基于最鄰近幀質(zhì)量增強(qiáng)的視頻編碼參考幀列表優(yōu)化算法

霍俊彥，邱瑞鵬，馬彥卓，楊付正

（西安電子科技大學(xué)ISN 國家重點實驗室，陜西 西安 710071）

0 引言

近年來，短視頻的廣泛普及使視頻數(shù)據(jù)量進(jìn)入持續(xù)爆發(fā)式增長階段。同時，直播電商作為一種新的購物消費方式開始上線。受新冠疫情影響，視頻會議的應(yīng)用需求也呈現(xiàn)爆炸式增長。為保證用戶間的實時交互，這些視頻業(yè)務(wù)對時延有嚴(yán)格的要求。針對低時延、大數(shù)據(jù)量的特點，在低時延視頻應(yīng)用場景下，提高視頻編碼效率對高效開展視頻會話具有積極的意義。與此同時，基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)（CNN,convolutional neural network）在視頻處理等方面取得了令人矚目的成果，利用深度學(xué)習(xí)提升視頻編碼效率是未來的研究趨勢。

高效視頻編碼H.265/HEVC[1]標(biāo)準(zhǔn)采用傳統(tǒng)的視頻混合編碼框架，使用靈活的塊劃分結(jié)構(gòu)，并在預(yù)測、變換和熵編碼等各個環(huán)節(jié)增加多種新算法。相比于先進(jìn)視頻編碼H.264/AVC[2]標(biāo)準(zhǔn)，在相同的視頻質(zhì)量條件下，H.265/HEVC 可降低約50%的編碼碼率。針對日益增長的低時延視頻業(yè)務(wù)，視頻通用測試條件設(shè)計了低時延P 幀（LDP,low-delay only P）配置，其僅利用單向參考幀進(jìn)行幀間預(yù)測。在此配置下，視頻序列的編碼順序與播放順序一致，每幀編碼時僅參考播放順序在當(dāng)前幀之前的已編碼幀。在以往的研究中，基于深度學(xué)習(xí)的方法已經(jīng)應(yīng)用到了視頻編碼框架的主要模塊中，如幀內(nèi)預(yù)測、幀間預(yù)測和環(huán)路濾波等。本文算法的設(shè)計目標(biāo)是借助深度學(xué)習(xí)的方法輔助幀間預(yù)測，提高LDP配置下H.265/HEVC 的編碼效率。

幀間預(yù)測是視頻編碼框架的關(guān)鍵模塊，其利用視頻的時間相關(guān)性提高編碼效率。針對每個待編碼塊，幀間預(yù)測利用多個參考幀的重建樣本，運(yùn)用多種運(yùn)動補(bǔ)償技術(shù)構(gòu)造預(yù)測樣本，預(yù)測樣本與原始樣本之間的差值經(jīng)過變換、量化、熵編碼等模塊處理后被送入碼流進(jìn)行傳輸。

目前，基于深度學(xué)習(xí)的幀間預(yù)測包含亞像素插值、預(yù)測值生成和參考幀列表（RFL,reference frame list）優(yōu)化等方案，其中，參考幀列表優(yōu)化使用神經(jīng)網(wǎng)絡(luò)生成額外的虛擬參考幀，用于待編碼幀的預(yù)測參考。虛擬參考幀的生成涉及內(nèi)插（兩幀之間插入）和外插（多幀之外插入）2 種方式。在LDP 配置下，為了保證低時延，參考幀列表的圖像皆為先于待編碼幀的圖像。此時，虛擬參考幀的生成僅能由當(dāng)前時刻之前的參考幀外插得到。相比于內(nèi)插算法，外插算法需要生成參考幀之外的新內(nèi)容，預(yù)測精度較低，對幀間編碼性能的提高非常有限。

本文針對LDP 配置提出基于最鄰近幀質(zhì)量增強(qiáng)的參考幀列表優(yōu)化算法，優(yōu)化框架如圖1 所示。將待編碼幀前向參考幀列表中的第一個參考幀，即最鄰近參考幀，送入提出的參考幀質(zhì)量增強(qiáng)網(wǎng)絡(luò)進(jìn)行質(zhì)量增強(qiáng)，并將其作為額外的參考幀整合到待編碼幀的參考幀列表中。與現(xiàn)有虛擬參考幀算法相比，本文提出的參考幀增強(qiáng)算法的輸出幀不包含虛構(gòu)內(nèi)容，其構(gòu)造算法較簡單，且性能優(yōu)于已有虛擬參考幀算法。

