《图像去噪及增》PPT课件.ppt

《《图像去噪及增》PPT课件.ppt》由会员分享，可在线阅读，更多相关《《图像去噪及增》PPT课件.ppt（137页珍藏版）》请在三一办公上搜索。

1、图像去噪及增强,赵永强西北工业大学 自动化学院,1,图像处理中所用到的图像往往含有噪声，需要用图像滤波的方法去除噪声。,噪声图像,滤除噪声图像,1 图像滤波,直方图是一个二维坐标系，横轴表示整幅图像上灰度值的变化范围，纵轴表示每个灰度值的统计个数。直方图能够反映灰度图像的灰度分布特征。,原始图像,直方图,1 图像滤波,r,s,r,s,1 图像滤波,灰度直方图反映图像的灰度分布特征,1 图像滤波,1 图像滤波,1 图像滤波,1 图像滤波,直方图均衡算法可以有效地提高图像视觉的对比度,直方图均衡算法不增加图像的灰度分辨率,直方图均衡算法可能丢失图像细节,直方图均衡算法用于图像处理流程的显示环节,自

2、动处理/分析过程中不使用直方图均衡算法,1 图像滤波,原始图像,平滑图像,1 图像滤波,原始图像,平滑图像,1 图像滤波,线性平滑滤波邻域平均,邻域平均每个像素点用它邻域像素的平均值作为平滑结果33模板：邻域平均，平滑滤波确实会将噪声点减弱，但是同时也是整个图像的跟为模糊，可视的细节逐渐减少，而且运算量也非常大。有关模板与图像的运算涉及到图像卷积，接下来介绍一下图像卷积的原理。,1 图像滤波,图像卷积,图像平滑中，有关模板的运算都用到了图像卷积的概念。卷积模板中的各个位置对应的是权重系数，例如：a1a9可以根据具体需要来确定数值。卷积就是将模板的中心a5对应好所处理的当前像素点，系数与图像上的

3、灰度值一一对应相乘，得到的数值作为所处理像素点的新的灰度值。,1 图像滤波,噪声图像,2 x 2,3 x 3,4 x 4,1 图像滤波,33,55,1 图像滤波,单帧,8帧迭加,16帧迭加,64帧迭加,128帧迭加,1 图像滤波,加权平均,同一尺寸的模板，不同位置的系数不同；距离模板中心越近的像素点的权重越大，同理越远的越小；为了减少计算量，将模板系数最小值设为1，其他的按等比数列递增，中心系数最大；,1 图像滤波,根据高斯分布确定模板系数,高斯函数：代表邻域像素点距离中心像素点的距离，可以用欧几里德距离来表示。可以通过调整，来控制平滑效果的程度。高斯系数跟距离成反比。,1 图像滤波,噪声图像

4、,2 x 2,3 x 3,4 x 4,1 图像滤波,非线性滤波,线性滤波平滑噪声的同时，也损坏了非噪声区域的信号；采用非线性滤波可以保留信号的同时，滤除噪声。非线性滤波的典型方法是：中值滤波。,1 图像滤波,中值滤波,一维中值滤波模板尺寸为，,原始数据,中值滤波,均值滤波,1 图像滤波,二维中值滤波,公式：二维中值滤波更加广泛的应用于图像滤波当中,1 图像滤波,排序取中值,二维中值滤波,1 图像滤波,中值滤波的步骤,将模板在图中漫游，并将模板中心与图中某个像素位置重合；读取模板下各对应像素的灰度值；将这些灰度值从小到大排成一列；找出这些值的中间值；将这个值赋给对应模板中心位置的像素。,1 图像

5、滤波,噪声图像,中值滤波3x3,1 图像滤波,平均滤波与中值滤波比较,噪声图像,均值滤波,中值滤波,均值滤波和中值滤波都采用的是2x2 的模板,1 图像滤波,红外图像的特点 场景温度动态范围大 局部温度分布较平滑 相邻位置的温度相关性较高，温差较小，对比度较差。有效场景信息集中于少量灰度级,红外图像细节增强技术已经成为非均匀性校正技术后提高热成像系统性能的又一研究热点问题,2 红外图像增强,数字细节增强技术（DDE，Digital Detail Enhancement）,2 红外图像增强,研究背景、应用需求及意义,数字细节增强技术（DDE，Digital Detail Enhancement）

