在真实世界拍摄视频时，我们常会遇到这样的两难境地：光线不足时，自动曝光系统（Auto-Exposure, AE）会拉长曝光时间，导致画面变亮但也更容易产生严重的“运动模糊”；而在强光下快门速度极快，画面虽清晰但可能噪点较多。这种动态变化的曝光时间（Dynamically Varying Exposure）与物体运动相互耦合，形成了极为复杂的时空退化模式。
然而，现有的视频超分辨率（VSR）和去模糊（Deblurring）方法，大多假设曝光时间是固定且已知的，这在面对“忽明忽暗”、“快慢结合”的真实视频时，往往显得力不从心，容易产生伪影或使得画面抖动。
针对这一痛点，来自韩国科学技术院（KAIST）和中央大学的研究团队提出了FMA-Net++。这是一个全新的视频联合超分辨与去模糊（VSRDB）框架，它并没有把难题“扫进地毯”，而是选择显式地建模（Explicit Modeling）运动与动态曝光的耦合效应。通过设计全新的层级化网络结构和曝光感知模块，FMA-Net++不仅在恢复质量上刷新了SOTA，更实现了5倍以上的推理加速！
(a) 真实世界视频的定性比较。FMA-Net++在处理包含动态曝光变化的挑战性场景时，展现出卓越的清晰度。
论文标题：FMA-Net++: Motion- and Exposure-Aware Real-World Joint Video Super-Resolution and Deblurring
论文作者：Geunhyuk Youk, Jihyong Oh, Munchurl Kim等
作者机构：韩国科学技术院(KAIST)；韩国中央大学(Chung-Ang University)
论文地址：https://arxiv.org/abs/2512.04390
项目主页：https://kaist-viclab.github.io/fmanetpp_site/
真实世界的“测不准”原理：曝光与运动的纠缠
为了理解FMA-Net++的精妙之处，我们需要先回顾一下视频模糊的物理本质。
FMA-Net++的核心武器库
FMA-Net++的整体架构示意图。
1. 序列级并行架构：HRBP模块
为了克服传统“滑动窗口”方法视野受限和“循环神经网络”无法并行的缺点，作者设计了双向传播层级精炼 (Hierarchical Refinement with Bidirectional Propagation, HRBP) 模块。
(a) HRBP模块结构；(b) 多头注意力机制。
层级化视野扩充：HRBP不依赖串行处理，而是通过在不同层级间双向传播信息，让时域感受野像金字塔一样层层扩大。
全序列并行：这种设计使得处理长序列视频变得高效且易于并行化，彻底告别了RNN的“排队等待”。
实验结果：速度与质量的双重碾压
为了在更贴近真实的环境下评估模型，作者构建了两个全新的基准数据集：
REDS-ME (Multi-Exposure)：包含5种不同曝光时长的合成视频，用于模拟真实相机的快门变化。
REDS-RE (Random-Exposure)：更加硬核，视频中的曝光时长会随时间随机（结构化）变化，模拟自动曝光过程。
性能全面领先
在REDS-ME和REDS-RE基准上，FMA-Net++均取得了SOTA成绩。
REDS4-ME数据集上的定量对比。FMA-Net++在性能（PSNR/SSIM）和时间一致性（tOF）上均拔得头筹。
特别值得一提的是，在最具挑战性的动态曝光数据集REDS-RE上，FMA-Net++的优势进一步扩大（见下表）。这有力证明了ETM模块在应对动态曝光时的鲁棒性。
在REDS-RE和GoPro数据集上的对比。FMA-Net++展现出极强的泛化能力。
定性结果
上图显示了包含严重运动模糊的合成基准（REDS4-ME-5:5和GoPro）的视觉比较，而图1（a）显示了用智能手机拍摄的具有挑战性的真实世界视频的结果。在合成和真实世界的数据上，FMA Net++始终如一地恢复更清晰的细节、更清晰的边缘和更易读的文本，减少伪影，实现最佳的感知质量（NIQE/MUSIQ）。
作者在现实世界的比较中省略了Ev DeblurVSR[18]等多模态方法，因为它们基本上不适用于缺乏所需事件数据的标准RGB视频。 这证明了所提出方法的强大实用性和通用性，尽管仅在合成数据上进行训练，但仅使用传统的RGB输入即可实现这些结果。
效率提升显著
得益于并行的HRBP架构，FMA-Net++在保持最高精度的同时，推理速度也极快。
相比具有相似复杂度的RVRT，FMA-Net++快了5.2倍。
相比前作FMA-Net，在精度大幅提升的同时，推理时间也缩短了数倍（从0.318s降至0.074s）。
真实世界泛化
除了跑分，FMA-Net++在真实手机拍摄的视频上也效果拔群。即使面对训练集中未见过的复杂纹理和连续曝光变化，它依然能恢复出锐利的边缘和清晰的文字。
图示展示了ETM引导的效果。正确的曝光引导（5:5）能预测出准确的发散状模糊核（Rendered），而错误的引导（5:1）则会导致核过于集中。
写在最后
FMA-Net++的成功告诉我们，在深度学习时代，物理先验依然具有不可替代的价值。通过显式地将“曝光时间”这一物理量引入网络设计，模型仿佛拥有了理解相机成像机制的智慧。
这一工作不仅为视频超分和去模糊任务设立了新的标杆，其“解耦先验学习”和“动态条件调制”的思路，也为处理其他复杂的低层视觉任务（如视频去噪、去雨等）提供了参考。
