基于殘差卷積注意力網(wǎng)絡(luò)的視頻修復(fù)

李德財，嚴(yán) 群,2*，姚劍敏,2，林志賢，董澤宇

(1.福州大學(xué) 物理與信息工程學(xué)院, 福建 福州 350108;2.晉江市博感電子科技有限公司, 福建 晉江 362200)

1 引 言

視頻修復(fù)旨在用視頻中時空相關(guān)的內(nèi)容來填充視頻序列中的缺失區(qū)域[1]。高質(zhì)量的視頻修復(fù)對損壞的視頻修復(fù)[2-3]，未損壞的對象移除[4-5]，視頻重新定向[6]和曝光不足或過度的視頻修復(fù)[7]等任務(wù)具有重要意義。高質(zhì)量的視頻修復(fù)仍然面臨著許多挑戰(zhàn)，例如缺乏對視頻的高度理解[8]和高度的計算復(fù)雜性。大多數(shù)現(xiàn)有的視頻修復(fù)算法[9-14]遵循傳統(tǒng)的圖像修復(fù)方式，通過將問題公式化為基于塊拼接的優(yōu)化任務(wù)，通過采樣空間或空間-時間匹配來解決已知區(qū)域的最小化問題。盡管有一些好的修復(fù)結(jié)果，但這些方法不能處理復(fù)雜運(yùn)動的情況，且計算復(fù)雜度較高。

隨著深度卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展，深度視頻修復(fù)取得了重大進(jìn)展。其中使用3D卷積和遞歸網(wǎng)絡(luò)進(jìn)行視頻修復(fù)[15-16]越來越受到人們的關(guān)注。文獻(xiàn)[6]采用循環(huán)網(wǎng)絡(luò)來確保時間的一致性。文獻(xiàn)[16]首次提出將3D和2D全卷積網(wǎng)絡(luò)相結(jié)合來學(xué)習(xí)視頻的時間信息和空間細(xì)節(jié)。Xu等人[17-18]通過聯(lián)合估計空間特征和光流來提高性能。Chang等人提出了用于自由形式視頻修復(fù)的時態(tài)SN-PatchGAN[19]和時態(tài)移位模塊[20]。于冰等人[21]提出基于時空特征的生成對抗網(wǎng)絡(luò)進(jìn)行視頻修復(fù)。這些方法通常會從附近的幀中收集信息來填充丟失的區(qū)域，但由于有限的時間感受野，在每一幀上直接應(yīng)用圖像修復(fù)算法會導(dǎo)致時間偽影和抖動。為解決上述挑戰(zhàn)，目前最先進(jìn)的方法是應(yīng)用注意力模塊來捕捉長距離幀的對應(yīng)關(guān)系，從而可以使用來自遠(yuǎn)處幀的內(nèi)容來填充目標(biāo)幀中的缺失區(qū)域[22-23]。文獻(xiàn)[22]是通過對視頻幀進(jìn)行加權(quán)求和來合成缺失的內(nèi)容，并進(jìn)行逐幀關(guān)注。文獻(xiàn)[23]通過逐像素的關(guān)注，從邊界向內(nèi)逐漸填充具有相似像素的缺失區(qū)域。雖然有較好的修復(fù)結(jié)果，但由于視頻中復(fù)雜的運(yùn)動會引起明顯的外觀變化，導(dǎo)致修復(fù)幀的匹配效果較差，無法對復(fù)雜的空間信息進(jìn)行合理匹配。此外由于沒有對復(fù)雜的時間信息處理模塊進(jìn)行針對性優(yōu)化，而是對所有視頻進(jìn)行逐幀處理，導(dǎo)致修復(fù)結(jié)果的時間一致性較差，而且需要較大的計算量和較長的處理時間。