6、FLIR B系列FLIR P系列FLIR S系列FLIR M系列FLIR HM系列FLIR RANGE系列,红外图像细节增强处理在成像过程中的两个切入点：,2 红外图像增强,传统的空域和频域图像增强处理 空域处理典型方法：高频增强和非锐化掩膜（Unsharp Masking）低通滤波（LP,LowPass Filtering）；高通滤波（HP,HighPass Filtering）应用特点及适用图像高频增强：场景中包含大量的边沿、轮廓和线条信息。非锐化掩膜：场景包含的细节信息以低对比度、小区域灰度值聚集的形式为主,高频增强,2 红外图像增强,传统的空域和频域图像增强处理 频域处理：将图像转换到

7、傅里叶频域，利用高通滤波滤波器实现对高频成分的增强处理。传统空域和频域图像增强处理特点：直观、易理解，运行效率高，方便实现硬件的实时处理。缺点：图像噪声会被放大，信噪比和视觉感受降低，出现“光晕”现象,2 红外图像增强,传统红外图像细节增强原理及方法,基于图像直方图的增强处理 直方图均衡化（HE,Histogram Equalization）算法目的：概率密度分布函数（PDF,Probability Density Function）均匀分布，熵值最大化（理论值）,GHE处理结果,AHE处理结果,2 红外图像增强,传统红外图像细节增强原理及方法,基于图像直方图的增强处理 直方图投影（HP,Hi

8、stogram Projection）算法原由：灰度级范围内存在PDF为零的灰度级，灰度级范围内会出现冗余现象HP改进算法：1.阈值处理：设定PDF阈值，进一步有效提高图像对比度。2.非均匀性拉伸：给不同灰度范围指定不同的权重，实现不同程度的灰度拉伸。优点：HP处理能充分利用有限的灰度级来实现对比度增强；阈值的加入，能有效降低处理结果中的噪声影响。缺点：对细节的增强效果有限；阈值和非线性拉伸难以实现有效的自适应选取。,2 红外图像增强,传统红外图像细节增强原理及方法,基于图像直方图的增强处理 平台直方图均衡化（PE,Plateau Equalization)算法原由：HE处理会使高PDF灰度级

9、对低PDF灰度级造成“推挤”效应。PE可以视作HE与HP的有机组合（高于阈值的部分，按照HP处理；低于阈值的部分，按照HE处理）优点：可以有效调节高PDF输出占用较大的灰度级范围，提高低PDF细节的对比度。缺点：平台阈值无法根据图像特征自适应的选取，合适的阈值要靠人工判读和先验经验来确定。,2 红外图像增强,传统红外图像细节增强原理及方法,基于图像直方图的增强处理 对比度受限自适应直方图均衡化（CLAHE,Contrast Limited Adaptive Histogram Equalization)算法原由：HE处理会使高PDF灰度级对低PDF灰度级造成“推挤”效应。优点：可以在降低高PD

10、F的同时，提高低PDF的数值，从而使高PDF输出灰度级范围受到限制，低PDF输出灰度级范围得到增加，最终实现对比度增强。缺点：平台阈值无法根据图像特征自适应的选取，合适的阈值要靠人工判读和先验经验来确定。,2 红外图像增强,传统红外图像细节增强原理及方法,基于图像直方图的增强处理 局域交叠子块直方图均衡化（POSHE，Partially Overlapped Sub-block Histogram Equalization）算法原由：在算法复杂度（GHE）和处理效果（AHE）之间实现折中的选择。特点：图像分割成有限子块，对每个子块都进行HE处理，并通过添加权重来减小边界分割效应,3 红外图像增

11、强,新型图像对比度和细节增强方法,Retinex图像增强方法算法原由：模拟人眼对信息的获取过程，将图像模型化为光照分布和场景反射两个过程。图像的大动态背景信息通常位于光照分布中，而细节信息则位于场景反射中。图像方程：处理方程：优点：处理结果包含的细节信息丰富，运算量较小。缺点：空间的光照分布决定细节的表现程度，准确估计空间光照有难度。,3 红外图像增强,新型图像对比度和细节增强方法,基于小波的图像增强方法算法原由：傅里叶变换是一种整体信息的变换，因此无法针对特殊的独立目标进行进行独立的增强处理。特点：能够对所关心区域的图像细节进行增强，且对细节信息的挖掘程度完全由小波的分解程度决定。可以对不同

