Having the trained two-stream convolutional neural net-work we can predict two fine difference images F 12 and F 23and then reconstruct the target unknown fine image F 2 Theflowchart of the predictio

通过训练好的双流卷积神经网络，我们可以预测两个微小差分图像F12和F23，并且然后重构目标未知的微小图像F2。预测和目标图像重构的流程图如图4所示。

在考虑时间差分（TD）的情况下，我们从相应的粗糙图像C12和C23以及相邻的微小图像F1和F3预测出两个微小差分图像F12和F23。 然后，我们通过一种自适应的局部加权策略xxx来重构目标微小图像F2。其中α和1-α是从F1和F3预测的图像F2的加权参数。

为了确定重构中的加权参数，我们认为更相似的粗糙图像会导致更可靠的微小图像预测。也就是说，如果两个粗糙图像C2和Ck（k = 1或3）之间的变化较小，那么目标微小图像F2可能更类似于相邻的微小图像Fk，并且从Fk重构的结果应该更准确。因此，我们使用粗糙图像之间的绝对差异来衡量时间变化程度，并计算重构的加权参数为yyy。其中vc12和vc23分别表示C12和C23的绝对平均变化，δ是一个变化阈值，在我们的实验中经验性地设为0.2。