描述
EvTexture 及其期刊扩展 EvTexture++ 通过结合事件驱动的纹理增强，代表了视频超分辨率 (VSR) 的先进解决方案。这些项目由中国科学技术大学的研究人员开发，利用事件相机的数据，该相机以高时间分辨率和低延迟捕获运动信息，从而显著提高了放大视频的质量。
EvTexture 在 ICML 2024 上发表，专注于在超分辨率过程中增强视频的纹理细节。后续的期刊扩展 EvTexture++ 被 IEEE TPAMI 接受（2026 年），进一步优化了这些技术，以获得更高的保真度和鲁棒性。这两种实现都以官方 PyTorch 代码的形式提供，使研究人员和开发人员能够集成和构建这项尖端技术。
该存储库提供了全面的资源，包括针对各种数据集和降级类型的预训练模型，例如 REDS 和 Vimeo-90K，支持 4 倍超分辨率。它还提供了 Vid4 和 REDS4 等基准测试的准备好的测试数据集，其中包括视频帧和相应的事件数据。安装说明详细介绍了 Conda 环境和 Docker，确保了广泛用户的可访问性。
主要功能包括能够处理视频数据和事件流以重建更精细的纹理并减少传统 VSR 方法中常见的伪影。该项目建立在 BasicSR 框架之上，并从 RAFT、event_utils 和 EvTexture-jupyter 等其他知名作品中汲取灵感。这种基础允许高效的实验和部署。该项目在 Apache-2.0 许可下发布，鼓励开放协作和事件驱动视频增强领域的进一步研究。
EvTexture & EvTexture++的核心功能
用于视频超分辨率的事件驱动纹理增强
EvTexture (ICML 2024) 的官方 PyTorch 实现
EvTexture++ (TPAMI 2026) 的官方 PyTorch 实现
包含 REDS 和 Vimeo-90K 数据集的预训练模型
支持 4 倍超分辨率尺度
为 Vid4 和 REDS4 提供预处理的测试数据集
包含展示放大结果的视频演示
提供通过 Conda 和 Docker 进行安装
基于 BasicSR 框架构建
Apache-2.0 许可，允许开放使用和修改
EvTexture & EvTexture++入门
克隆仓库：从 GitHub 仓库获取 EvTexture 代码。
安装依赖项：使用指定的 PyTorch 和 CUDA 版本设置所需的 Python 环境，或使用提供的 Docker 镜像。
下载模型和数据：获取预训练模型以及 Vid4 和 REDS4 的预处理测试数据集。
配置测试：调整测试配置文件（例如，options/test/EvTexture/test_EvTexture_Vid4_BIx4.yml）。
执行测试：使用指定的 GPU 数量运行分布式测试脚本。
分析结果：在“results/”目录中查看生成的推理结果。
EvTexture & EvTexture++的使用案例
- 视频超分辨率
- 纹理增强
- 事件相机数据处理
- 视频恢复研究
- 实时视频放大
- 低光视频改进
