本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

用AI搞視頻編解碼器，現(xiàn)在路子有點“野”。

插幀、過擬合、語義感知、GAN……你想過這些“腦洞”或AI算法，也能被用到編解碼器上面嗎？

例如，原本的算法每幀壓縮到16.4KB后，樹林開始變得無比模糊：

但在用上GAN后，不僅畫面更清晰，每幀圖像還更小了，只需要14.5KB就能搞定！

又例如，用插幀的思路結(jié)合神經(jīng)編解碼器，能讓最新壓縮算法效果更好……

這一系列算法的思路，背后究竟是什么原理，用AI搞編解碼器，潛力究竟有多大？

我們采訪了高通工程技術(shù)副總裁、高通AI研究方向負(fù)責(zé)人侯紀(jì)磊博士，了解了高通一些AI編解碼器中的算法細(xì)節(jié)和原理。

編解碼器標(biāo)準(zhǔn)逐漸“內(nèi)卷”

當(dāng)然，在了解AI算法的原理之前，需要先了解視頻到底是怎么壓縮的。

如果不壓縮，1秒30幀、8bit單通道色深的480p視頻，每秒就要傳輸80+Mbps數(shù)據(jù)，想在網(wǎng)上實時看高清視頻的話，幾乎是不可能的事情。

目前，主要有色度子采樣、幀內(nèi)預(yù)測（空間冗余）和幀間預(yù)測（時間冗余）幾個維度的壓縮方法。

色度子采樣，主要是基于我們眼睛對亮度比對顏色更敏感的原理，壓縮圖像的色彩數(shù)據(jù)，但視覺上仍然能保持與原圖接近的效果。

幀內(nèi)預(yù)測，利用同一幀中的大片相同色塊（下圖地板等），預(yù)測圖像內(nèi)相鄰像素的值，得出的結(jié)果比原始數(shù)據(jù)更容易壓縮。

幀間預(yù)測，用來消除相鄰幀之間大量重復(fù)數(shù)據(jù)（下圖的背景）的方法。利用一種名叫運動補(bǔ)償的方法，用運動向量（motion vector）和預(yù)測值計算兩幀之間像素差：

這些視頻壓縮的方法，具體到視頻編解碼器上，又有不少壓縮工作可以進(jìn)行，包括分區(qū)、量化、熵編碼等。

然而，據(jù)侯紀(jì)磊博士介紹，從H.265到H.266，壓縮性能雖然提升了30%左右，但這是伴隨著編碼復(fù)雜度提高30倍、解碼復(fù)雜度提高2倍達(dá)成的。

這意味著編解碼器標(biāo)準(zhǔn)逐漸進(jìn)入了一個“內(nèi)卷”的狀態(tài)，提升的壓縮效果，本質(zhì)上是用編解碼器復(fù)雜度來交換的，并不算真正完成了創(chuàng)新。

因此，高通從已有壓縮方法本身的原理、以及編解碼器的構(gòu)造入手，搞出了幾種有意思的AI視頻編解碼方法。

3個方向提升壓縮性能

具體來說，目前的AI研究包括幀間預(yù)測方法、降低解碼復(fù)雜度和提高壓縮質(zhì)量三個方向。

“預(yù)判了B幀的預(yù)判”

從幀間預(yù)測來看，高通針對B幀編解碼提出了一種新思路，論文已經(jīng)登上ICCV 2021。

I幀：幀內(nèi)編碼幀（intra picture）、P幀：前向預(yù)測編碼幀（predictive-frame）、B幀：雙向預(yù)測內(nèi)插編碼幀（bi-directional interpolated prediction frame）

目前的編解碼大多集中在I幀（幀內(nèi)預(yù)測）和P幀上，而B幀則是同時利用I幀和P幀的雙向運動補(bǔ)償來提升壓縮的性能，在H.265中正式支持（H.264沒有）。

雖然用上B幀后，視頻壓縮性能更好，但還是有兩個問題：

一個是視頻需要提前加載（必須提前編碼后面的P幀，才能得到B幀）；另一個是仍然會存在冗余，如果I幀和P幀高度相關(guān)，那么再用雙向運動補(bǔ)償就顯得很浪費。