12、区域、不同目标实现有针对性且有效地增强处理。,3 红外图像增强,新型图像对比度和细节增强方法,红外图像的彩色化处理算法原由：人眼对灰度的敏感度远不及对彩色的敏感度。伪彩色处理缺点：不利于长时间观察，人眼对场景的正常理解和感知存在较大的差异。彩色融合特点：在红外场景信息的基础上，添加进微光场景信息，从而增加融合图像的信息量并以彩色的方式显示出来。基于自然场景的图像彩色化处理特点：经过处理的图像场景与人眼对正常真实场景的感知具有相似性。,3 红外图像增强,3 红外图像增强,典型红外场景细节增强处理,大动态红外场景细节增强处理,3 红外图像增强,红外图像细节增强技术发展趋势,提高探测器空间分辨率和A

13、D的量化精度增强算法的通用性研究细节评价客观标准的建立,3 红外图像增强,图像超分辨率是指由一幅低分辨率图像或图像序列恢复出高分辨率图像图像超分辨率技术分为超分辨率复原和超分辨率重建单帧图像超分辨基于插值的方法基于重建的方法基于先验的方法基于正则化的方法基于学习的方法Belief Propagation的方法流形学习稀疏编码多帧图像超分辨,4 图像超分辨率,Satellite imaging,应用,4 图像超分辨率,Aerial Imaging,应用,4 图像超分辨率,8 images*,ratio 1:4,Data Transmission,应用,4 图像超分辨率,Plate Reading

14、,应用,4 图像超分辨率,Surveillance cameras,应用,4 图像超分辨率,4 图像超分辨率,应用,Super-Resolution Vision System(SRVS),大气扰动效应是影响近地成像系统分辨率的关键因素利用由扰动产生的微引力透镜现象，可以捕获高分辨率的图像信息图像中鲜有高分辨率区域，但是在所有帧中总有一些高分辨区域,4 图像超分辨率,应用,平均100帧短曝光时间的图像利用100帧中的高分辨区域的超分辨图像,4 图像超分辨率,4 图像超分辨率,图像变形,Image filtering:change range of image g(x)=h(f(x),Image

15、 warping:change domain of imageg(x)=h(f(x),4 图像超分辨率,Image filtering:change range of image g(x)=h(f(x),Image warping:change domain of imageg(x)=h(f(x),f,g,f,g,图像变形,4 图像超分辨率,参数(全局)变形,Examples of image warps:,translation,rotation,aspect,affine,perspective,cylindrical,图像变形,4 图像超分辨率,Transformation T is a

16、 coordinate-changing machine:p=T(p)What does it mean that T is global?Is the same for any point pcan be described by just a few numbers(parameters)Represent T as a matrix:p=W*p,p=(x,y),p=(x,y),图像变形,4 图像超分辨率,Scaling a coordinate means multiplying each of its components by a scalarUniform scaling mean

17、s this scalar is the same for all components:,2,图像比例变化,4 图像超分辨率,Non-uniform scaling:different scalars per component:,图像比例变化,4 图像超分辨率,Scaling operation:Or,in matrix form:,scaling matrix S,图像比例变化,4 图像超分辨率,This is easy to capture in matrix form:Even though sin(q)and cos(q)are nonlinear to q,x is a line

18、ar combination of x and yy is a linear combination of x and y,R,图像旋转,4 图像超分辨率,What types of transformations can be represented with a 2x2 matrix?,2D Identity?,2D Scale around(0,0)?,图像变换的矩阵表示,4 图像超分辨率,What types of transformations can be represented with a 2x2 matrix?,2D Rotate around(0,0)?,2D Shear?

19、,图像变换的矩阵表示,4 图像超分辨率,What types of transformations can be represented with a 2x2 matrix?,2D Mirror about Y axis?,2D Mirror over(0,0)?,图像变换的矩阵表示,4 图像超分辨率,Linear transformations are combinations of Scale,Rotation,Shear,andMirrorProperties of linear transformations:Origin maps to originLines map to line

20、sParallel lines remain parallelRatios are preserved,图像线性变换,4 图像超分辨率,Example of translation,tx=2ty=1,Homogeneous Coordinates,图像变换的矩阵表示,4 图像超分辨率,Affine transformations are combinations of Linear transformations,andTranslationsProperties of affine transformations:Origin does not necessarily map to orig

