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副總裁、高通 AI 研究方向負責人侯紀磊博士，了解了高通一些 AI 編解碼器中的算法細節(jié)和原理。
編解碼器標準逐漸“內卷”
當然，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、幀內預測（空間冗余）和幀間預測（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。
幀內預測，利用同一幀中的大片相同色塊（下圖地板等），預測圖像內相鄰像素的值，得出的結果比原始數(shù)據(jù)更容易壓縮。
幀間預測，用來消除相鄰幀之間大量重復數(shù)據(jù)（下圖的背景）的方法。利用一種名叫運動補償?shù)姆椒?，用運動向量（motion vector）和預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行，包括分區(qū)、量化、熵編碼等。
然而，據(jù)侯紀磊博士介紹，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雜度提高 30 倍、解碼復雜度提高 2 倍達成的。
這意味著編解碼器標準逐漸進入了一個“內卷”的狀態(tài)，提升的壓縮效果，本質上是用編解碼器復雜度來交換的，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 研究包括幀間預測方法、降低解碼復雜度和提高壓縮質量三個方向。
“預判了 B 幀的預判”
從幀間預測來看，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：幀內編碼幀（intra picture）、P 幀：前向預測編碼幀（predictive-frame）、B 幀：雙向預測內插編碼幀（bi-directional interpolated prediction frame）
目前的編解碼大多集中在 I 幀（幀內預測）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，那么再用雙向運動補償就顯得很浪費。
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償?shù)脑?，就會很浪費：
這種情況下，用插幀似乎更好，直接通過時間戳就能預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（相當于直接忽略了 B 幀的彈跳）。
因此，高通選擇將兩者結合起來，將基于神經(jīng)網(wǎng)絡的 P 幀壓縮和插幀補償結合起來，利用 AI 預測插幀后需要進行的運動補償：
別說，效果還確實不錯，比谷歌之前在 CVPR 2020 上保持的 SOTA 紀錄更好，也要好于當前基于 H.265 標準實現(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”降低解碼復雜度
針對編解碼器標準內卷的情況，高通也想到了用 AI 做自適應算法，來像“過擬合”一樣根據(jù)視頻比特流更新一個模型的權重增量，已經(jīng)有相關論文登上 ICLR 2021。
這種方法意味著針對單個模型進行“過擬合”，對比特流中的權重增量進行編碼，再與原來的比特流進行一個比較。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雜度降低 72%，同時仍然保持之前 B 幀模型達到的 SOTA 結果。
當然，除了視頻壓縮性能以外，單幀圖像被壓縮的質量也需要考慮，畢竟視覺效果也是視頻壓縮追求的標準之一。
用語義感知和 GAN 提高壓縮質量
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，往往并不會關注比賽旁邊的觀眾長什么樣、風景如何，而是更關注球員本身的動作、擊球方法等。
那么，就訓練 AI，將更多的比特放到目標人物身上就行，像這樣：
從結構上來講也比較簡單，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注的局部區(qū)域幀質量提升，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)在擴展到視頻壓縮上了，同樣是關注局部的方法，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量：
期待這些技術能馬上應用到手機等設備上，讓我們看視頻的時候真正變得不卡。
相關論文：
[1]https://arxiv.org/abs/2104.00531
[2]https://arxiv.org/abs/2101.08687
參考鏈接：
[1]https://www.qualcomm.com/news/onq/2021/07/14/how-ai-research-enabling-next-gen-codecs
[2]https://github.com/leandromoreira/digital_video_introduction
廣告聲明：文內含有的對外跳轉鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結果僅供參考，IT之家所有文章均包含本聲明。