圖1 基于最鄰近幀質(zhì)量增強(qiáng)的參考幀列表優(yōu)化框架

綜上，本文提出一種新型的參考幀列表優(yōu)化算法，設(shè)計一種改進(jìn)的視頻幀質(zhì)量增強(qiáng)網(wǎng)絡(luò)對最鄰近幀進(jìn)行質(zhì)量增強(qiáng)。首先將可變形卷積網(wǎng)絡(luò)（DCN,deformable convolutional network）和光流相結(jié)合，應(yīng)用光流引導(dǎo)可變形卷積的偏移預(yù)測，然后將網(wǎng)絡(luò)生成的高質(zhì)量參考幀插入?yún)⒖紟斜韰⑴c幀間預(yù)測，提高預(yù)測準(zhǔn)確度，進(jìn)而提高編碼效率。

1 相關(guān)研究

1.1 基于神經(jīng)網(wǎng)絡(luò)的視頻幀質(zhì)量增強(qiáng)

視頻幀質(zhì)量增強(qiáng)旨在減弱視頻經(jīng)過有損壓縮引入的失真，基于深度學(xué)習(xí)的方法在視頻幀質(zhì)量增強(qiáng)方面取得了顯著的成效。該類方法大致可分為單幀質(zhì)量增強(qiáng)和多幀輔助質(zhì)量增強(qiáng)。單幀質(zhì)量增強(qiáng)方法基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)來提取圖像的空域信息和特征，通過強(qiáng)化這些信息對圖像進(jìn)行增強(qiáng)。多幀輔助質(zhì)量增強(qiáng)方法則利用一個或多個相鄰幀的時域和空域信息進(jìn)行質(zhì)量增強(qiáng)，是目前視頻幀質(zhì)量增強(qiáng)的主要手段。

1.1.1 單幀質(zhì)量增強(qiáng)方法

受基于神經(jīng)網(wǎng)絡(luò)的圖像超分辨率算法的啟發(fā)，面向減弱失真的卷積神經(jīng)網(wǎng)絡(luò)（ARCNN,artifact reduction CNN）[3]率先針對JPEG 重建圖像引入CNN 濾波方法，實現(xiàn)對單幀圖像的質(zhì)量增強(qiáng)?；诰矸e神經(jīng)網(wǎng)絡(luò)的環(huán)內(nèi)濾波（IFCNN,in-loop filtering using CNN）技術(shù)[4]使用三層卷積網(wǎng)絡(luò)代替H.265/HEVC 中的樣點自適應(yīng)補(bǔ)償濾波模塊。殘差高速卷積神經(jīng)網(wǎng)絡(luò)（RHCNN,residual highway CNN）[5]引入由殘差高速單元和卷積層組成的神經(jīng)網(wǎng)絡(luò)，作為H.265/HEVC 中額外的環(huán)內(nèi)濾波器。非對稱卷積殘差網(wǎng)絡(luò)（ACRN,asymmetric convolutional residual network）[6]利用密集結(jié)構(gòu)來提取重建幀的層次性特征，利用非對稱卷積塊提取紋理的方向性特征來恢復(fù)紋理。遞歸殘差卷積神經(jīng)網(wǎng)絡(luò)（RRCNN,recursive residual CNN）[7]作為H.265/HEVC 中額外的環(huán)內(nèi)濾波器，在編碼樹單元（CTU,coding tree unit）級自適應(yīng)選擇使用此濾波器，同時采用遞歸殘差模塊實現(xiàn)殘差模塊的參數(shù)共享?；谧?yōu)V波器尺寸的殘差學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)（VRCNN,variable-filter-size residue-learning CNN）[8]應(yīng)用Inception 模塊的方式，利用多個小尺度卷積層并行組合來代替大尺度卷積層。多級注意力卷積神經(jīng)網(wǎng)絡(luò)（MACNN,multi-stage attention CNN）[9]采用改進(jìn)的Inception 模塊和自注意力機(jī)制，使用較淺的卷積網(wǎng)絡(luò)獲得全局信息能力?；趬嚎s激發(fā)模塊的濾波卷積神經(jīng)網(wǎng)絡(luò)（SEFCNN,squeeze-and-excitation filtering CNN）[10]利用特征提取和特征增強(qiáng)2 個子網(wǎng)組合來更獲取通道間的非線性關(guān)系，并結(jié)合壓縮激發(fā)（SE,squeeze-and-excitation）模塊[11]來建立通道間注意力機(jī)制。

