097、视频超分中的时序一致性：从光流到循环网络的优化策略上周调试一个视频超分模型，跑完200帧验证集，肉眼看着每帧都挺清晰，结果一播放——画面像得了帕金森，高频闪烁、边缘抖动，连人脸都在“呼吸”。这种痛，做过视频超分的兄弟都懂。单帧超分做得再好，时序上一崩，全白搭。今天这篇笔记，就聊聊视频超分里那个让人又爱又恨的“时序一致性”。从光流对齐到循环网络，踩过的坑、试过的trick，一并记下来。光流对齐：看似优雅，实则娇气最早做视频超分，大家第一反应就是光流。把相邻帧对齐到当前帧，然后融合。听起来很合理对吧？但实际跑起来，光流本身就成了最大的坑。光流估计的精度问题。你拿FlowNet或者RAFT去算，在干净数据上效果还行，但超分场景下，输入是低分辨率、带噪声的，光流估计直接崩。我试过把LR帧直接送进RAFT，出来的光流图跟抽象画似的，边缘全是毛刺。后来学乖了，先用一个轻量级网络把LR特征提一提，再算光流，精度能提3-5个点。别这样写：# 错误示范：直接对LR图像算光流flow=raft_net(lr_frame
097、视频超分中的时序一致性：从光流到循环网络的优化策略上周调试一个视频超分模型，跑完200帧验证集，肉眼看着每帧都挺清晰，结果一播放——画面像得了帕金森，高频闪烁、边缘抖动，连人脸都在“呼吸”。这种痛，做过视频超分的兄弟都懂。单帧超分做得再好，时序上一崩，全白搭。今天这篇笔记，就聊聊视频超分里那个让人又爱又恨的“时序一致性”。从光流对齐到循环网络，踩过的坑、试过的trick，一并记下来。光流对齐：看似优雅，实则娇气最早做视频超分，大家第一反应就是光流。把相邻帧对齐到当前帧，然后融合。听起来很合理对吧？但实际跑起来，光流本身就成了最大的坑。光流估计的精度问题。你拿FlowNet或者RAFT去算，在干净数据上效果还行，但超分场景下，输入是低分辨率、带噪声的，光流估计直接崩。我试过把LR帧直接送进RAFT，出来的光流图跟抽象画似的，边缘全是毛刺。后来学乖了，先用一个轻量级网络把LR特征提一提，再算光流，精度能提3-5个点。别这样写：# 错误示范：直接对LR图像算光流flow=raft_net(lr_frame
