VCIP2020：基于深度学习合成参考帧

 

本文来自VCIP 2020论文《Deep Inter Coding with Interpolated Reference Frame for Hierarchical Coding Structure》

在混合编码框架中，帧间预测用于去除时域冗余。帧间预测的效果取决于参考帧的内容，当参考帧和待编码帧的内容越相似时编码效率越高，因此本文提出利用DNN合成参考帧然后插入参考帧列表用于后续的预测。本文算法在HM16.20上RA配置下，相当于HEVC有4.6%的BD-rate增益。

本文算法流程图如下所示，

基于DNN的参考帧生成

本节将介绍针对HEVC分层结构的参考帧生成方法。将DPB中的参考帧作为输入放入DNN，然后将DNN输出的帧放入参考列表（RPL）用于后续的预测。

本算法利用HEVC在RA配置下的分层B帧结构，分层B帧结构有5个时域层，如下图所示。

上图中，GOP中的帧被分到不同的时域层，可以看到播放顺序（POC）不同于编码顺序。低时域层的帧优先于高时域层的帧编码，高时域层的帧可以利用低时域层帧的重建帧作为参考。

为了在当前帧位置生成参考帧，DNN要输入DPB中离当前帧最近且距离相等的两个帧。假设F(.)表示利用DNN生成参考帧的过程，I_p表示POC=p的帧，I_p_r表示I_p的重建帧。则时域层级为L(I_p)的帧I_p的参考帧生成过程如下，

此外，由于不同时域层级的质量不同（使用层级越高QP越大），因此对不同时域层级应该分别训练模型，针对5个时域层级的情况应该训练4个不同的模型，但是这会加重编码器的负担，所以本文使用一个模型处理所有时域层级。

网络结构

本文使用DSepConv网络结构来训练插帧模型。如Fig.1所示，整个网络分为4个模块，2帧图像作为输入，然后通过编码器-解码器结构提取特征传给3个子模块用于估计参数（包括kernel、offset、mask）。

本文算法集成在HM16.20中，在编码过程中有两个RPL：List0和List1。List0中包含前向参考帧，其POC小于当前帧。List1中包含后向参考帧。对于B帧，它需要两个参考帧分别来自List0和List1。

本文算法会将DNN生成的参考帧插入List0和List1的末尾，它们会像普通帧一样用于运动预测。而且生成帧的信息不用在码流中传输，因为编码器和解码器可以按同样的方法生成这些帧。同时，生成帧的POC设为和当前帧一样。

实验结果

训练数据

训练集是Vimeo90K，它包含55095个分辨率为448x256的视频。网络的输入是不同压缩率的重建视频帧。为了使模型更鲁棒，对视频的第一帧和最后一帧在HM16.20下采用AI配置编码，QP从20到44。模型两个输入帧的QP的差值从0到10之间随机选择，这样便可以只训练一个模型来处理不同QP的情况。为了增广数据，在训练集只随机裁剪128x128的图像并进行随机旋转或翻转操作。

训练策略

模型通过Pytorch训练，损失函数中同时考虑了像素级预测失真和图像梯度。损失函数通过Adam优化器进行最小化，batch取16。首先对网络进行120 epochs次训练，学习率初始为1e-4，每40 epochs减小一半。最后使用256x256的patches，学习率为6.25-6对网络进行微调。

结果

使用class A到class D的序列进行测试，结果如上表所示。亮度分量可以达到4.6%的BD-rate增益。尤其是在高分辨率的视频上算法表现更好，在PeopleOnStreet序列上可以达到8.7%的BD-rate增益。此外，为了测试微调策略的有效性，和class B序列上和不使用微调的模型相比使用微调可以达到0.5%的BD-rate增益。

感兴趣的请关注微信公众号Video Coding