有些工作將編碼信息應(yīng)用到網(wǎng)絡(luò)中，幫助網(wǎng)絡(luò)快速收斂并進(jìn)一步提高重建幀的質(zhì)量。多模型/多尺度卷積神經(jīng)網(wǎng)絡(luò)（MMSCNN,multi-modal/multi-scale CNN）[12]將H.265/HEVC 的編碼單元和變換單元的分區(qū)映射作為網(wǎng)絡(luò)的輸入。分區(qū)掩蓋卷積神經(jīng)網(wǎng)絡(luò)[13]深入分析編碼單元分區(qū)信息的生成方法和幀融合方法。引入殘差的卷積神經(jīng)網(wǎng)絡(luò)濾波器（CNNF-R,CNN filter using residual）[14]將編碼后的殘差信息作為輔助信息輸入網(wǎng)絡(luò)。深度殘差卷積神經(jīng)網(wǎng)絡(luò)（DRCNN,deep residual CNN）[15]采用歸一化量化參數(shù)（QP,quantization parameter）作為網(wǎng)絡(luò)輸入，幫助網(wǎng)絡(luò)學(xué)習(xí)QP 與輸入重建幀壓縮失真的關(guān)系。

1.1.2 多幀輔助質(zhì)量增強(qiáng)方法

空-時殘差網(wǎng)絡(luò)（STResNet,spatial-temporal residue network）[16]通過同時輸入當(dāng)前塊和同位塊提高重建幀的質(zhì)量。深度卡爾曼濾波網(wǎng)絡(luò)（DKFN,deep Kalman filtering network）[17]融合卡爾曼濾波模型和神經(jīng)網(wǎng)絡(luò)的高度非線性映射的優(yōu)勢，提供更準(zhǔn)確的時間信息，同時還利用預(yù)測殘差作為先驗信息，從而產(chǎn)生更高質(zhì)量的恢復(fù)結(jié)果。質(zhì)量門控卷積長短期記憶（QG-ConvLSTM,quality-gated convolutional long short-term memory）網(wǎng)絡(luò)[18]根據(jù)不同質(zhì)量幀的重要性不同，通過網(wǎng)絡(luò)學(xué)習(xí)使每幀的信息得到合理和充分的使用。上述方法直接使用相鄰?fù)粔K或參考幀作為網(wǎng)絡(luò)的輸入，未考慮運(yùn)動信息，難以利用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)跨多幀的依賴關(guān)系。

考慮運(yùn)動信息的多幀輔助質(zhì)量增強(qiáng)一般分為幀對齊、幀融合和質(zhì)量增強(qiáng)3 個步驟?；诠饬鲗R和基于可變形卷積對齊是目前最常用的幀對齊方法。幀融合是將對齊的幀與待增強(qiáng)的幀進(jìn)行融合，學(xué)習(xí)時域和空域相關(guān)性來生成融合特征以增強(qiáng)圖像質(zhì)量。質(zhì)量增強(qiáng)是充分挖掘融合特征中的互補(bǔ)信息，生成增強(qiáng)目標(biāo)幀。

基于光流的幀對齊通過估計幀之間的運(yùn)動信息，將鄰近幀變形映射（warp），使之與待增強(qiáng)幀對齊。質(zhì)量增強(qiáng)網(wǎng)絡(luò)（QENet,quantity enhancement network）[19]、基于學(xué)習(xí)的多幀視頻質(zhì)量增強(qiáng)（LMVE,learning-based multi-frame video quality enhancement）[20]和多幀引導(dǎo)的注意力網(wǎng)絡(luò)（MGANet,multi-frame guided attention network）[21]利用光流網(wǎng)絡(luò)[22]及使用金字塔、映射和代價量的卷積神經(jīng)網(wǎng)絡(luò)（PWC-Net）[23]估計的光流得到對齊幀，并與當(dāng)前幀一起作為網(wǎng)絡(luò)的輸入。多幀質(zhì)量增強(qiáng)（MFQE,multi-frame quality enhancement）[24]和MFQE 2.0[25]由基于光流的運(yùn)動補(bǔ)償子網(wǎng)絡(luò)和質(zhì)量增強(qiáng)子網(wǎng)絡(luò)組成，將與待增強(qiáng)幀最接近的2 個高質(zhì)量關(guān)鍵幀作為輸入。

現(xiàn)有的光流估計算法對有遮擋場景內(nèi)容的穩(wěn)健性不強(qiáng)，在運(yùn)動幅度大的情況下不能保證運(yùn)動信息的準(zhǔn)確性?；诠饬鞯膸瑢R在每個特征位置只學(xué)習(xí)一個偏移量，而DCN[26]和DCNv2[27]引入多個偏移量進(jìn)行幀對齊?？?時可變形融合（STDF,spatio-temporal deformable fusion）[28]和遞歸融合及可變形空-時注意力（RFDA,recursive fusion and deformable spatial-temporal attention）[29]學(xué)習(xí)一種新的時空可變形卷積來聚合時間信息的同時進(jìn)行幀融合，并利用由密集連接的卷積層來實現(xiàn)質(zhì)量增強(qiáng)?；诳勺冃尉矸e的幀對齊仍然存在一些問題，如快速運(yùn)動不準(zhǔn)確、訓(xùn)練不穩(wěn)定。由于可變形偏移與基于光流的偏移關(guān)系密切，光流引導(dǎo)的可變形對齊網(wǎng)絡(luò)（FDAN,flow-guided deformable alignment network）[30]和基本視頻超分（BasicVSR++,basic video super-resolution）算法[31]提出了新型的對齊算法，將可變形卷積和光流相結(jié)合。

