基于卷积神经网络的残差引导环路内滤波器
图像与视频处理
2021-05-05 v2
摘要
混合视频编码框架中基于块的编码结构不可避免地引入块效应、振铃等压缩伪影。为补偿这些伪影，视频编解码器环路中提出了大量滤波技术，能够提升重建视频的主客观质量。近来，基于神经网络的滤波器借助海量数据的深度学习能力被提出。尽管高效率视频编码（HEVC）中从传统方法获得的编码效率有所提升，但压缩流水线生成的丰富特征与信息尚未在神经网络设计中得到充分利用。因此，本文提出基于残差重建的卷积神经网络（RRNet）以进一步充分提升编码效率，其中由比特流以预测残差形式引入的压缩特征作为重建帧之外的额外输入送入网络。本质上，残差信号可提供关于块划分的有价值信息，并有助于图像中边缘与纹理区域的重建。从而可训练更具适应性的参数以处理不同纹理特征。实验结果表明，相较于 HEVC 与最先进的基于 CNN 的方案，我们提出的 RRNet 方法取得了显著的 BD-rate 节省，表明残差信号在增强视频帧重建中具有重要作用。
引用
@article{arxiv.1907.12681,
title = {Residual-Guided In-Loop Filter Using Convolution Neural Network},
author = {Wei Jia and Li Li and Zhu Li and xiang zhang and Shan Liu},
journal= {arXiv preprint arXiv:1907.12681},
year = {2021}
}