Abstract
Diffusion-based video super-resolution (VSR) methods achieve strong perceptual quality but remain impractical for latency-sensitive settings due to reliance on future frames and expensive multi-step denoising. We propose Stream-DiffVSR, a causally conditioned diffusion framework for efficient online VSR. Operating strictly on past frames, it combines a four-step distilled denoiser for fast inference, an Auto-regressive Temporal Guidance (ARTG) module that injects motion-aligned cues during latent denoising, and a lightweight temporal-aware decoder with a Temporal Processor Module (TPM) that enhances detail and temporal coherence. Stream-DiffVSR processes 720p frames in 0.328 seconds on an RTX4090 GPU and significantly outperforms prior diffusion-based methods. Compared with the online SOTA TMP, it boosts perceptual quality (LPIPS +0.095) while reducing latency by over 130x. Stream-DiffVSR achieves the lowest latency reported for diffusion-based VSR, reducing initial delay from over 4600 seconds to 0.328 seconds, thereby making it the first diffusion VSR method suitable for low-latency online deployment. Project page: this https URL
Abstract (translated)
基于扩散的视频超分辨率（VSR）方法在感知质量方面表现出色，但由于依赖于未来帧和昂贵的多步骤去噪过程，在延迟敏感的应用场景中仍不切实际。为此，我们提出了一种名为Stream-DiffVSR的新框架，这是一种因果条件下的扩散模型架构，旨在实现高效的在线视频超分辨率处理。 Stream-DiffVSR仅基于过去的帧进行操作，并结合了一个四步精简的去噪器以加速推理过程；一个自动回归时间引导（ARTG）模块，在潜在空间的去噪过程中注入与运动对齐的提示信号；以及一种轻量级的时间感知解码器，该解码器包含一个时间处理器模块（TPM），用于增强细节和时间连贯性。 实验显示，Stream-DiffVSR在RTX4090 GPU上处理720p帧的速度为0.328秒，并且相对于先前的扩散方法表现出显著改进。与当前最优的在线解决方案TMP相比，它不仅提高了感知质量（LPIPS提升+0.095），而且延迟降低了130多倍。 通过将初始延迟从超过4600秒减少到仅0.328秒，Stream-DiffVSR达到了基于扩散方法进行视频超分辨率处理的最低延迟记录。这使它成为第一个适合低延迟在线部署的扩散VSR方法。 项目页面链接：[此处](此URL)（原文中提到的是“this https URL”，但具体链接未提供）。
URL
https://arxiv.org/abs/2512.23709