針對上述問題，該文提出了一種基于殘差網(wǎng)絡(luò)[24]的卷積注意力網(wǎng)絡(luò)(RCAN)用以視頻修復(fù)。該網(wǎng)絡(luò)以視頻所有幀作為輸入，使用自注意力機(jī)制和全局注意力機(jī)制[25]來提取所有幀的時空特征信息，進(jìn)而對所有輸入幀進(jìn)行修復(fù)。此外殘差網(wǎng)絡(luò)的引入，能夠增強(qiáng)深度網(wǎng)絡(luò)的性能，提高網(wǎng)絡(luò)對所有幀的時空特征的學(xué)習(xí)能力，同時網(wǎng)絡(luò)采用時空對抗損失函數(shù)進(jìn)行優(yōu)化，提高模型泛化能力，實(shí)現(xiàn)時空一致的視頻修復(fù)。此外網(wǎng)絡(luò)還能夠高度自由地定義層數(shù)和參數(shù)量，降低計算復(fù)雜度，減少計算資源需求，加快網(wǎng)絡(luò)訓(xùn)練速度，大幅度提高實(shí)際應(yīng)用能力。

2 殘差卷積注意力網(wǎng)絡(luò)

2.1 網(wǎng)絡(luò)概述

(1)

本文提出的殘差卷積注意力網(wǎng)絡(luò)，以目標(biāo)幀的相鄰幀和遠(yuǎn)距離幀即視頻所有幀作為輸入，對所有視頻輸入幀進(jìn)行修復(fù)。通過將自注意力機(jī)制和全局注意力機(jī)制引入進(jìn)殘差網(wǎng)絡(luò)中，增強(qiáng)網(wǎng)絡(luò)對所有幀的空間及時間維度信息的學(xué)習(xí)能力，保持與相鄰幀以及遠(yuǎn)距離關(guān)鍵幀的時空一致，提高視頻修復(fù)效果。

圖1 殘差卷積注意力網(wǎng)絡(luò)結(jié)構(gòu)

2.2 殘差卷積注意力模塊

殘差卷積注意力模塊由輕量型多頭自注意力機(jī)制，殘差前饋網(wǎng)絡(luò)以及殘差感知單元構(gòu)成，每部分具體描述如下。

2.2.1 輕量型多頭自注意力機(jī)制

自注意力機(jī)制由自注意層構(gòu)成，在自注意層中，輸入向量通過3個不同的投影矩陣轉(zhuǎn)換為3個不同的向量，即查詢向量q、鍵向量k與值向量v，各向量的維度相同。之后將不同輸入獲得的向量合為3個不同的矩陣Q、K和V，進(jìn)行放縮點(diǎn)積計算，具體以計算過程如下：

(2)

自注意層進(jìn)一步完善，形成了多頭自注意力機(jī)制。其中多頭自注意力機(jī)制進(jìn)行了h次放縮點(diǎn)積計算，使模型能夠在不同位置聯(lián)合關(guān)注來自不同表示子空間的信息。具體處理過程如下:

MultiHead(Q,K,V)=

Concat(head1,…,headh)WO，

(3)

其中headi=Attention(Qi,Ki,Vi),Wo是線性投影矩陣。多頭自注意力機(jī)制進(jìn)行放縮點(diǎn)積計算時，會根據(jù)頭部的個數(shù)來動態(tài)調(diào)整每個頭部的維度，以保持多頭自注意力機(jī)制的總計算量與全維單頭注意力機(jī)制的計算量相當(dāng)，不增加其計算量。

為減少原始自注意力模塊的計算復(fù)雜度，本文采用了分塊處理，具體結(jié)構(gòu)如圖2所示。在自注意力網(wǎng)絡(luò)中通過卷積網(wǎng)絡(luò)映射出不同的空間，將特征圖分成不同的特征塊，將每個特征塊的特征空間劃分為成不同的特征塊，之后計算當(dāng)前圖像的注意力。分塊處理即將x∈H×W×C的圖像進(jìn)行處理，變成一系列xp∈N×(P2·C)的展平的2D塊的序列[27]。這個序列共有N=HW/P2個展平的2D塊，每個塊的維度是(P2·C)，其中P是塊大小，C是通道數(shù)。進(jìn)行分塊處理，可以使網(wǎng)絡(luò)更關(guān)注低層次特征，提高對低層次特征的提取能力，同時局部圖像變小，可以降低計算量，提高模型速度。

圖2 輕量型多頭自注意力機(jī)制

2.2.2 殘差前饋網(wǎng)絡(luò)及殘差感知單元

殘差網(wǎng)絡(luò)是由一系列殘差塊組成的。殘差塊的引入可以解決網(wǎng)絡(luò)退化現(xiàn)象，在增加網(wǎng)絡(luò)層數(shù)時，網(wǎng)絡(luò)不會發(fā)生退化，提高了網(wǎng)絡(luò)的性能。殘差塊的一個通用表示為:

xl+1=xl+F(xl,Wl)，

(4)

