超分辨率重构技术在实际应用中具有重要的意义,分辨率更高的图像能够为许多基于图像的任务提供更多发展的可能。然而在现实世界中,高分辨率的图像与视频在获取时往往受到很多其它因素的限制。因此,设计实现高效的超分辨率重构算法成为了计算机视觉领域的重要任务。目前,超分辨率重构技术根据重构对象的不同,主要分为面向单幅图像的超分辨率重构技术和面向视频的超分辨率重构技术。其中,面向单幅图像的超分辨率重构技术通过算法建立低分辨率图像与高分辨率图像之间的映射关系,在深度学习被广泛应用后,已经取得了非常好的重构结果。而面向视频的超分辨率重构技术,在重构视频时,则需考虑如何利用视频帧间大量的冗余信息,在提高重构精度的同时压缩重构时间。目前基于深度学习的视频超分辨率重构方法面临着重构精度不高或重构时间过长的问题,难以实时获得高精度的重构结果。此前,已有部分科研成果针对上述问题提出了改进意见,但在面对分辨率较大的视频时仍无法满足实时重构的要求。为解决上述问题,本文提出了基于深度反向投影的融合运动信息的视频超分辨率重构方法,将重构视频自适应地分为关键帧与非关键帧。对于关键帧,通过高精度的关键帧重构模型获得高精度的关键帧特征与重构结果,而对于非关键帧,则通过关键帧特征与运动特征融合的方式,快速地获得非关键帧的重构结果。在多个公开数据集上的实验表明,本文方法能够快速、准确地完成视频超分辨率重构,并具有良好的鲁棒性。本文的主要工作如下:1)提出一种自适应的关键帧判别方法。若当前帧与其邻近关键帧之间的差异较大,模型可以自适应地判别当前帧为新的关键帧,并将其输入高精度的关键帧重构模型进行重构;若当前帧与其邻近关键帧之间的差异较小时,当前帧被判别为非关键帧,将其输入重构时间更短的运动特征提取及融合模型,获得非关键帧的重构结果。2)对于连续视频帧的重构,引入关键帧与非关键帧分别进行重构的思想。其中对于关键帧的重构,通过关键帧重构模型提取其精准的特征和重构结果;而对于非关键帧则提取其与邻近关键帧间的运动特征,并通过融合关键帧特征,快速地获得非关键帧的重构结果。模型的整体重构精度接近目前图像超分辨率重构的最优算法,同时视频帧的平均重构速度达到实时重构要求。3)以往的视频超分辨率重构模型大多是基于相邻帧间的运动估计与当前帧进行融合,为当前帧提供相邻帧的运动补偿信息。然而,这种基于图像的融合方式,会使当前帧中的部分细节纹理信息丢失,导致重构精度降低。对于非关键帧的重构,本文将非关键帧与其邻近关键帧间的运动特征与关键帧特征融合,关键帧特征中的细节纹理信息被映射至非关键帧特征,再经过邻近帧特征残差学习,获得非关键帧的重构结果。这种特征融合的方式可以有效减少运动信息的提取时间,并避免由于图像融合而造成的细节和纹理信息的丢失;同时,通过特征残差学习,进一步补充关键帧特征所缺失的细节信息,从而提升非关键帧的重构精度。4)在上述工作的基础上,本文设计实现了融合运动信息的视频超分辨率重构系统。给出了系统的整体处理流程,并通过图形界面直观地将重构过程、重构结果和对重构模型的评价进行展示。