什么是视频增强

视频增强的处理对象是视频流，包含时间维度信息。它利用视频帧之间的时间关联性来提高视频质量。而图像增强则只针对单个静态图像进行处理，没有时间维度的信息。

视频增强常用的技术包括去隔行、帧率转换、运动补偿和降噪等，利用时间维度信息进行处理。而图像增强则通常采用对比度调整、边缘提取、几何变换等像素级操作，不考虑图像内容的语义信息。

视频增强通常应用于视频编解码、视频流媒体等场景，旨在优化视频播放体验。而图像增强则侧重于提高单张图像的视觉质量，以满足人眼观察或计算机视觉分析的需求。

视频增强往往与运动检测、形状识别、自我运动估计等视频分析功能相结合，利用上下文信息进一步改善视频处理效果。而图像增强则更多关注图像本身的视觉质量，不太涉及对图像内容的理解。

视频上采样是指将低分辨率视频转换为高分辨率视频的过程。传统的上采样方法包括频域方法和空域方法。频域方法先将低分辨率帧转换到频域（如傅里叶变换或小波变换），然后在频域中估计高分辨率帧，再将其转换回空间域。空域方法则通过迭代反投影等技术，假设低分辨率和高分辨率帧之间存在某种函数关系，并在迭代过程中不断改进该函数。近年来，基于深度学习的视频上采样方法展现出优于传统方法的性能。

视频降噪是指去除视频中的噪声，提高视频的清晰度。常见的降噪方法包括空间滤波、时域滤波和基于小波变换的方法等。深度学习方法也被广泛应用于视频降噪领域，取得了不错的效果。

视频稳像技术通过检测和补偿视频中的运动模糊和抖动，从而提高视频的清晰度和流畅度。常见的稳像算法包括基于特征点跟踪的方法、基于光流估计的方法等。

视频编解码优化是指通过调整视频编码参数（如编解码器、分辨率、码率等）来优化视频质量和传输效率。视频转码技术可以根据不同设备和网络条件创建最佳视频设置，确保流畅播放和高画质体验。视频压缩则可减小文件大小，降低传输成本和提高传输效率。 上述方法通常会组合使用，以实现更好的视频增强效果。此外，深度学习技术在视频增强领域也得到了广泛应用，展现出巨大的潜力。

PSNR基于均方误差（MSE）计算两个对应帧之间的差异。它是一种客观评价指标，用于衡量视频增强算法的性能。

SSIM测量两个对应帧之间结构的相似性。它也是一种客观评价指标，能够反映视频增强算法对图像结构的保持程度。

IFC显示了与参考帧的信息相似度，用于评估视频增强算法对原始信息的保留程度。

MOVIE通过沿运动轨迹估计失真来综合显式运动信息，从而评估视频增强算法对动态场景的处理能力。

MSU视频超分辨率基准测试提出了几个新的评估指标，如ERQAv1.0、QRCRv1.0和CRRMv1.0，用于全面评估模型性能。

通过平均观看分数（MOS）进行主观评估，以评价超分辨视频的感知质量。

一些新兴指标如tLP（计算帧与帧之间的LPIPS变化）和FSIM（使用相位一致性测量相似性）也被用于评估视频超分辨率算法。但仍需要更多客观指标来验证算法恢复真实细节的能力。