华人持续炸场！8倍于SOTA模型发布，超分辨率细节还原度逆天，终于可以看清楚蜘蛛网丝了！网友：质量真不错！电影时长9秒才够用！
撰稿 | 言征
出品 | 51CTO技术栈（微信号：blog51cto）
Sora带火了“视频一致性”的研究，但单纯在时间一致性已经不能满足业内对于高逼真视频的渴望。这不，华人又出来炸场了！
近日，一个名为VideoGigaGAN的视频模型在业界走红。超分辨率电影镜头，不用等Sora了！
图片
据介绍，目前VSR（视频超分辨率）领域有两大难题：一个挑战是保持输出帧之间的时间一致性。第二个挑战是在上采样帧中生成高频细节。这篇论文主要的就是第二个问题。针对这个问题，GAN（生成式对抗网络）似乎再一次被验证而来有效性。
1.让模糊视频还原逼真细节，8倍于SOTA
举个汽车识别的例子，以前的VSR方法，比如BasicVSR++等都缺乏细节，而ImageGigaGAN可以通过更丰富的细节产生更清晰的效果，但它生成的视频存在时间闪烁和混叠等伪影（注意视频中的建筑画面）。
而新提出的VideoGigaGAN方法则可以生成兼具高频细节和时间一致性的视频结果，同时显著减轻了像混叠伪影的问题。
图片
VideoGigaGAN是一种生成式视频超分辨率模型，该模型能够在保持时间一致性的同时，对视频进行高频细节的超采样。与现有的VSR方法相比，VideoGigaGAN能够生成具有更多细粒度外观细节的时间一致性视频。
研究显示，VideoGigaGAN在公共数据集上非常有效，并展示了超过目前最先进的VSR模型8倍超分辨率的视频结果。
图片
先亮出几个对比视频，相信你都不敢相信自己的眼睛：视频黑科技就是如此震撼！
见证奇迹的时刻到了——
研究团队放出了一张金针菇涮锅的视频对比，题外话：Xu本人也是一名Cooking爱好者。
大家应该还记得之前类Sora工具放出的飞鸟视频，从书上飞起后，总是会有一层虚影，这个问题已经被VideoGigaGAN解决掉了。
动物世界非常精彩，但如果你看不清楚蜘蛛背后的网丝，“小花猫”跟绳子之间是如何互动的，多少损失一些镜头的美感。
2.怎么做到的？答案藏在模型细节
接下来，我们看下这个模型的厉害之处。
图片
首先，该视频超分辨率（VSR）模型建立在图像的不对称U-Net架构的GigaGAN上采样器之上。
其次，为了增强时间一致性，团队通过将时间注意力层添加到解码器块，将图像采样放大为视频采样器。
然后，另外一个秘诀，就是通过整合流导向传播模块的特征来增强一致性。
接下来，为了抑制混叠伪影，团队使用编码器下采样层中的抗锯齿块（Anti-aliasing）。
最后，Xu等通过跳层连接直接将高频特征传递到解码器层，以补偿BlurPool过程中损失的细节。
这里值得注意的一点：因为时间注意力的空间窗口大小有限。所以，Xu等团队将流导向特征传播引入到放大的GigaGAN中，以便基于流信息更好地对齐不同帧的特征。
其次，还有抗混叠的技术处理，也进一步减轻了GigaGAN编码器中的下采样块引起的时间闪烁，同时通过将高频特征直接传输到解码器块来保持高频细节。
当然，这些想法也被最后的实验结果验证了。所以说，这些模型设计选择非常重要。
3.背后的一作：爱Cook的Xu yiyan
没错，本篇研究成果的一作 Xuyiyan（许姓）又是一位中国学者，本科毕业于华南理工大学，现在是美国马里兰大学帕克学院的博士生。Xu目前在主要研究方向包括生成模型及其应用，据悉他也做过自动驾驶领域的场景理解的研究。
图片
图片
正如前文所说，Xu的个人爱好蛮特别：摄影、徒步旅行、做饭。
图片
4.网友热议：质量不错，时长太短了我们需要200帧的（至少9秒）
镜头时长问题的研究成重点，HN上一位用户评论道：“视频质量看起来不错，但局限性很大。我们的模型在处理极长视频（例如200帧或更多）时遇到了挑战。”所以他认为，要用于实际环境，还需要进行更多的研究。
对此还有网友亮出了类似的观点：“在某种程度上，我会强迫性地计算镜头的秒数，知道一个节目/电影有几个镜头超过9秒，并且能够赢得我们的信任，我才可以放手了。”
据另一位Hackernews用户评论，现代电影的平均镜头长度约为2.5秒，对于动画来说大约是15秒。而此项研究中的30fps的帧率并不够，意味着时间将少于7秒。
总之,大家非常期待如果该篇论文能够扩展到200帧后的结果。
5.One More Thing：别忘了打上AI标签
此外，此次研究成果的发布也再一次引起了AI被滥用的担忧。“这对于娱乐来说非常有用，但过于逼真清晰的画面依然有可能被用作任何类型的‘证据’，而大家对于这些幻觉的细节的工作原理并不知晓，所以此类视频还是需要进行显眼的标记。”不过清醒的是，目前智能手机上已经有不少软件或视频/摄影功能已经在使用专有算法来“推断”是否存在虚假的细节，而且检查规模会更大。不过，回到本篇研究，最有意思的，还是神奇的还原细节的能力。想想电视和电影中的许多画面，尤其十年前的珍贵影响，有了这项技术，“增强”低分辨率图像使其变得清晰，将不再是一件难事！