幀融合是將對齊后的相鄰幀與當(dāng)前幀進(jìn)行融合，生成融合特征以增強(qiáng)圖像質(zhì)量。RFDA[29]提出一種遞歸融合模塊，在一段長時間范圍內(nèi)構(gòu)建時間依賴性。LMVE[20]和基于預(yù)測的多幀視頻增強(qiáng)（PMVE,prediction-based multi-frame video enhancement）[32]展示了直接融合、早期融合和慢速融合3 種不同的融合方法，并通過實驗驗證了慢速融合在效率上的優(yōu)勢。但是這些方法忽略了不同位置對增強(qiáng)幀的影響不同。為此，基于增強(qiáng)可變形卷積網(wǎng)絡(luò)的視頻恢復(fù)（EDVR,video restoration with enhanced deformable convolutional network）算法[33]引入了時間和空間注意力來幫助跨多個對齊特征聚合信息，但是沒有區(qū)分多個相鄰幀的重要性，忽略了它們的不同特征。

1.2 基于神經(jīng)網(wǎng)絡(luò)的虛擬參考幀生成

上述單幀或多幀輔助質(zhì)量增強(qiáng)方法可作為后處理技術(shù)應(yīng)用在視頻編碼系統(tǒng)中，也可用于環(huán)內(nèi)濾波處理。但這些方式多以提高主觀質(zhì)量為目標(biāo)，對提高編碼效率幫助有限。同時，基于神經(jīng)網(wǎng)絡(luò)的環(huán)內(nèi)濾波處理不可避免的一個問題是多次增強(qiáng)，即多幀之間存在參考依賴，質(zhì)量提升效果會隨著幀之間的傳遞逐漸減小。質(zhì)量增強(qiáng)之后的幀較平滑，多次濾波后平滑效果更加明顯，這時直接作為輸出會影響主觀質(zhì)量。

出于以上原因，本文聚焦于基于神經(jīng)網(wǎng)絡(luò)的幀間預(yù)測技術(shù)，此類技術(shù)不僅致力于提高重建圖像的質(zhì)量，而且利用增強(qiáng)技術(shù)可提高幀間預(yù)測的精確度，從而明顯提高視頻編碼效率，同時也避免了多次增強(qiáng)的問題。

目前，基于神經(jīng)網(wǎng)絡(luò)的幀間預(yù)測方法主要應(yīng)用在亞像素插值、預(yù)測值生成和參考幀列表優(yōu)化等環(huán)節(jié)。亞像素插值方法[34-37]通過神經(jīng)網(wǎng)絡(luò)利用整像素來推導(dǎo)亞像素位置。預(yù)測值生成方法[38-39]通過神經(jīng)網(wǎng)絡(luò)來代替線性加權(quán)預(yù)測，可更好地處理復(fù)雜運(yùn)動。使用網(wǎng)絡(luò)生成額外的虛擬參考幀是目前基于深度學(xué)習(xí)的參考幀列表優(yōu)化的主要方法。虛擬參考幀生成一般采用內(nèi)插、外插2 種方式。Lin 等[40]采用拉普拉斯金字塔狀的生成式對抗網(wǎng)絡(luò)，利用待編碼幀的前4 個已編碼的重建幀生成額外的具有高質(zhì)量的參考幀。Zhao 等[41]從2 個重建參考幀中生成高質(zhì)量虛擬幀放入?yún)⒖紟斜?，并設(shè)計CTU 級編碼模式。之后Zhao 等[42]進(jìn)一步利用神經(jīng)網(wǎng)絡(luò)將合成幀整合到參考幀列表中進(jìn)行運(yùn)動估計。Lee 等[43]提出使用之前已編碼的重建幀來合成虛擬參考幀，具有更高的時間相關(guān)性，可以同時進(jìn)行視頻幀內(nèi)插和外插，并自適應(yīng)地修改了高級運(yùn)動向量預(yù)測（AMVP,advanced motion vector prediction）模式和Merge 模式的預(yù)測機(jī)制。Choi 等[44]利用非線性變換和自適應(yīng)空間變化濾波器，使用擴(kuò)張的卷積和減少濾波器長度以減少網(wǎng)絡(luò)模型參數(shù)，為單向預(yù)測和雙向預(yù)測2 種方式設(shè)計模型。此類方法在實時性的LDP 配置下編碼時，僅能采用外插虛擬幀方法。而外插虛擬幀方法準(zhǔn)確度低，很難生成之后時刻尚不存在的信息，導(dǎo)致性能損失。針對該問題，本文提出利用深度學(xué)習(xí)實現(xiàn)參考幀質(zhì)量增強(qiáng)，并將增強(qiáng)后的參考幀作為額外的參考幀插入?yún)⒖紟斜?，以提高幀間預(yù)測準(zhǔn)確度，從而提高視頻編碼效率。

