基于机器学习的HEVC帧内编码后处理伪影抑制
图像与视频处理
2020-01-01 v1
摘要
有损压缩技术在输出上会产生各种伪影，如模糊、块边界失真、振铃和轮廓效应，尤其在低码率下更为明显。为减少这些压缩伪影，近年来已尝试了多种基于卷积神经网络(CNN)的后处理技术。最新视频编码标准HEVC采用两种后处理滤波操作，即去块滤波(DBF)随后样本自适应偏移(SAO)。这些操作消耗额外的信令比特并成为网络开销。本文提出了一种基于深度学习的SAO滤波操作新算法。我们设计了一种可变滤波尺寸的亚层更深CNN(SDCNN)架构以改进滤波操作，并引入大步长卷积、反卷积层以进一步加速。我们还证明了通过数据增强和基于迁移学习的技术，可利用浅层网络学到的特征有效训练更深架构模型。实验结果表明，在广泛可用的基准视频序列上，我们提出的网络在PSNR和SSIM指标上优于其他网络，并且与HEVC基线相比平均实现4.1%的码率降低。
引用
@article{arxiv.1912.13100,
title = {Machine Learning based Post Processing Artifact Reduction in HEVC Intra Coding},
author = {K. R. Rao and Ninad Gorey},
journal= {arXiv preprint arXiv:1912.13100},
year = {2020}
}