算法，包括3DSRnet、FSTRN和基于时间调制网络的方法。这些算法通过利用时空特征和创新的网络架构，提高了低分辨率视频的空间和时间分辨率，并在计算效率和准确性上优于现有技术。

本文研究了模糊图像恢复的挑战，提出了模糊插值变换器（BiT）方法和混合相机系统，展示了其在真实模糊场景中的优势。同时介绍了多种基于深度学习的模型，如BSSTNet和BSVSR，针对视频超分辨率问题进行了解决，实验结果表明这些方法在清晰度和细节上优于现有技术。

本文介绍了一种新的视频超分辨率方法，利用事件的高时空分辨率特性，通过空时插值和多种模块结合RGB帧与事件特征图，显著提高图像质量。实验结果表明，该方法在重建高分辨率图像方面优于现有技术。

本文介绍了基于扩散模型的视频超分辨率和编辑方法，强调时间一致性与质量的平衡。研究提出的新算法和网络结构显著提升了视频的感知质量和处理效率，有效解决了视频生成中的时间不连贯问题，并在多个基准测试中表现优异。

该论文提出了一种随机洗牌方法来模拟真实的降级因素，并在合成的数据集上训练深度神经网络，以提高视频超分辨率。结果显示，该方法在NRQM方面提高了7.1％，在BSRGAN方面提高了3.34％。同时，该论文还提出了一个包含高分辨率真实视频的数据集，可作为基准测试的参照。

该论文研究了基于深度学习的33种视频超分辨率方法，并提出了分类法。通过总结和比较性能，讨论了VSR领域的挑战。这项工作对深化对VSR技术的理解有贡献，并是该领域中最早的系统研究之一。

本文提出了一种新的时空视频上采样方法，利用深度学习网络框架融合视频超分辨率和帧插值，计算时间加快了7倍，参数数量减少30%，同时实现更好的定量和定性结果。