2 基于神經(jīng)網(wǎng)絡(luò)的參考幀列表優(yōu)化算法

2.1 網(wǎng)絡(luò)結(jié)構(gòu)

在常見的基于深度學(xué)習(xí)的視頻幀質(zhì)量增強(qiáng)網(wǎng)絡(luò)中，一般僅對一個分量，即Y 分量進(jìn)行質(zhì)量增強(qiáng)。H.265/HEVC 的通用測試序列格式為YCbCr 4:2:0格式，Y、Cb、Cr 這3 個分量在尺寸、分布范圍、紋理特征等方面各不相同。本文提出的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計對3 個分量分支路單獨處理。由于色度分量紋理相對平坦，因此色度分量支路網(wǎng)絡(luò)結(jié)構(gòu)為亮度分量支路的簡化版本，并且Cb 和Cr 分量支路共享網(wǎng)絡(luò)參數(shù)，以避免色度分量的過擬合。

在LDP 配置下，待編碼幀的參考幀列表一般存在4 個可用參考幀，故網(wǎng)絡(luò)輸入設(shè)置為4 個參考幀，其中參考幀列表中第一幀（即最鄰近幀）為待增強(qiáng)的參考幀。幀質(zhì)量增強(qiáng)網(wǎng)絡(luò)旨在估計出一個高質(zhì)量的參考幀放入?yún)⒖紟斜碇?。假設(shè)參考幀列表中的參考幀對應(yīng)的時刻依次為t,t1,t2,t3，網(wǎng)絡(luò)生成的高質(zhì)量參考幀表示為

其中，fRQE為本文所提出的參考幀質(zhì)量增強(qiáng)網(wǎng)絡(luò)，為輸入的參考幀。

如圖2 所示，首先，參考幀被送入偏移和掩碼預(yù)測（OMP,offset and mask prediction）模塊。偏移信息為參考幀對齊提供參考幀之間的運(yùn)動偏移量，掩碼信息為幀融合提供融合權(quán)重。

圖2 基于深度學(xué)習(xí)的參考幀質(zhì)量增強(qiáng)網(wǎng)絡(luò)模型框架

然后，利用OMP 模塊提供的偏移信息和掩碼信息，本文提出的網(wǎng)絡(luò)模型使用DCNv2[26]來對齊并同時融合待增強(qiáng)參考幀和其他參考幀。

最后，將融合得到的特征送入質(zhì)量增強(qiáng)（QE,quality enhancement）模塊進(jìn)一步處理，計算出增強(qiáng)的結(jié)果。為了利用殘差學(xué)習(xí)的優(yōu)勢[45]，QE 模塊的輸出與待增強(qiáng)參考幀相加得到增強(qiáng)后的參考幀。生成的高質(zhì)量參考幀為

其中，fOMP、fDCN和fQE分別為OMP 模塊、可變形卷積DCNv2 模塊和QE 模塊；I為參考幀集合，包含4 個參考幀。OMP 模塊生成t1,t2,t3時刻參考幀與t時刻參考幀之間的偏移信息和掩碼信息，如式(3)所示。

2.1.1 偏移和掩碼預(yù)測

不同參考幀之間存在不同程度的運(yùn)動偏移，準(zhǔn)確的幀對齊可以更有效地挖掘多個視頻幀的信息。考慮到光流引導(dǎo)的可變形對齊的優(yōu)異性能[31]，如圖3 所示，本文使用光流引導(dǎo)偏移量預(yù)測（FGOP,flow guided offset prediction）子模塊來獲得基本偏移量。進(jìn)一步地，使用特征學(xué)習(xí)子模塊（FLSN,feature learning sub-net）獲得殘差偏移信息和掩碼信息，進(jìn)而為輸入幀的每個位置提供最終偏移信息和融合權(quán)重。

