用于学习式视频压缩的对抗失真

在本文中，我们提出了一种新颖的对抗式有损视频压缩模型。在极低码率下，标准视频编码方案会受到阻塞、振铃等令人不快的重建伪影的困扰。现有的用于视频压缩的学习式神经方法在降低传输码率以及在一定程度上减轻伪影影响方面取得了合理成功。然而，它们在极端压缩下仍倾向于产生模糊结果。在本文中，我们提出了一种深度对抗学习式视频压缩模型，其最小化一个辅助的对抗失真目标。我们发现，相对于 MS-SSIM 和 PSNR 等传统质量指标，该对抗目标与人类感知质量判断具有更好的相关性。我们使用最先进的学习式视频压缩系统进行的实验表明，感知伪影减少，且在极高压缩下丢失的细节得以重建。