基于扩散模型的图像去隔行结题报告.docVIP

基于扩散模型的图像去隔行结题报告

一、研究背景与问题提出

在视频采集、传输与存储的过程中，隔行扫描（Interlacing）技术曾被广泛应用以节省带宽和存储资源。该技术通过将一帧图像分为奇数行和偶数行两个场（Field），分两次传输或显示，最终在人眼视觉暂留效应的作用下合并为完整画面。然而，随着显示技术的发展，逐行扫描（ProgressiveScan）已成为主流，隔行扫描图像在逐行显示设备上会出现明显的锯齿边缘、行间闪烁和运动模糊等问题，严重影响视觉体验。

图像去隔行（Deinterlacing）的核心目标是将隔行扫描的两场图像重建为高质量的逐行图像。传统去隔行方法可分为三类：

场间插值法：如线性插值、边缘导向插值等，通过相邻场的像素信息预测缺失行，但易产生边缘模糊；

运动补偿法：通过估计像素运动轨迹，从其他场中寻找匹配像素进行补偿，但运动估计误差会导致伪影；

深度学习方法：基于卷积神经网络（CNN）直接学习从隔行图像到逐行图像的映射，在静态场景中表现优异，但对复杂运动区域的处理仍存在不足。

近年来，扩散模型（DiffusionModel）在图像生成、超分辨率、修复等领域取得突破性进展。其核心思想是通过逐步添加噪声破坏图像，再学习逆向过程恢复原始图像，具备强大的细节生成和全局一致性建模能力。本研究提出基于扩散模型的图像去隔行方法，旨在解决传统方法在复杂运动场景下的伪影问题，实现