一种基于CNN的面向VVC的预测感知质量增强框架
图像与视频处理
2021-05-13 v1
摘要
本文提出了一种基于卷积神经网络（CNN）的质量增强任务框架，利用压缩视频信号中的编码信息。其动机在于，编码器所做出的规范性决策会显著影响解码图像中伪影的类型与强度。本文将重点放在定义帧内与帧间预测信号的决策上。该信息在训练阶段以及作为输入中被使用，以帮助学习每种编码类型特有的伪影。此外，为使所提方法保持较低的内存需求，对所有量化参数（QP）采用单一模型并配合QP-map，该map在亮度与色度分量间共享。除后处理（PP）方法外，还考虑了环路滤波（ILF）编解码器集成，其中顾及图像组（GoP）的特性以提升性能。所提出的基于CNN的质量增强（QE）框架在VVC测试模型（VTM-10）上实现。实验表明，在相同网络复杂度下，相较于默认的基于CNN的QE滤波器，所提方法的预测感知特性使默认基于CNN的QE方法的编码效率增益（以BD-BR计）提升了1.52%。
引用
@article{arxiv.2105.05658,
title = {A CNN-based Prediction-Aware Quality Enhancement Framework for VVC},
author = {Fatemeh Nasiri and Wassim Hamidouche and Luce Morin and Nicolas Dhollande and Gildas Cocherel},
journal= {arXiv preprint arXiv:2105.05658},
year = {2021}
}