21、inLines map to linesParallel lines remain parallelRatios are preserved,图像变换的矩阵表示,4 图像超分辨率,Projective transformations Affine transformations,andProjective warpsProperties of projective transformations:Origin does not necessarily map to originLines map to linesParallel lines do not necessarily remain

22、parallelRatios are not preserved,图像变换的矩阵表示,4 图像超分辨率,Simple mappings:-Similarity-Affine mapping-Projective mappingMore complex mappings:-Linear and nonlinear mapping-Parametric and non-parametric mapping,图像变形的类型,4 图像超分辨率,A combination of 2-D scale,rotation,and translation transformations.Allows a squ

23、are to be transformed into any rotated rectangle.Angle between lines is preserved5 degrees of freedom(sx,sy,tx,ty)Inverse is of same form(is also similarity).Given by inverse of 3X3 matrix above,Have the form:,In matrix notation:,图像相似性变换,4 图像超分辨率,A combination of 2-D scale,rotation,shear,and transla

24、tion transformations.Allows a square to be distorted into any parallelogram.6 degrees of freedom(a,b,c,d,e,f)Inverse is of same form(is also affine).Given by inverse of 3X3 matrix aboveGood when controlling a warp with triangles,since 3 points in 2D determined the 6 degrees of freedom,Have the form:

25、,In matrix notation:,图像仿射变换,4 图像超分辨率,Linear numerator&denominatorIf g=h=0,then you get affine as a special caseAllow a square to be distorted into any quadrilateral8 degrees of freedom(a-h).We can choose i=1,arbitrarilyInverse is of same form(is also projective).Good when controlling a warp with qua

26、drilaterals,since 4 points in 2D determine the 8 degrees of freedom,Have the form:,In matrix notation:,图像投影变换,4 图像超分辨率,图像变换,4 图像超分辨率,f,g,Transform the geometry of an image to a desired geometry,Linear and non-linear,变换函数,4 图像超分辨率,Source Image:Image to be used as the reference.The geometry of this im

27、age is not changedTarget Image:this image is obtained by transforming the reference image.(x,y):coordinates of points in the reference image(u,v):coordinates of points in the target imagef,g or F,G:x and y components of a transformation function,图像变形,4 图像超分辨率,Control points:Unique points in the refe

28、rence and target images.The coordinates of corresponding control points in images are used to determine a transformation function.,Source Image,Target Image,图像变形,4 图像超分辨率,Used to compute the corresponding points,Source Image S(x,y),Target Image T(u,v),u=f(x,y)v=g(x.y),x=F(u,v)y=G(x.v),图像变形,4 图像超分辨率,

29、y,Given a coordinate transform function f,g or F,G and source image S(x,y),how do we compute a transformed image T(u,v)?,S(x,y),T(u,v),x,图像变形,4 图像超分辨率,x,y,S(x,y),T(u,v),for y=ymin to ymax for x=xmin to xmax u=f(x,y);v=g(x,y)copy pixel at source S(x,y)to T(u,v),Forward warping algorithm:(Optional Exe

30、rcise),-How can we speed up the forward warping?,图像变形,4 图像超分辨率,Decompose 2D transform into two 1D transforms,u=f(x,y)v=g(x,y),u=f(x,y)y=y,u=uv=g(x,y),1,2,可分变换,4 图像超分辨率,Catmull-Smith Algorithm,First pass-map S(x,y)to an intermediate image I(u,y)Second pass-map the I(u,y)to the final image T(u,v),I(u,

31、y)=S(f(x,y),y),T(u,v)=I(u,g(Hu(y),y),Where Hu(y)is the solution to u=f(x,y)for x,4 图像超分辨率,Two Pass Perspective,f,g,f(x,y)g(x,y),T(u,v),I(u,y),S(x,y),4 图像超分辨率,-Works cleanly for affine and projective warps 1D filtering and resampling,f,g,f(x,y)g(x,y),T(u,v),I(u,y),S(x,y),Two Pass Perspective,4 图像超分辨率

32、,Forward Warping,x,y,S(x,y),T(u,v),for y=ymin to ymax for x=xmin to xmax u=f(x,y);v=g(x,y)copy pixel at source S(x,y)to T(u,v),How can we speed up the forward warping?Any problems for forward warping?,Forward warping algorithm:,4 图像超分辨率,x,y,u,v,S(x,y),T(u,v),Q:What if the transformed pixel located b