如圖3 所示，以It和Iti為例，首先將這2 個重建幀的亮度分量經(jīng)過光流預(yù)測得到兩幀亮度分量之間的光流信息，再將其和經(jīng)過warp 操作得到對應(yīng)的warp 圖像。在色度分量支路中，使用亮度分量光流信息的下采樣作為兩幀色度分量之間的光流信息，具體如式(4)所示。

圖3 帶有光流引導(dǎo)的偏移和掩碼預(yù)測模塊

基于編碼-解碼網(wǎng)絡(luò)結(jié)構(gòu)，本節(jié)中的亮度分量特征學(xué)習(xí)子模塊的網(wǎng)絡(luò)結(jié)構(gòu)如圖4 所示。在該結(jié)構(gòu)中，跨度為2 的卷積層和反卷積層分別用于下采樣和上采樣，亮度分量分別進(jìn)行三次卷積下采樣和反卷積上采樣。對于跨度為1 的卷積層，使用零填充來保留特征大小。為了簡單起見，所有（反）卷積層的通道數(shù)為32。這樣，每一層的內(nèi)部特征的通道數(shù)是相同的。在FLSN 中，將輸入幀經(jīng)過圖4 所示的一系列處理得到殘差偏移信息和掩碼信息。

圖4 亮度分量特征學(xué)習(xí)子模塊的網(wǎng)絡(luò)結(jié)構(gòu)

其中，fFLSN表示特征學(xué)習(xí)子模塊。最終的偏移信息為

色度分量支路的特征學(xué)習(xí)子模塊為亮度分量的簡化版本，其網(wǎng)絡(luò)結(jié)構(gòu)如圖5 所示。

圖5 色度分量特征學(xué)習(xí)子模塊的網(wǎng)絡(luò)結(jié)構(gòu)

2.1.2 質(zhì)量增強(qiáng)模塊

QE 模塊將幀對齊并融合后得到的特征作為輸入，充分挖掘特征圖中包含的信息，進(jìn)一步提高生成幀的質(zhì)量。

通過DCNv2 得到的融合特征（FF,fusion feature）如式(7)所示。

其中，F(xiàn)FY表示亮度分量的融合特征，F(xiàn)FC表示色度分量Cb 或Cr 的融合特征。經(jīng)過QE 模塊之后將得到最終的高質(zhì)量參考幀，各分量的處理如式(8)所示。

本文采用8 層卷積網(wǎng)絡(luò)作為亮度的質(zhì)量增強(qiáng)模塊，使用4 層卷積網(wǎng)絡(luò)作為色度的質(zhì)量增強(qiáng)模塊，分別如圖6 和圖7 所示。

圖6 亮度分量質(zhì)量增強(qiáng)

圖7 色度分量質(zhì)量增強(qiáng)

2.2 高質(zhì)量參考幀的整合

如圖1 所示，解碼圖像緩存器（DPB,decoded picture buffer）用于存放解碼重建完成的圖像。每個片（slice）的幀間預(yù)測參考幀都由RFL 來管理，RFL 的圖像實際存儲于DPB 中。在編解碼過程中，不同時刻會為DPB 中存在的每幀重建圖像賦予一個不同的標(biāo)記，標(biāo)記有兩層含義，首先區(qū)分其是否作為參考幀，如果作為參考幀，再區(qū)分其是長期參考幀還是短期參考幀。當(dāng)圖像不再作為其他圖像的參考幀時，將其從DPB 中移除。

圖8給出了LDP配置下圖像之間參考關(guān)系以及各位置圖像與其質(zhì)量對應(yīng)關(guān)系。通常，圖像組（GoP,group of picture）大小設(shè)置為8，圖像間的編碼順序、解碼順序與顯示順序均相同。圖8 中的箭頭方向表示參考關(guān)系，每幀圖像僅參考顯示順序排在其之前的圖像，包括其最鄰近圖像和3 個前序GoP 中質(zhì)量最高的圖像。圖8 中的圖像使用不同的QP 進(jìn)行編碼，因此具有不同的重建質(zhì)量。一般來說，QP 越小質(zhì)量越高，圖8 中白色框表示對應(yīng)圖像使用的QP 最小，其質(zhì)量最高；圖像標(biāo)識顏色越深，表示其對應(yīng)的QP 越大，質(zhì)量越差。

圖8 LDP 配置下圖像之間參考關(guān)系以及各位置圖像與其質(zhì)量對應(yīng)關(guān)系

觀察圖8 可知，由于采用了不同QP，與待編碼圖像時間上最接近、內(nèi)容最相似的參考幀質(zhì)量往往不是最好的?；诖耍疚奶岢鰧ψ钹徑鼌⒖紟M(jìn)行質(zhì)量增強(qiáng)從而得到高質(zhì)量參考幀。