其分為映射和殘差兩部分，恒等映射通過直連實(shí)現(xiàn)，殘差部分通常由2～3個卷積組成。其中直連是深度殘差網(wǎng)絡(luò)中旁路的支線，可以跳過一層或多層的連接，直接將輸入連接到后面的網(wǎng)絡(luò)層，使得后面的網(wǎng)絡(luò)層可以直接學(xué)習(xí)殘差，保留了信息的完整性和有效性。這種連接方式不會增加額外的參數(shù)計算復(fù)雜度，能夠簡化學(xué)習(xí)目標(biāo)和難度，加速深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，提高深度網(wǎng)絡(luò)的性能。

本文提出的殘差前饋網(wǎng)絡(luò)在原始的前饋網(wǎng)絡(luò)基礎(chǔ)上添加殘差連接，并使用LeakyRelu作為激活函數(shù)，通過改變連接方式來獲得更好的性能。具體結(jié)構(gòu)如圖3(a)所示，包含了一個擴(kuò)張層、深度卷積、投影層以及殘差連接結(jié)構(gòu)。

圖3 殘差前饋網(wǎng)絡(luò)與殘差感知單元

視覺任務(wù)中經(jīng)常使用旋轉(zhuǎn)與平移來增廣數(shù)據(jù)，這些操作應(yīng)當(dāng)不能影響模型最終的結(jié)果。然而，Transformer中的絕對位置編碼會破壞該不變性。此外，Transformer忽略了塊內(nèi)的局部相關(guān)性與結(jié)構(gòu)信息。為緩解該限制，本文提出了殘差感知單元以提升局部信息，定義如下：

RPU(X)=DWConv(X)+X.

(5)

具體結(jié)構(gòu)如圖3(b)所示，由一個卷積核為1×3×3的3D卷積和一個殘差連接組成。

2.3 解碼模塊

解碼模塊由反卷積的疊加并添加殘差連接構(gòu)成，具體結(jié)構(gòu)如圖4所示。先將殘差卷積注意力模塊的輸出進(jìn)行轉(zhuǎn)換處理，從T幀變成單幀進(jìn)行處理，然后進(jìn)行反卷積，卷積核大小為3×3，步長為1，將通道數(shù)減半，輸入幀特征比例加倍，之后進(jìn)行3×3卷積，步長為1，將通道數(shù)減半，最后進(jìn)行1×1卷積進(jìn)行投影。

圖4 解碼模塊

RCAN共包含5個解碼模塊，每個模塊通過反卷積將特征反向解碼，將輸入幀特征比例依次變?yōu)?/32，1/16，1/8，1/4，最后經(jīng)過Tanh激活函數(shù)得到完整的修復(fù)圖像。其中第2,3,4個解碼模塊與對應(yīng)的殘差卷積注意力模塊添加了殘差連接，將上一個解碼模塊的輸出與殘差卷積注意力模塊的輸出拼接在一起，然后輸入下一個解碼模塊。此外第一個解碼模塊與第五個解碼模塊的通道數(shù)有所不同，第一個解碼模塊通道數(shù)減半一次，由512降為256，而第五個解碼模塊通道數(shù)由32降為16再降為3。

2.4 損失函數(shù)

選擇優(yōu)化目標(biāo)函數(shù)的原則是確保生成的視頻的像素重建精度、修復(fù)內(nèi)容的合理性及時空一致性。該文選擇像素級重建損失和時空對抗損失作為損失函數(shù)。在生成幀和原始幀之間計算L1，以此衡量每個像素的重建精度。目標(biāo)修復(fù)區(qū)域的L1表示為：

(6)

原始無空洞的有效區(qū)域的L1表示為：

(7)

由于對抗性訓(xùn)練有助于高質(zhì)量內(nèi)容生成，該文借鑒使用了T-PatchGAN(Temporal Patch-GAN)[28]作為判別器。具體來說，T-PatchGAN由6層3D卷積層組成，其可以學(xué)習(xí)區(qū)分每個時空特征的真假，以便網(wǎng)絡(luò)更好地利用真實(shí)數(shù)據(jù)的時空信息和局部到全局的感知細(xì)節(jié)進(jìn)行重建。T-PatchGAN判別器的詳細(xì)優(yōu)化函數(shù)如下：