33、etween pixels?A:Distribute color among neighboring pixels-known as“splatting”,Forward Warping,4 图像超分辨率,Iterate over source,sending pixels to destinationSome source pixel map to multiple dest.pixelsSome dest.pixels may have no corresponding sourceHoles in reconstruction!,for y=ymin to ymax for x=xmin

34、 to xmax u=f(x,y);v=g(x,y)copy pixel at source S(x,y)to T(u,v),x,y,u,v,Forward Warping,4 图像超分辨率,Iterate over source,sending pixels to destinationSome source pixel map to multiple dest.pixelsSome dest.pixels may have no corresponding sourceHoles in reconstruction!,x,y,u,v,for y=ymin to ymax for x=xmi

35、n to xmax u=f(x,y);v=g(x,y)copy pixel at source S(x,y)to T(u,v),-How to remove the holes?,Forward Warping,4 图像超分辨率,x,y,u,v,S(x,y),T(u,v),for v=vmin to vmax for u=umin to umax x=F(u,v);y=G(u,v)copy pixel at source S(x,y)to T(u,v),Inverse warping algorithm:,Inverse Warping,4 图像超分辨率,x,y,u,v,S(x,y),T(u,

36、v),Q:What if pixel comes from“between”two pixels?A:Interpolate color values from neighboring pixels,Inverse Warping,4 图像超分辨率,Specify a more detailed warp functionSplines,meshes,optical flow(per-pixel motion),非参数图像变形,4 图像超分辨率,How do we align two images automatically?Two broad approaches:Feature-based

37、 alignmentFind a few matching features in both imagescompute alignmentDirect(pixel-based)alignmentSearch for alignment where most pixels agree,图像配准,4 图像超分辨率,Optical flow is the relation of the motion field the 2D projection of the physical movement of points relative to the observerto 2D displacemen

38、t of pixel patches on the image plane.,图像配准,4 图像超分辨率,Motion estimation:Optical flow,Will start by estimating motion of each pixel separatelyThen will consider motion of entire image,图像配准,4 图像超分辨率,Problem definition:optical flow,How to estimate pixel motion from image H to image I?,Solve pixel corres

39、pondence problemgiven a pixel in H,look for nearby pixels of the same color in I,4 图像超分辨率,Optical flow constraints(grayscale images),Lets look at these constraints more closely,brightness constancy:Q:whats the equation?,small motion:(u and v are less than 1 pixel)suppose we take the Taylor series ex

40、pansion of I:,H(x,y)=I(x+u,y+v),4 图像超分辨率,Optical flow equation,Combining these two equations,In the limit as u and v go to zero,this becomes exact,4 图像超分辨率,Q:how many unknowns and equations per pixel?,2 unknowns,one equation,Optical flow equation,4 图像超分辨率,点扩散函数,4 图像超分辨率,Use camera manufacture inform

41、ation which is usually hard to get.Analysis a picture of a known object Blind estimation of the point spread function from the images.,99,模糊模型,4 图像超分辨率,Noise in the Imaging ModelThe noise in the imaging model of the reconstruction-based super-resolution algorithms is usually considered to be an addi

42、tive Gaussian noise,噪声模型,4 图像超分辨率,YIQ(luminance and chrominance)Bayer Pattern,101,彩色模型,4 图像超分辨率,增加芯片的大小所需代价昂贵电容的增加大的电容导致电荷转换速率降低减小像素大小降低CCD或者CMOS单元（像素）可接受的光或者能量造成散弹噪声图像质量降低因此，像素的大小存在下界。目前的技术几乎达到了该下界,102,硬件改进手段,4 图像超分辨率,超分辨方法,4 图像超分辨率,重构基的超分辨,4 图像超分辨率,基于插值的方法（matlab:imresize）最近邻插值用最近邻点的灰度值代替双线性插值用二维度

43、的相邻点的线性插值代替双立方插值用相邻已知点的B-Spline插值实现，可以简化为卷积运算基于回归的插值基于自适应2-d回归模型（IEEE TIP）（目前最好的基于差值的图像超分辨率算法）,算法程序下载地址：http:/www.ece.mcmaster.ca/xwu/,4 图像超分辨率,结果比较,双立方插值,回归模型,Ground-truth,4 图像超分辨率,Registrations,lighting and blur.,重构基的超分辨,4 图像超分辨率,重构基的超分辨,4 图像超分辨率,重构基的超分辨,4 图像超分辨率,Registrations,lighting and blur.,重

