摄像机或场景中物体的突然运动会导致视频模糊，因此，要恢复高质量的视频，需要两种类型的增强：视觉增强和时间上采样。广泛的研究试图通过内插从模糊的图像序列或时间上采样的帧中恢复干净的帧，但是很少有研究共同处理两个问题。在这项工作中，我们提出了一种新颖的框架，用于以端到端的方式从运动模糊的视频中对清晰的帧进行去模糊，内插和外推。我们通过首先通过光流估计来学习导致给定输入模糊的像素级运动，然后通过将解码特征与估计的流扭曲来预测多个干净帧来设计框架。为了确保跨预测帧的时间连贯性并解决潜在的时间歧义，我们提出了一个简单而有效的基于流的规则。通过对高速视频中运动模糊的数据集进行广泛的定性和定量评估，突出了我们方法的有效性和可取性。



"点击查看英文标题和摘要"