打個比方，如果從I幀→B幀→P幀，視頻中只有一個球直線運動了一段距離，那么再用雙向運動補(bǔ)償?shù)脑挘蜁芾速M：

這種情況下，用插幀似乎更好，直接通過時間戳就能預(yù)測出物體運動的狀態(tài)，編碼計算量也更低。

但這又會出現(xiàn)新的問題：如果I幀和P幀之間有個非常大的突變，例如球突然在B幀彈起來了，這時候用插幀的效果就很差了（相當(dāng)于直接忽略了B幀的彈跳）。

因此，高通選擇將兩者結(jié)合起來，將基于神經(jīng)網(wǎng)絡(luò)的P幀壓縮和插幀補(bǔ)償結(jié)合起來，利用AI預(yù)測插幀后需要進(jìn)行的運動補(bǔ)償：

別說，效果還確實不錯，比谷歌之前在CVPR 2020上保持的SOTA紀(jì)錄更好，也要好于當(dāng)前基于H.265標(biāo)準(zhǔn)實現(xiàn)開源編解碼器的壓縮性能。

除此之外，高通也嘗試了一些其他的AI算法。

用“過擬合”降低解碼復(fù)雜度

針對編解碼器標(biāo)準(zhǔn)內(nèi)卷的情況，高通也想到了用AI做自適應(yīng)算法，來像“過擬合”一樣根據(jù)視頻比特流更新一個模型的權(quán)重增量，已經(jīng)有相關(guān)論文登上ICLR 2021。

這種方法意味著針對單個模型進(jìn)行“過擬合”，對比特流中的權(quán)重增量進(jìn)行編碼，再與原來的比特流進(jìn)行一個比較。如果效果更好的話，就采用這種傳輸方式。

事實證明，在不降低壓縮性能的情況下，這種方法能將解碼復(fù)雜度降低72%，同時仍然保持之前B幀模型達(dá)到的SOTA結(jié)果。

當(dāng)然，除了視頻壓縮性能以外，單幀圖像被壓縮的質(zhì)量也需要考慮，畢竟視覺效果也是視頻壓縮追求的標(biāo)準(zhǔn)之一。

用語義感知和GAN提高壓縮質(zhì)量

用語義感知和GAN的思路就比較簡單了。

語義感知就是讓AI基于人的視覺來考慮，選出你在看視頻時最關(guān)注的地方，并著重那部分的比特分配情況。

例如你在看網(wǎng)球比賽時，往往并不會關(guān)注比賽旁邊的觀眾長什么樣、風(fēng)景如何，而是更關(guān)注球員本身的動作、擊球方法等。

那么，就訓(xùn)練AI，將更多的比特放到目標(biāo)人物身上就行，像這樣：

從結(jié)構(gòu)上來講也比較簡單，也就是我們常見的語義分割Mask（掩膜）：

這種方法能很好地將受關(guān)注的局部區(qū)域幀質(zhì)量提升，讓我們有更好的觀看效果，而不是在視頻被壓縮時，看到的整幅圖像都是“打上馬賽克”的樣子。

據(jù)高通表示，這種語義感知的圖像壓縮，目前已經(jīng)在擴(kuò)展到視頻壓縮上了，同樣是關(guān)注局部的方法，效果也非常不錯。

而基于GAN的方法，則更加致力于用更少的比特數(shù)生成視覺效果同樣好的圖像質(zhì)量：

據(jù)高通表示，數(shù)據(jù)集來自CVPR中一個針對圖像壓縮的Workshop CLIC，提供了大約1600張的高清圖片，利用自研的模型，能在上面訓(xùn)練出很好的效果：

也就是開頭的圖片效果，即使在大小被壓縮后，基于GAN的圖像還是能取得更好的視覺質(zhì)量：

期待這些技術(shù)能馬上應(yīng)用到手機(jī)等設(shè)備上，讓我們看視頻的時候真正變得不卡。

相關(guān)論文：
[1]https://arxiv.org/abs/2104.00531
[2]https://arxiv.org/abs/2101.08687