娱乐业极大地夸大了视频增强功能的作用。

2016年回答：

空间和时间降噪

通过Neat Video和MSU Denoiser Filter进行降噪，它们在某处（根据2007 年的比较）或接近最先进的硬噪声，利用相邻帧通常是同一场景但具有独立的噪音。因此可以在空间和时间上过滤噪声。但根据我的经验，这种处理只是表面上的。它并没有真正揭示人类无法通过噪音看到的东西，它只是让视频看起来更好看。两种滤镜都有自动调整设置的选项，但由于降噪似乎总是在降噪和引入伪影之间进行折衷，因此应手动调整降噪的最终“强度”。

运动估计和超分辨率

MSU 超分辨率滤波器以 2 倍水平和垂直分辨率重建新视频。它遵循与上述两个过滤器类似的范例，但也估计帧之间的运动。原始像素化（以及其他不跟随运动的伪影，例如阻塞和传感器莫尔条纹）可以通过补偿运动然后进行时间过滤来减少。这提高了分辨率，并使像素被剥夺的文本和面部等细节内容更加清晰。仅当像素化未正确消除锯齿时，才能提高分辨率。如果不仔细进行面部的人工像素化，可以通过相同或类似的处理来减少。这是人类视觉系统天生不习惯做的一种增强，实际上可以揭示隐藏的有用信息。

2022年更新：

基于深度学习的方法

正如许多领域所发生的那样，如今使用基于深度学习的方法可以获得最高质量的结果。例如，见梁靖云和曹，杰章和范，雨辰和张，凯和兰詹，拉克什和李，亚威和蒂莫夫特，拉杜和范古尔，卢克。2022. VRT：视频恢复变压器。arXiv 预印本 arXiv:2108.10257，Github。

我最近与法国法医警察部门的一个团队讨论了图像恢复问题。它们存在与脏/蜘蛛网嵌套镜头、错误照明、与不良相机位置相关的遮挡、MPEG 压缩中帧速率非常低、低分辨率智能手机镜头抖动、专有视频文件格式等问题。问题不同于学术论文中使用的一些理想化模型（已知的 psf，约束），通常更复杂，因此电影/电视节目的表现被高估了，如下图所示：

这个团队正在使用 Amped Five 解决方案，但我知道他们会对更好的解决方案感兴趣。

顺便讲义：超分辨率的限制以及如何打破它们，Bakker 和 Kanade，2002 年。