多特征增量学习的视频重建图像质量增强算法

摘要：

新一代视频编码标准H.265/HEVC采用了去方块滤波与样点自适应补偿滤波技术来去除视频重建图像的块效应并降低失真.这两种技术都源于信号处理理论,依赖人工设计相关算法与参数,并不能充分挖掘自然视频丰富而复杂的特性.本文将视频编码的环路滤波问题转化为端到端的回归问题,借助于卷积神经网络,自动学习重建视频图像与原始图像的复杂映射关系,降低两者的误差,进而提升编码效率.所提出的多特征增量学习网络模型共35层,整个网络采用全局残差学习方式,通过依次串联多特征增量学习块,不断提取、筛选,加强有用特征,提升网络的感知能力与学习能力;在局部的每个增量学习块内,设计了多尺度的卷积核,借助于稠密网络的思想,充分利用各个层次的特征,使得信息在各层间充分传递.实验结果表明,这种稠密与稀疏结合的网络结构有效地提高了网络的学习能力,并具备良好的泛化性,对视频编码重建图像的质量增强有明显效果.所提出的网络模型用于取代H.265/HEVC的环路滤波,在All Intra Main配置下,亮度分量获得最高-11.12％,平均-6.32％的BD-rate节省.该模型用于H.265/HEVC的环路滤波,BD-rate平均可降低5.24％.

关键词：H.265/HEVC、环路滤波、卷积神经网络、增量学习

所属期刊栏目：46

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家重点研发计划项目2017YFB1002803;国家级大学生创新创业训练计划项目201810346015

在线出版日期：2019-03-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：42-50