(8)

本文在其基礎(chǔ)上進(jìn)行改進(jìn)，提出了時空對抗損失函數(shù)，具體計算過程如下所示：

(9)

結(jié)合兩部分的總體損失函數(shù)為：

L=λrh·Lrh+λrv·Lrv+λadv·Ladv，

(10)

其中：λrh、λrv、λadv表示兩個像素級重建損失及時空對抗損失在網(wǎng)絡(luò)總體損失函數(shù)中的比重，通過調(diào)整比重參數(shù)，可以更有針對性地調(diào)整網(wǎng)絡(luò)參數(shù)，提高網(wǎng)絡(luò)訓(xùn)練的靈活性和網(wǎng)絡(luò)的泛化能力。一般情況下為了平衡時空對抗損失和重建損失，將損失權(quán)重設(shè)置為λrh=0.5,λrv=0.5,λadv=0.9。

2.5 訓(xùn)練細(xì)節(jié)

該網(wǎng)絡(luò)使用YouTube-VOS[29]數(shù)據(jù)集進(jìn)行訓(xùn)練，訓(xùn)練使用數(shù)據(jù)集原始的數(shù)據(jù)分割方式，其中訓(xùn)練視頻3 471個，驗證視頻474個，測試視頻508個。將視頻幀大小調(diào)整為384×192，然后對每個視頻幀進(jìn)行固定掩膜處理，之后對視頻幀進(jìn)行隨機(jī)旋轉(zhuǎn)，提高網(wǎng)絡(luò)對視頻序列旋轉(zhuǎn)角度的魯棒性，最后將經(jīng)過處理后的視頻幀輸入到網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。

該網(wǎng)絡(luò)使用4張NVIDIA RTX2080Ti顯卡進(jìn)行訓(xùn)練，使用Adam優(yōu)化器，初始學(xué)習(xí)率為1e-4，batch size為6，步數(shù)為50萬步。此外還可以在DAVIS[30]數(shù)據(jù)集上訓(xùn)練，不過由于DAVIS數(shù)據(jù)集規(guī)模較小，一般是將在YouTube-VOS數(shù)據(jù)集上訓(xùn)練得到的模型來初始化模型，提高其訓(xùn)練速度和精度。

3 實(shí)驗結(jié)果

3.1 實(shí)驗數(shù)據(jù)

為了更公平合理地評估本文提出的模型，更好地與現(xiàn)有視頻修復(fù)模型進(jìn)行比較，本文采用了視頻修復(fù)中常用的DAVIS和YouTube-VOS數(shù)據(jù)集。其中DAVIS是面向?qū)嵗壏指畹臄?shù)據(jù)集，共有50個視頻，3 455幀，每個視頻序列包含一個對象或者兩個空間連接的對象。視頻中的每一幀，都擁有像素級別的精度。YouTube-VOS是迄今為止最大、最全面的視頻對象分割數(shù)據(jù)集。YouTube-VOS包含94種類別，4 453個YouTube視頻，每個視頻時長約3～6 s，平均視頻長度約為150幀，共有197 272個對象注釋，每個對象由專業(yè)注釋員手動分割。

本文使用兩種自由形式的掩膜進(jìn)行模型驗證：一種是固定掩膜，用來模擬水印去除、空洞修復(fù)等應(yīng)用；另一種是動態(tài)掩膜，用來模擬對象移除等應(yīng)用。固定掩膜是隨機(jī)生成不規(guī)則形狀的掩膜并將其應(yīng)用在整個視頻幀的固定區(qū)域，動態(tài)掩膜是同一對象掩膜應(yīng)用在整個視頻幀中；但每一幀的掩膜區(qū)域不同，一般使用數(shù)據(jù)集中標(biāo)注的對象分割標(biāo)注數(shù)據(jù)。本文使用YouTube-VOS數(shù)據(jù)集進(jìn)行固定掩膜測試，使用DAVIS數(shù)據(jù)集進(jìn)行固定掩膜和移動掩膜測試。

3.2 評價標(biāo)準(zhǔn)

