面向 VVC 质量增强与超分辨的多任务学习

最新的视频编码标准，即可靠视频编码（VVC），在编码链的不同层级包含了若干新颖且精细的编码工具。相较于先前的高效视频编码（HEVC）标准，这些工具带来了显著的编码增益。然而，编码器仍可能引入可见的编码伪影，主要由为将比特率调整至可用带宽而施加的编码决策所致。因此，通常在编码流水线中加入前处理与后处理技术以提升解码视频的质量。得益于深度学习的近期进展，这些方法相较传统方案展现出优异结果。一般而言，多个神经网络被独立训练以执行不同任务，从而忽略了模型间存在的冗余所带来的益处。本文中，我们研究一种基于学习的后处理方案，以提升解码 VVC 视频的质量。我们的方法依赖多任务学习，使用单一共享网络针对多种退化等级进行优化，同时完成质量增强与超分辨率。所提方案在抑制编码伪影与超分辨率方面均取得良好性能，且相较传统专用架构具有更少的网络参数。