探索长程与短程时间信息用于学习式视频压缩

学习式视频压缩方法因已达到甚至超过传统视频编解码器的率失真（RD）性能，而在视频编码领域获得广泛关注。然而，许多当前基于学习的方法致力于利用短程时间信息，从而限制了其性能。本文聚焦于挖掘视频内容的独特特性并进一步探索时间信息以提升压缩性能。具体而言，针对长程时间信息利用，我们提出可在推理期间于图像组（GOP）内持续更新的时间先验；如此，时间先验包含了当前 GOP 内所有已解码图像的宝贵时间信息。对于短程时间信息，我们提出渐进引导运动补偿以实现鲁棒且有效的补偿。具体地，我们设计分层结构以实现多尺度补偿。更重要的是，我们利用光流引导生成各尺度特征图间的像素偏移，且每一尺度的补偿结果将用于引导下一尺度的补偿。充分的实验结果表明，我们的方法可比最先进的视频压缩方法获得更好的 RD 性能。代码已公开于：https://github.com/Huairui/LSTVC。