所属栏目：新闻中心发布时间：2026-03-10浏览量:684
清华大学电子工程系向涛团队在《南京信息工程大学学报》发表论文《基于中高位视频监控的图像及视频质量增强算法》，针对现有图像视频恢复增强方法的不足，提出了基于语义特征提取的神经网络模型质量增强算法，搭建起语义特征图像恢复增强框架并实现退化与重建模型联合优化。经公开数据集验证，该算法相较PULSE超分辨率算法实现RankIQA得分50%的提升，重建画质与原始高清素材得分接近，81%的重建结果在用户评价中优于对比算法，大幅提升了图像和视频的重建质量。
中高位视频监控广泛应用于智慧城市、森林防护、边境防御等场景，但监控视频数据量巨大，压缩传输易造成画质失真，现有恢复方法常存在主观感知质量不佳、功能单一等问题，难以兼顾压缩效率与重建效果。
为此，团队提出的创新算法核心在于语义特征提取与双模型联合优化：先通过神经网络对监控视频做语义特征提取，提升视频压缩率以实现高效传输，再依托恢复增强网络完成视频复原;同时建立退化模型与重建模型的联合优化框架，将图像恢复拆解为退化过程和高清图像分布两大估计问题，利用生成模型捕捉自然图像分布，通过条件自回归模型对退化过程做概率化建模，还引入MMD最大平均差异约束，解决了隐变量求解中重建结果不自然的问题。
团队在CelebAHQ、FFHQ等公开数据集开展多维度实验，分别测试了算法在图像超分辨、JPEG压缩失真恢复等场景的性能，并与双立方采样、PULSE等主流方法对比。实验结果显示，该算法能有效弥补低分辨率图像细节缺失，修复压缩导致的画质失真，解决了传统方法边缘过渡生硬、颜色不自然等问题。在量化评价中，算法RankIQA得分仅9.37，远优于PULSE算法的21.33，60名被试的主观评价中，81%的受试者认为该算法重建结果更自然高清。
该算法突破了传统图像恢复方法的局限，无需人为假设退化模型，适配多种图像失真类型，为中高位监控视频的高效传输与高质量重建提供了新方案。团队表示，后续将进一步考虑视频帧间依赖与连续性，加入时域信息约束，提升算法在复杂场景下的适用性，让技术更好地服务于各类视频监控实际应用。