發表在CVPR2020。
主要工作：將連續的視頻幀根據時間間隔分爲多組，然後通過一個注意力模塊和組間融合模塊進行集成，同時，爲了對齊大尺度運動的視頻幀，採取了與以往基於光流或者可變卷積不同的對齊方式，本文采用的是計算兩個連續幀之間的單應性矩陣，然後將鄰幀扭曲到參考幀。
整體架構
組內融合模塊（Intra-group Fusion Module）
包括三個部分，第一部分有3個單元作爲空間特徵提取，每個單元由一個3x3卷積層、BN和ReLU組成，每個卷積層根據不同的幀率採用不同的擴張率，主要是基於幀的時間間隔大，運動幅度也比較大，反之運動幅度較小；第二部分使用3x3x3的3D卷積用於時空特徵融合；最後每組產生的組級別融合特徵採用2D dense block裏面的18個2D單元，用於進一步整合組內幀信息。
組間融合模塊 (Inter-group Fusion Module)
由於鄰幀與參考幀更加相似，慢幀率的組級別特徵會有較豐富的信息，而快幀率的組級別特徵會捕捉一些鄰幀丟失的細節信息， 時間注意力作爲一種指導，有效地整合不同時間間隔組的特徵。
Fast spatial alignment （homography）
Remark：本文的整體思路和EDVR相似，都是先對幀進行對齊，然後進行特徵提取和融合，採用的時間注意力也和EDVR類似。單應性的方式與光流相比，可能會比較少地引入像素級別的失真，同時本文在關鍵點採集較少或者在變換後與原幀差別較大的情況下，採用了退出機制，以提高魯棒性。