44、构基的超分辨,4 图像超分辨率,重构基的超分辨,4 图像超分辨率,Definition of A:Different steps of Reconstruction-based Super-Resolution Algorithms:WarpingRegistration to some Reference ImageBluringDe-BluringDown-SamplingUp-Sampling,重构基的超分辨,4 图像超分辨率,基于重建的方法基本假设:高/低分辨率图像之间的关系,：高分辨率图像,：低分辨率图像,：高斯核函数,：下采样算子,正则化模型：,高分辨率图像的正则化约束,通过梯度下

45、降法或共轭梯度法进行优化,4 图像超分辨率,基于重建的方法正则化项：基于图像边缘的光滑性或者统计性特征Edge statistics Fattal,Siggraph 2007,：描述沿着图像边缘相邻像素点之间的颜色差相对于其所满足的高斯统计分布的似然值,光滑测度：,由自然图像学习所满足的高斯分布,正则化项：,项目网址：http:/www.cs.huji.ac.il/raananf/projects/upsampling/results.html,4 图像超分辨率,Gradient profile prior Sun et.al.,CVPR 2008,图像重建约束,梯度轮廓的参数化表达：,低分辨

46、率梯度场,高分辨率梯度场,高低分辨率梯度轮廓参数关系,正则化约束项：,4 图像超分辨率,结果比较,Edge statistics,Gradient profile prior,4 图像超分辨率,基于学习的方法基本想法：给定观测到的低分辨率图像块，通过匹配低分辨率图像块，在训练集合中找到最匹配的高/低图像块组，应用其相应的高分辨图像块得到高分辨率图像。训练集：由高低分辨率图像块组成的集合。实际应用中，低分辨率图像块需要正规化，高分辨率图像块为middle frequency信息。,训练集,匹配,推理,？,4 图像超分辨率,Markov network方法Freeman,IJCV,2000,输入低

47、分辨率图像,候选高分辨率图像块集,y为随机变量，对应于已知一低分辨率图像块；x为所求随机变量，可取候选高分辨率图像块集中任意一图像块,Markov随机网联合概率：,测度相邻高分辨率图像块重合部分颜色相似性,测度观测低分辨率图像块与所选高分辨率图像块相应低分辨率图像块的相似性,(Belief Propagation):http:/people.cs.uchicago.edu/pff/bp/(Graph Cut):,4 图像超分辨率,稀疏表达方法Yang et al.,IEEE TIP,2010,训练集，即低/高分辨率基元集合,低分辨率集上的稀疏表达：,则高分辨率图像块为：,学习方法：,4 图像超

48、分辨率,4 图像超分辨率,挑战？纹理超分辨率边缘与纹理分别超分辨率Tai et al.,CVPR 2010基本思想：采用梯度轮廓先验方法实现边缘的超分辨率+采用基于例子的方法实现纹理的超分辨率（人工给定例子纹理）,4 图像超分辨率,基于纹理内容搜索的超分辨率Sun et al.CVPR 2010;Fattal,ICCP,2010 2010,能量模型：,4 图像超分辨率,4 图像超分辨率,多帧图像超分辨,输入是低分辨率图像序列LR帧之间存在移位有公共区域,4 图像超分辨率,多帧图像超分辨,Super-resolution in space and in time.,4 图像超分辨率,空间超分辨,

49、Multiple low-resolution input images:,Recover small details,4 图像超分辨率,什么是时间超分辨？,Recover dynamic events that are“faster”than frame-rate(Generate a“high-speed”camera),Application areas:sports events,scientific imaging,etc.,Effects of“fast”events imaged by“slow cameras”:(1)Motion aliasing(2)Motion blur,

50、4 图像超分辨率,(1)运动混叠,The“Wagon wheel”effect:,Slow-motion:,4 图像超分辨率,(2)运动模糊,4 图像超分辨率,空间-时间超分辨,Low resolution input sequences,High-resolution space-time volume,4 图像超分辨率,时间超分辨,Input 1,Input 2,Input 3,Input 4,(25 frames/sec),4 图像超分辨率,Input sequence in slow motion:,Output sequence(super-resolved):,(75 frames