用于高效时空视频超分辨率的尺度自适应特征聚合

基于摘要分析。本文研究 Space-Time Video Super-Resolution（STVSR，时空视频超分辨率），通过同时执行 Video Frame Interpolation（VFI，视频帧插值）与 Video Super-Resolution（VSR，视频超分辨率）提升视频质量。作者提出 Scale-Adaptive Feature Aggregation（SAFA）网络，按单个样本自适应选择不同处理尺度的子网络，以应对额外时间维度、尺度不一致及不同运动幅度带来的建模困难。 核心机制是调整流驱动特征传播的处理尺度，而非对所有样本固定使用同一尺度。作者认为，合适的处理尺度能够改善特征传播，并在重建质量与计算开销之间取得更好的权衡。摘要未说明尺度选择器的实现、选择所需监督、子网络结构、损失函数及训练与推理流程，这些细节尚未验证。 作者报告，在四个公开 STVSR 基准上，SAFA 达到其所称的最先进性能；相较 TMNet 和 VideoINR 等方法，PSNR 平均提高超过 0.5 dB，参数量不足一半，计算成本约为三分之一。摘要未列出基准名称、数据划分、插帧与空间放大设置、逐基准结果及计算成本计量方式，因此这些数字仅能按摘要中的整体比较理解，不能外推到其他协议。实验协议、消融及统计信息尚未验证。 研究对象是视频重建，不是 EEG 解码或 BCI。其尺度选择依赖视频的空间结构、时间连续性与流驱动传播；摘要没有建立这些机制与 EEG 瓶颈的具体对应关系，因此不据此提出 BCI 迁移效果或复现实验建议。复现原研究需进一步核对尺度选择策略、训练配置、基准协议及实现可用性；材料未提供代码信息。