實(shí)驗結(jié)果分析采用峰值信噪比(PSNR)、結(jié)構(gòu)相似性(SSIM)和 FID三種評價標(biāo)準(zhǔn)。其中PSNR是基于對應(yīng)像素點(diǎn)間誤差的圖像質(zhì)量評價方法，通過均方差進(jìn)行定義。其具體計算公式如式(11)所示：

(11)

(12)

SSIM基于原始圖像x和生成圖像y之間的亮度、對比度和結(jié)構(gòu)來進(jìn)行衡量。計算公式如式(13)所示：

(13)

其中μ是均值，σ是方差，c1、c2為兩個常數(shù)，避免分母為零。

FID是計算原始圖像和生成圖像的特征向量之間距離的一種度量。計算公式如式(14)所示：

FID(x,g)=‖μx-μg‖+

(14)

其中：x為原始圖像，g為生成圖像，tr表示矩陣對角線的元素之和，μ是均值，∑是協(xié)方差。FID的數(shù)值越小，表示生成圖像的多樣性和質(zhì)量越好。

3.3 與現(xiàn)有方法對比

為了更好地驗證RCAN模型視頻修復(fù)質(zhì)量的有效性，本文選擇將RCAN模型與4種現(xiàn)存主流模型進(jìn)行了對比。其中VINet[6]、DFVI[17]、LGTSM[31]是基于卷積神經(jīng)網(wǎng)絡(luò)或遞歸網(wǎng)絡(luò)的模型，能夠同時對所有幀進(jìn)行修復(fù)，但只使用了相鄰幀沒有使用遠(yuǎn)距離幀建模。CPN[22]、OPN[23]是基于注意力的模型，對視頻逐幀修復(fù)，使用了遠(yuǎn)距離幀建模，而對相鄰幀關(guān)注度不夠。本文提出的RCAN模型是在注意力的基礎(chǔ)上，使用視頻相鄰幀及遠(yuǎn)距離幀即視頻所有幀進(jìn)行建模，能夠同時對所有幀進(jìn)行修復(fù)。

本文使用YouTube-VOS測試集的508個視頻，并使用固定掩膜進(jìn)行模型驗證。該網(wǎng)絡(luò)在YouTube-VOS數(shù)據(jù)集上的視頻修復(fù)結(jié)果與其他模型結(jié)果的比較如表1所示。與其他模型相比，該模型的PSNR為30.69 dB，SSIM為0.965，F(xiàn)ID為0.059，運(yùn)行時間為每幀0.85 s，遠(yuǎn)快于DFVI和LGTSM，內(nèi)存為6 742 MB，整體性能優(yōu)于其他模型。結(jié)果表明RCAN在像素級和整體感知上都有著更好的視頻修復(fù)質(zhì)量和較快的修復(fù)速度。

表1 RCAN與現(xiàn)有網(wǎng)絡(luò)在YouTube-VOS上的修復(fù)結(jié)果對比

為了更好地驗證模型性能，實(shí)驗還比較了不同模型的視覺效果，結(jié)果如圖5所示。圖5(a)是輸入幀，圖5(b)是LGTSM模型的結(jié)果，圖5(c)是CPN模型結(jié)果，圖5(d)是本文RCAN模型結(jié)果。其中第一行和第三行中框選區(qū)域為修復(fù)區(qū)域，第二行和第四行為放大的修復(fù)結(jié)果，通過對比放大的修復(fù)結(jié)果可知，RCAN的修復(fù)質(zhì)量更好，時空結(jié)構(gòu)更一致，修復(fù)內(nèi)容更完整。實(shí)驗表明了RCAN模型在固定掩膜視頻修復(fù)中的有效性。

圖5 YouTube-VOS固定掩膜修復(fù)結(jié)果

此外為了更好地驗證網(wǎng)絡(luò)的通用性，本文還在DAVIS數(shù)據(jù)集上使用固定掩膜以及移動掩膜兩種方式進(jìn)行驗證。固定掩膜驗證結(jié)果如表2所示，PSNR為30.67 dB，SSIM為0.956，F(xiàn)ID為0.167，運(yùn)行時間為每幀0.69 s，內(nèi)存消耗為6 928 MB，整體性能優(yōu)于其他模型。數(shù)據(jù)顯示在DAVIS數(shù)據(jù)集上，本文模型取得了較高的修復(fù)精度和較快的修復(fù)速度。