本節(jié)將本文算法集成到H.265/HEVC 參考軟件平臺HM（HEVC model）16.22 版本上，可分為以下幾個步驟。

步驟1在待編碼幀編碼之前創(chuàng)建一個增強(qiáng)參考幀緩存INN，并將其放入DPB 中。本文所提出的算法對參考幀列表中第一個參考幀進(jìn)行質(zhì)量增強(qiáng)，即圖像順序計數(shù)（POC,picture order count）值最大的參考幀作為待增強(qiáng)幀。將INN的POC 值設(shè)置為DPB 中最大的POC 值，同時設(shè)置一個標(biāo)志信息與原參考幀進(jìn)行區(qū)分。

步驟2LDP 配置下待編碼幀僅含有前向參考幀列表，如圖9 所示，將前向參考幀列表的4 個參考幀輸入本文提出的網(wǎng)絡(luò)，進(jìn)行參考幀質(zhì)量增強(qiáng)。將增強(qiáng)后的參考幀賦給INN，并將INN整合到參考幀列表中。

圖9 LDP 配置編碼下參考幀列表優(yōu)化方案

步驟3對待編碼幀進(jìn)行編碼。在當(dāng)前幀編碼完成之后，將INN從DPB 中移除，以免影響后續(xù)的輸出及編碼。

需要注意的是，本文提出的參考幀質(zhì)量增強(qiáng)網(wǎng)絡(luò)的輸入均為存儲在DPB 中的重建幀，編碼端和解碼端的操作保持一致，所以編碼端不需要向比特流中傳輸任何額外的信息來標(biāo)記創(chuàng)建的參考幀。

3 實驗結(jié)果

3.1 訓(xùn)練細(xì)節(jié)

本文使用的數(shù)據(jù)集選自Xiph 和VQEG 中的106 個序列，包含280p～1 080p 不同分辨率。使用H.265/HEVC參考軟件HM16.22對每個序列分別使用4 個典型的QP {22,27,32,37}進(jìn)行LDP 配置下的編碼。

常用的損失函數(shù)包括均方差（MSE,mean squared error）、平均絕對誤差（MAE,mean absolute error）等。本文使用式(9)所示的MAE 作為損失函數(shù)，為方便整數(shù)運(yùn)算，最終選取式(10)作為最終的損失函數(shù)。

在訓(xùn)練過程中，本文使用Adam 優(yōu)化算法對網(wǎng)絡(luò)進(jìn)行更新，其相應(yīng)參數(shù)設(shè)置為α= 0.0001，β1= 0.9，β2= 0.999，ε= 10-8。

3.2 與標(biāo)準(zhǔn)參考軟件的對比

本文在H.265/HEVC 的LDP 配置[47]下進(jìn)行了相關(guān)的測試，具體測試了A～E 類共計18 個視頻序列，測試仍采用4 個典型的QP，即{22,27,32,37}。

本節(jié)實驗使用BD-rate[48]對測試方法進(jìn)行客觀評價，以HM16.22 作為基準(zhǔn)方案，BD-rate 值代表在相同重建視頻質(zhì)量下的碼率節(jié)省量，若BD-rate為負(fù)值，則表示測試方法優(yōu)于基準(zhǔn)方案；若BD-rate為正值，則表示測試方法相比于基準(zhǔn)方案需要傳輸更多的編碼碼率，引入了編碼損失。

表1 給出了相應(yīng)的測試結(jié)果，其中包含三類內(nèi)容，即不同測試序列對應(yīng)的類別、名稱、3 種顏色分量的性能。為充分分析增強(qiáng)參考幀放在參考幀列表不同位置造成的影響，本文方案將增強(qiáng)參考幀分別放到參考幀列表的第一位、第二位和最后位進(jìn)行測試。同時，為了驗證不改變參考幀列表長度下引入增強(qiáng)參考幀的性能，本文也測試了將增強(qiáng)參考幀替換最鄰近參考幀的性能。

表1 LDP 配置編碼下引入增強(qiáng)參考幀在HM16.22 下的測試結(jié)果

從表1 中可以看出，基于最鄰近幀質(zhì)量增強(qiáng)的參考幀列表優(yōu)化算法將增強(qiáng)參考幀放到參考幀列表第二位時，獲得的性能最高。在Y、Cb、Cr 這3 個分量上平均得到-9.06%、-14.92%、-13.19%的BD-rate 增益。同時，在所有測試序列上都得到了增益，從Y 分量來看，可得到-15.21%～5.02%的BD-rate 增益。在不改變參考幀列表長度的情況下，將增強(qiáng)參考幀替換最鄰近參考幀也可帶來一定的BD-rate 增益，在Y、Cb、Cr 這3 個分量分別得到-4.92%、-10.11%、-7.84%的BD-rate 增益。在相同視頻質(zhì)量前提下，所提算法均可降低編碼碼率。

