一种基于卷积神经网络的低复杂度滤波器
图像与视频处理
2020-09-08 v1 多媒体
摘要
基于卷积神经网络（CNN）的滤波器在视频伪影去除方面取得了显著性能。然而，现有方法的高复杂度使其难以在实际中使用。本文提出一种基于 CNN 的低复杂度滤波器。我们利用与批归一化（BN）相融合的深度可分离卷积（DSC）作为所提基于 CNN 的网络的骨干。此外，提出一种权重初始化方法以增强训练性能。为解决帧间众所周知的过平滑问题，提出一种帧级残差映射（RM）。我们定量分析了帧级与块级等主流滤波器方法，并构建具有帧级控制的基于 CNN 的滤波器，以避免块级控制带来的额外复杂度与人工边界。此外，设计了一种称为 RM 的新颖模块，用于从学习到的残差中恢复失真。因此，我们能有效提升基于学习的滤波器的泛化能力并达到自适应滤波效果。而且，该模块灵活且可与其他基于学习的滤波器结合。实验结果表明，所提方法相比 H.265/HEVC 实现了显著的 BD-rate 降低。相比 VR-CNN，其实现约 1.2% 的 BD-rate 降低与 79.1% 的 FLOPs 减少。最后，还在 H.266/VVC 上的测量与消融研究以确认所提方法的有效性。
引用
@article{arxiv.2009.02733,
title = {A Convolutional Neural Network-Based Low Complexity Filter},
author = {Chao Liu and Heming Sun and Jiro Katto and Xiaoyang Zeng and Yibo Fan},
journal= {arXiv preprint arXiv:2009.02733},
year = {2020}
}