补丁VQ Patch-VQ：“修补”视频质量问题 演示版 请按照 测试在LSVQ数据库上预训练的Patch VQ模型。 请按照在您的数据库上测试我们的Patch VQ模型。 下载LSVQ数据库 描述 对于社交和流媒体应用程序，无参考（NR）感知视频质量评估（VQA）是一个复杂，尚未解决的重要问题。 需要有效，准确的视频质量预测器来监视和指导数十亿个用户共享内容（通常是不完美的内容）的处理。 不幸的是，当前的NR模型在真实的，“野生的” UGC视频数据上的预测能力受到限制。 为了推进这一问题的发展，我们创建了迄今为止最大的主观视频质量数据集，其中包含39，000个真实世界的失真视频和117，000个时空本地化的视频补丁（“ v-patches”），以及5.5M人类的感知质量注释。 使用此工具，我们创建了两个独特的NR-VQA模型：（a）基于本地到全球区域的NR VQA体系结构（称为PVQ）

快速优化的图像/视频增强方法 它是由Java实现的一组图像/视频增强方法，用于解决一些常见任务，例如除雾，去噪，水下去除，低照度增强，特性，平滑等。 请注意，此存储库是多个图像/视频处理存储库的集成，这些独立的存储库将在以后弃用。 RemoveBackScatter-已删除，其zip文件在此处可用： 。 OptimizedContrastEnhance-已删除，其zip文件位于此处： 。 将不推荐使用，其zip文件位于此处： HazeRemovalByDarkChannelPrior-已删除，其zip文件在此处可用： ALTMRetinex-已删除，其zip文件在此处可用：

数字视频处理| 家庭作业 块匹配算法的实现

Video-Compression-motion-estimation-block-video-encoder：此存储库与视频压缩有关，更具体地说，与视频编码器的运动估计块（ME块）有关。 这是一个研究项目，旨在开发一种有效的运动估计算法，从而使视频压缩技术能够与高帧率视频和高分辨率视频保持同步。

使用OpenCV.js的视频处理演示 该演示包含通过OpenCV将视频流实时转换为灰度的简单视频处理示例。 camera.html使用来自摄像头设备的视频流 video.html使用从文件加载的视频 该演示中使用的视频是。

antz：ANTz沉浸式3D数据可视化引擎

TecoGAN-PyTorch 介绍 这是TecoGAN的PyTorch重新实现：特mporally有限公司赫伦特GAN视频超分辨率（VSR）。 有关更多信息，请参考官方TensorFlow实现 。 特征 更好的性能：此仓库提供的模型比官方仓库更小但性能更好。 请参阅我们关于Vid4和ToS3数据集的。 多个降级：此存储库支持两种类型的降级，即BI和BD。 请参阅以获取有关降级类型的更多详细信息。 统一框架：此存储库为基于失真和基于感知的VSR方法提供了统一框架。 内容 致谢 依存关系 Ubuntu> = 16.04 NVIDIA GPU + CUDA 的Python 3 PyTorch> = 1.0.0 Python软件包：numpy，matplotlib，opencv-python，pyyaml，lmdb （可选）Matlab> = R2016b 测试 注意：我们会根

带有代码的论文--- [ ] 带有代码的纸--- [ ] 变压变压器 预培训图像处理变压器，[]，[] 注意力可视化之外的变压器可解释性，[]，[] 生成对抗式变压器，[]，[] 变压器中的变压器，[]，[] 带有变压器的端到端视频实例分割，[] 用变压器从序列到序列的角度重新思考语义分割，[]，[] 图像处理 AdderSR：迈向节能图像超分辨率， Efficient SR ，[]，[代码] 探索图像超分辨率中的稀疏性以进行有效推理， Efficient SR ，[论文]，[代码] ClassSR：通过数据特性， Efficient SR加速超分辨率网络的通用框架，[论文]，[代码] 用于图像超分辨率， Efficient SR数据知识蒸馏 Cross-MPI：使用多平面图像进行图像超分辨率的跨尺度立体声， Stereo SR ，[纸张]，[代码] 学习具有局部

人类跌倒检测 我们通过支持多相机和多人跟踪以及长时记忆（LSTM）神经网络来预测两个类别，从而增加了人体姿势估计（openpifpaf库），以预测两个类别：“跌倒”或“不跌倒”。 从这些姿势中，我们提取了LSTM分类器处理的五个时空特征。 设置 pip install -r requirements.txt 用法 python3 fall_detector.py 争论 描述 默认 num_cams 要处理的摄像机/视频数量 1个 视频 视频文件的路径（无从摄像机捕获实时视频的路径） 对于单个视频跌倒检测（-​​-num_cams = 1），将视频另存为abc.xyz并设置--video = abc.xyz 对于2个视频跌落检测（--num_cams = 2），将您的视频另存为abc1.xyz和abc2.xyz并设置--video = abc.xyz 没有任何 save_output

| 概述 FFCreatorLite是基于的轻量级且灵活的短视频处理库。 您只需要添加一些图片，音乐或视频剪辑，就可以使用它快速创建一个非常令人兴奋的视频专辑。 如今，短视频已成为一种越来越流行的媒体交流形式。 像和的TikTok是充满各种精彩短片的。 因此，如何使用户轻松，快速地在网络上直观地创建视频剪辑。 或基于图片文本内容，短视频的动态批量生成是一个技术问题。 FFCreatorLite是基于著名的视频处理库开发FFmpeg ，和拼接的复杂和繁琐的命令行参数FFmpeg （这不是那么容易），使用FFmpeg各种过滤器和功能，实现动画和视频剪辑和生成最终影片。 因此，它的处理速度超出了您的想象，甚至比还要快。 有关更多介绍，请参见 特征 基于node.js的开发，它非常易于使用，并且易于扩展和开发。 仅依靠FFmpeg ，易于安装，跨平台且对机器配置的要求较低。 视频处理速度非