表2 RCAN與現(xiàn)有網(wǎng)絡(luò)在DAVIS上的修復(fù)結(jié)果對比

使用固定掩膜及移動掩膜兩種方式的定性修復(fù)結(jié)果如圖6所示，前兩行是固定掩膜測試，后兩行是移動掩膜測試，圖6(a)是輸入幀，圖6(b)是LGTSM模型的結(jié)果，圖6(c)是CPN模型結(jié)果。圖6(d)是本文RCAN模型結(jié)果。對比發(fā)現(xiàn)，本文模型結(jié)果空間結(jié)構(gòu)相似性和時間連貫性更強(qiáng)，在復(fù)雜場景中也有很好的修復(fù)結(jié)果。

3.4 消融實(shí)驗

本文提出的RCAN模型將自注意力機(jī)制和全局注意力機(jī)制引入殘差網(wǎng)絡(luò)中，增強(qiáng)網(wǎng)絡(luò)對所有幀的空間及時間維度信息的學(xué)習(xí)能力，保持與相鄰幀以及遠(yuǎn)距離關(guān)鍵幀的時空一致，提高視頻修復(fù)效果。表3是殘差網(wǎng)絡(luò)加入注意力機(jī)制后在DAVIS數(shù)據(jù)集上的修復(fù)效果對比，修復(fù)圖像的PSNR和SSIM得到了大幅度的提升，分別提高了5.4 dB和0.04，F(xiàn)ID降低了0.075。結(jié)果表明引入注意力機(jī)制，網(wǎng)絡(luò)能夠關(guān)注到重要的特征并抑制無關(guān)的干擾特征，能夠關(guān)注到視頻所有幀的關(guān)鍵幀及相鄰幀和遠(yuǎn)距離幀的關(guān)鍵特征，從而提高了模型對所有幀的時空特征學(xué)習(xí)能力，提高了視頻修復(fù)效果。

表3 添加注意力機(jī)制修復(fù)結(jié)果對比

此外RCAN模型還可以高度自由地定義層數(shù)和參數(shù)量，通過控制殘差卷積注意力模塊的殘差層數(shù)來控制模型深度，以此來控制模型的復(fù)雜度和計算量。表4是網(wǎng)絡(luò)在不同殘差層數(shù)結(jié)構(gòu)的結(jié)果比較，數(shù)據(jù)顯示網(wǎng)絡(luò)層數(shù)越多，網(wǎng)絡(luò)的整體精度越高，但同時也提高了網(wǎng)絡(luò)的復(fù)雜度和計算量。在現(xiàn)實(shí)應(yīng)用中，可根據(jù)實(shí)際應(yīng)用情況的不同來定義和選擇網(wǎng)絡(luò)的層數(shù)和參數(shù)量，提高模型的實(shí)際應(yīng)用能力。

4 結(jié) 論

本文提出了一種新的用于視頻修復(fù)的殘差卷積注意力網(wǎng)絡(luò)，通過將自注意力機(jī)制和全局注意力機(jī)制引入進(jìn)殘差網(wǎng)絡(luò)中，規(guī)避了卷積結(jié)構(gòu)由于其感受野而無法獲得全局信息的缺陷，并由此獲得更加強(qiáng)大的表達(dá)能力，增強(qiáng)了網(wǎng)絡(luò)對視頻輸入幀時空特征的學(xué)習(xí)能力以及泛化能力，提高了視頻修復(fù)質(zhì)量。同時結(jié)合時空對抗損失，提升修復(fù)內(nèi)容的真實(shí)性，提高了網(wǎng)絡(luò)的整體性能。此外網(wǎng)絡(luò)還能夠根據(jù)現(xiàn)實(shí)應(yīng)用中的實(shí)際情況自由地定義層數(shù)和參數(shù)量，來權(quán)衡網(wǎng)絡(luò)精度和速度，提高了模型的實(shí)際應(yīng)用能力。實(shí)驗表明，本文提出的模型在YouTube-VOS和DAVIS數(shù)據(jù)集上的修復(fù)效果明顯優(yōu)于其他模型，對比DFVI模型，平均PSNR高出2.67 dB，SSIM高出0.044，F(xiàn)ID降低了12.98%，表明了殘差卷積注意力網(wǎng)絡(luò)在視頻修復(fù)中的有效性。