AIVFI/Video-Frame-Interpolation-Rankings-and-Video-Deblurring-Rankings

🏆 Bảng xếp hạng VFI & gỡ mờ video — cập nhật liên tục từ nghiên cứu thực chiến

Cập nhật duy nhất còn lại: SNU-FILM Extreme (×2) bằng LPIPS — chuẩn khắt khe cho môi trường động cao.

Dự án do nhóm nghiên cứu AIVFI quản lý, tập hợp bảng xếp hạng chi tiết các mô hình Video Frame Interpolation (VFI) và Video Deblurring trên các bộ dữ liệu chuẩn như SNU-FILM, Vimeo-90K. Mục tiêu: cung cấp cách nhìn tổng quan, công bằng và cập nhật nhanh nhất về hiệu năng của các phương pháp VFI hiện nay — đặc biệt tập trung vào khả năng nội suy tại thời gian bất kỳ (arbitrary-time), tức khả năng chèn khung hình ở vị trí thời gian tuỳ ý giữa hai khung hình đầu vào.

✨ Điểm nổi bật

• Chuẩn đo LPIPS ưu tiên: Dự án chuyểm từ PSNR sang LPIPS — đo chất lượng hình ảnh sinh học, gần với cảm nhận con người hơn.
• Tập trung SNU-FILM Extreme (×2): Bộ dữ liệu khó nhất trong dòng SNU-FILM, kiểm thử mô hình trong cảnh quan động cực mạnh.
• Hỗ trợ nhiều hệ số nội suy: Từ ×2 đến ×16, đáp ứng nhu cầu đa dạng về tốc độ video đầu ra.
• Phân tích hàm mất (Loss Function): So sánh các loại loss như Style loss (Gram matrix), perceptual loss — yếu tố then chốt ảnh hưởng đến chất lượng khung hình sinh ra.
• Liệt kê hơn 70 mô hình: Bao gồm RIFE, AMT, BiM-VFI, FILM, FLAVR, VRT, Swin-VFI… đến từ các hội nghị hàng đầu như CVPR, ICCV.
• Phân loại rõ ràng: Tách biệt bảng xếp hạng VFI chung, VFI kết hợp gỡ mờ, và các bảng không còn cập nhật.
• Đò nghịch sinh viên: Khuyến khích nghiên cứu phát triển mô hình kết hợp gỡ mờ + nội suy khung hình, khai thác phương pháp BiM-VFI.

💡 Vì sao đáng chú ý

Khác với các bảng xếp hạng tĩnh trên trang web hay bài báo cáo đơn lẻ, dự án này duy trì sự cập nhật liên tục dựa trên kết quả mới đăng xuất bản. Việc lựa chọn SNU-FILM Extreme (×2) như chuẩn duy nhất cho phép so sánh công bằng giữa các mô hình trong điều kiện cực đoan nhất — nơi nhiều mô hình bắt đầu “gục ngã”.

Ngoài ra, dự án còn đư ra lời kêu gọi mạnh mẽ đến cộng đồng nghiên cứu: hãy phát triển mô hình thực hiện cả hai nhiệm vụ — gỡ mờ chuyển động và nội suy khung hình — đồng thời áp dụng hàm mất kiểu Gram matrix (Style loss) để cải thiện chất lượng sinh học. Đây là hướng đi tiềm năng để vượa qua giới hạn của các phương pháp tách biệt.

---

#VideoFrameInterpolation #VFI #VideoDeblurring #ComputerVision #DeepLearning #TiniX