视频超分辨率技术旨在将低分辨率视频转换为清晰的高分辨率视频,提升视频的质量。相关成果可以应用于通信、娱乐、遥感、监控和医学等诸多领域。视频超分辨率领域最主要的研究目标是探寻精确、高效的算法,众多研究者为此付出了艰苦的努力。大量的视频超分辨率算法被提出,但到目前为止视频超分辨率依然是一个没有解决的、充满挑战性的难题。已有的视频超分辨率算法存在一些问题。例如,浅层视频超分辨率卷积神经网络在性能和适应性方面存在不足,部分循环卷积网络对时域特性的建模能力偏弱,而基于生成对抗网络的(人脸)视频超分辨率算法给出的超分辨率结果的保真度比较低。为了解决上述疑难问题,本文进行了深入研究,提出了一些有针对性的解决方案。本文的主要研究工作包括:1.针对浅层视频超分辨率卷积神经网络存在的模型容量不足和难以处理复杂运动的问题,提出了一种基于运动补偿和深度残差学习的视频超分辨率算法。首先采用光流算法对输入视频帧进行运动估计和运动补偿预处理,然后根据预处理的结果使用一种新的深层残差卷积神经网络预测高分辨率图像。这种深层残差卷积神经网络可以保留低频信息,且有利于修复高频细节。我们的算法可以自适应地处理包括大尺度运动在内的各种复杂运动。为了验证算法的有效性,进行了相关的实验研究。实验结果表明,本文算法的性能在客观和主观两个方面均优于目前最好的单/多幅图像超分辨率算法。2.针对普通视频超分辨率循环卷积神经网络对时域依赖建模能力不足的问题,提出了一种基于非同时全循环卷积网络的视频超分辨率算法。为了充分利用时、空域信息,在系统中使用了运动补偿模块和极深的双向循环卷积层,并在融合处理方式上采用了晚融合的策略。我们通过在循环结构中增加残差连接以获得更精确的超分辨率结果。最后,我们还使用了一种新的模型集成方法将我们的方法同单幅图像超分辨方法进行了融合。实验结果表明,本文算法在客观评价指标和主观视觉效果两个方面均优于目前最好的视频超分辨率算法。3.针对基于普通生成对抗网络的单幅人脸图像超分辨率算法存在的结果真实性不足的问题,提出了一种基于身份信息指导生成对抗网络的人脸视频超分辨率算法。为了复原人脸的细节信息,使用身份特征来指导生成对抗网络的训练。我们还构建了一个两阶段卷积神经网络来提升人脸视频超分辨率结果的视觉质量。实验结果表明,本文所提出的方法在复原保真度和视觉效果两个方面优于目前最好的方法。