用 AI 打破编解码器内卷，高通最新顶会论文脑洞大开

量子位
2021-10-01 13:37

用 AI 搞视频编解码器，现在路子有点“野”。

插帧、过拟合、语义感知、GAN…… 你想过这些“脑洞”或 AI 算法，也能被用到编解码器上面吗？

例如，原本的算法每帧压缩到 16.4KB 后，树林开始变得无比模糊：

但在用上 GAN 后，不仅画面更清晰，每帧图像还更小了，只需要 14.5KB 就能搞定！

又例如，用插帧的思路结合神经编解码器，能让最新压缩算法效果更好……

这一系列算法的思路，背后究竟是什么原理，用 AI 搞编解码器，潜力究竟有多大？

我们采访了高通工程技术副总裁、高通 AI 研究方向负责人侯纪磊博士，了解了高通一些 AI 编解码器中的算法细节和原理。

编解码器标准逐渐“内卷”

当然，在了解 AI 算法的原理之前，需要先了解视频到底是怎么压缩的。

如果不压缩，1 秒 30 帧、8bit 单通道色深的 480p 视频，每秒就要传输 80+Mbps 数据，想在网上实时看高清视频的话，几乎是不可能的事情。

目前，主要有色度子采样、帧内预测（空间冗余）和帧间预测（时间冗余）几个维度的压缩方法。

色度子采样，主要是基于我们眼睛对亮度比对颜色更敏感的原理，压缩图像的色彩数据，但视觉上仍然能保持与原图接近的效果。

帧内预测，利用同一帧中的大片相同色块（下图地板等），预测图像内相邻像素的值，得出的结果比原始数据更容易压缩。

帧间预测，用来消除相邻帧之间大量重复数据（下图的背景）的方法。利用一种名叫运动补偿的方法，用运动向量（motion vector）和预测值计算两帧之间像素差：

这些视频压缩的方法，具体到视频编解码器上，又有不少压缩工作可以进行，包括分区、量化、熵编码等。

然而，据侯纪磊博士介绍，从 H.265 到 H.266，压缩性能虽然提升了 30% 左右，但这是伴随着编码复杂度提高 30 倍、解码复杂度提高 2 倍达成的。

这意味着编解码器标准逐渐进入了一个“内卷”的状态，提升的压缩效果，本质上是用编解码器复杂度来交换的，并不算真正完成了创新。

因此，高通从已有压缩方法本身的原理、以及编解码器的构造入手，搞出了几种有意思的 AI 视频编解码方法。

3 个方向提升压缩性能

具体来说，目前的 AI 研究包括帧间预测方法、降低解码复杂度和提高压缩质量三个方向。

“预判了 B 帧的预判”

从帧间预测来看，高通针对 B 帧编解码提出了一种新思路，论文已经登上 ICCV 2021。

I 帧：帧内编码帧（intra picture）、P 帧：前向预测编码帧（predictive-frame）、B 帧：双向预测内插编码帧（bi-directional interpolated prediction frame）

目前的编解码大多集中在 I 帧（帧内预测）和 P 帧上，而 B 帧则是同时利用 I 帧和 P 帧的双向运动补偿来提升压缩的性能，在 H.265 中正式支持（H.264 没有）。

虽然用上 B 帧后，视频压缩性能更好，但还是有两个问题：

一个是视频需要提前加载（必须提前编码后面的 P 帧，才能得到 B 帧）；另一个是仍然会存在冗余，如果 I 帧和 P 帧高度相关，那么再用双向运动补偿就显得很浪费。

打个比方，如果从 I 帧→B 帧→P 帧，视频中只有一个球直线运动了一段距离，那么再用双向运动补偿的话，就会很浪费：

这种情况下，用插帧似乎更好，直接通过时间戳就能预测出物体运动的状态，编码计算量也更低。

但这又会出现新的问题：如果 I 帧和 P 帧之间有个非常大的突变，例如球突然在 B 帧弹起来了，这时候用插帧的效果就很差了（相当于直接忽略了 B 帧的弹跳）。

因此，高通选择将两者结合起来，将基于神经网络的 P 帧压缩和插帧补偿结合起来，利用 AI 预测插帧后需要进行的运动补偿：

别说，效果还确实不错，比谷歌之前在 CVPR 2020 上保持的 SOTA 纪录更好，也要好于当前基于 H.265 标准实现开源编解码器的压缩性能。

除此之外，高通也尝试了一些其他的 AI 算法。

用“过拟合”降低解码复杂度

针对编解码器标准内卷的情况，高通也想到了用 AI 做自适应算法，来像“过拟合”一样根据视频比特流更新一个模型的权重增量，已经有相关论文登上 ICLR 2021。

这种方法意味着针对单个模型进行“过拟合”，对比特流中的权重增量进行编码，再与原来的比特流进行一个比较。如果效果更好的话，就采用这种传输方式。

事实证明，在不降低压缩性能的情况下，这种方法能将解码复杂度降低 72%，同时仍然保持之前 B 帧模型达到的 SOTA 结果。

当然，除了视频压缩性能以外，单帧图像被压缩的质量也需要考虑，毕竟视觉效果也是视频压缩追求的标准之一。

用语义感知和 GAN 提高压缩质量

用语义感知和 GAN 的思路就比较简单了。

语义感知就是让 AI 基于人的视觉来考虑，选出你在看视频时最关注的地方，并着重那部分的比特分配情况。

例如你在看网球比赛时，往往并不会关注比赛旁边的观众长什么样、风景如何，而是更关注球员本身的动作、击球方法等。

那么，就训练 AI，将更多的比特放到目标人物身上就行，像这样：

从结构上来讲也比较简单，也就是我们常见的语义分割 Mask（掩膜）：

这种方法能很好地将受关注的局部区域帧质量提升，让我们有更好的观看效果，而不是在视频被压缩时，看到的整幅图像都是“打上马赛克”的样子。

据高通表示，这种语义感知的图像压缩，目前已经在扩展到视频压缩上了，同样是关注局部的方法，效果也非常不错。

而基于 GAN 的方法，则更加致力于用更少的比特数生成视觉效果同样好的图像质量：

据高通表示，数据集来自 CVPR 中一个针对图像压缩的 Workshop CLIC，提供了大约 1600 张的高清图片，利用自研的模型，能在上面训练出很好的效果：

也就是开头的图片效果，即使在大小被压缩后，基于 GAN 的图像还是能取得更好的视觉质量：

期待这些技术能马上应用到手机等设备上，让我们看视频的时候真正变得不卡。