视频修复是一个棘手的问题，不仅要恢复清晰的画质，还得保证时间上的细节一致性，特别是当处理那些来源未知且劣化严重的视频时。这些问题让修复变得更加困难。字节跳动联合南洋理工大学和南京大学分别提出了SeedVR和STAR两套视频清晰化的解决方案。（链接在文章底部，SeedVR代码尚未公开）
SeedVR是一个为实际视频修复任务设计的扩散式变换器，它可以处理任意长度和分辨率的视频。SeedVR 在合成视频、真实视频以及 AI 生成的视频修复任务上都表现出了极强的竞争力。STAR（基于T2V模型的真实世界视频超分辨率时空增强），利用T2V模型实现真实的空间细节和稳健的时间一致性。在全局注意力模块之前引入了局部信息增强模块（LIEM），用于丰富局部细节并减少劣化伪影。有效解决了真实世界视频超分辨率中的关键难题，实现了视觉细节的真实性与时间一致性的平衡。
01 SeedVR
SeedVR 是一种用于通用视频修复（VR）的扩散变换器（DiT）模型，能够高效应对分辨率限制问题。SeedVR 以 MM-DiT 作为其主干，并用窗口注意力机制替代了全自注意力。虽然已经有多种窗口注意力设计被研究过，但力求简化设计，因此采用了 Swin 注意力机制，从而构建了 Swin-MMDiT。
与以往的方法不同，Swin-MMDiT 在 8x8 压缩潜空间上采用了 64x64 的大窗口注意力，而不是通常用于低级视觉任务的 8x8 像素空间窗口注意力。在使用 Swin-MMDiT 处理任意分辨率的输入时，由于使用了大窗口，无法再假设输入的空间维度是窗口大小的整数倍。此外，Swin 的滑动窗口机制会导致时空体积边界处出现大小不均的 3D 窗口。为了解决这些问题，设计了一个 3D 旋转位置嵌入机制，用于在每个窗口内建模不同大小的窗口。
02 STAR
STAR（基于T2V模型的时空增强用于真实世界视频超分辨），通过利用T2V模型实现了逼真的空间细节与稳健的时间一致性。
STAR 包括四个模块：VAE、文本编码器、ControlNet 和集成了局部信息增强模块（LIEM）的 T2V 模型，其中 LIEM 用于缓解伪影问题。此外，还引入了动态频率（DF）损失，以在扩散步骤中自适应地调整对高频和低频分量的约束。通过所提出的 LIEM 和 DF 损失，STAR 实现了高水平的时空质量，减少了伪影并增强了复原的真实性。
https://arxiv.org/abs/2501.01320 https://github.com/NJU-PCALab/STAR https://arxiv.org/abs/2501.02976
欢迎交流～，带你学习AI，了解AI
