Considerando a alta complexidade computacional das redes neurais convolucionais 3D na tarefa de super-resolução de vídeo e a capacidade limitada de extração de características espaço-temporais, este artigo propõe uma rede leve de reconstrução de super-resolução de vídeo baseada em convolução espaço-temporal híbrida. Primeiramente, propõem-se um módulo baseado em convolução espaço-temporal híbrida que melhora a capacidade da rede de extrair características espaço-temporais e reduz a complexidade computacional; em segundo lugar, propõe-se um módulo de fusão seletiva de características baseado em similaridade que reforça ainda mais a capacidade de extração de características relevantes; finalmente, propõe-se um módulo de compensação de movimento baseado em mecanismo de atenção que, em certa medida, reduz o impacto da fusão incorreta de características. Os resultados experimentais mostram que a rede proposta pode alcançar um bom equilíbrio entre o desempenho da super-resolução de vídeo e a complexidade da rede, alcançando 8 quadros por segundo em super-resolução 4x no conjunto de dados padrão SPMCS-11. A rede proposta atende aos requisitos de rapidez e precisão na inferência em dispositivos de borda.

super-resolução de vídeo; aprendizado profundo; redes neurais convolucionais 3D; fusão de características