在測試時，本文深度學(xué)習(xí)網(wǎng)絡(luò)部分使用GPU進(jìn)行運(yùn)算，編解碼器的其他部分均使用CPU。表2給出了增強(qiáng)參考幀放到參考幀列表中不同位置時的編解碼時間比。

表2 增強(qiáng)參考幀放到參考幀列表中不同位置時的編解碼時間比

由表2 可知，將增強(qiáng)參考幀放到參考幀列表中不同位置時的編解碼時間接近，其中，編碼時間約為HM16.22 的1.2 倍，解碼時間約為HM16.22 的55 倍。

基于以上結(jié)果，本文選擇將質(zhì)量增強(qiáng)后的視頻幀插入待編碼幀的參考幀列表中的第二個位置。

3.3 與現(xiàn)有方法的對比

本節(jié)將所提算法與文獻(xiàn)[39,44]方法在相同的條件下進(jìn)行測試和比較。由于HM16.20 的LDP 配置編碼使用的GoP 為4，與HM16.22（GoP 為8）有較大差異，本文將參考幀質(zhì)量增強(qiáng)網(wǎng)絡(luò)在HM16.20上重新訓(xùn)練并測試，如表3 所示。

表3 與現(xiàn)有方法的編碼性能比較

由表3 可知，所提算法在Y、Cb、Cr 這3 個分量分別獲得了-8.9%、-12.5%、-10.4%的BD-rate增益。將所提算法與文獻(xiàn)[39,44]方法的最優(yōu)性能進(jìn)行對比，可見其在不同分辨率的序列上都取得了最優(yōu)的性能。

正如前文所述，在LDP 配置下，文獻(xiàn)[39,44]方法都利用當(dāng)前時刻之前的重建幀進(jìn)行外插來得到虛擬參考幀，旨在生成與待編碼幀內(nèi)容一致的參考幀。然而，因為無法避免運(yùn)動遮擋問題，虛擬參考幀中往往存在部分虛構(gòu)內(nèi)容，從而影響幀間預(yù)測的準(zhǔn)確性。而本文算法僅對已有的最鄰近參考幀進(jìn)行質(zhì)量增強(qiáng)，避免了因虛構(gòu)內(nèi)容帶來的預(yù)測誤差，同時經(jīng)過增強(qiáng)的參考幀內(nèi)容往往具有較高的預(yù)測精度，有助于提高幀間編碼效率。

文獻(xiàn)[39,44]方法經(jīng)過神經(jīng)網(wǎng)絡(luò)處理得到的幀可直接作為編碼塊的預(yù)測值，從而減少了大量運(yùn)動信息的傳輸，這是本文算法無法達(dá)到的效果。后續(xù)研究可以考慮綜合這2 種方法的優(yōu)勢進(jìn)行組合設(shè)計，達(dá)到更高的壓縮性能。

4 結(jié)束語

本文提出了一種基于最鄰近參考幀質(zhì)量增強(qiáng)的參考幀列表優(yōu)化算法，以提高在LDP 配置下的視頻編碼效率。具體做法是先應(yīng)用光流引導(dǎo)可變形卷積的偏移預(yù)測，再結(jié)合多參考幀通過QE 網(wǎng)絡(luò)對最鄰近參考幀進(jìn)行質(zhì)量增強(qiáng)，將增強(qiáng)后的參考幀作為額外的高質(zhì)量參考幀插入?yún)⒖紟斜?。本文實驗結(jié)果表明，所提算法可以提高低時延場景下視頻幀間編碼的效率。

本文將基于神經(jīng)網(wǎng)絡(luò)的視頻幀質(zhì)量增強(qiáng)應(yīng)用于參考幀列表優(yōu)化算法中，為視頻編碼標(biāo)準(zhǔn)的研究提供了可行的研究方向。然而將基于深度學(xué)習(xí)的網(wǎng)絡(luò)模型與傳統(tǒng)編碼框架相結(jié)合大大增加了編解碼復(fù)雜度，下一步可考慮對神經(jīng)網(wǎng)絡(luò)進(jìn)行壓縮和簡化以降低復(fù)雜度。同時，隨著軟硬件計算能力的提升，設(shè)計更高效的質(zhì)量增強(qiáng)網(wǎng)絡(luò)應(yīng)用到參考幀列表優(yōu)化中，也可進(jìn)一步提升視頻編碼性能。