NTIRE @ CVPR 2021 视频质量增强竞赛：数据库、方法及结果汇总（官方发布）

本文转载自知乎，已获作者授权转载。

链接：https://zhuanlan.zhihu.com/p/368256419

NTIRE 2021 视频质量增强竞赛 （Challenge on Quality Enhancement of Compressed Video）由瑞士苏黎世联邦理工学院（ETH Zurich）博士研究生 Ren Yang（本人）及导师 Dr. Radu Timofte 主办，为 NTIRE Workshop（CVPR 2021）的竞赛之一。

NTIRE Workshop 时间定于 CVPR 2021 首日：美国田纳西州当地时间 6 月 19 日全天，敬请关注。

联系方式：杨韧 (ren.yang@vision.ee.ethz.ch)

竞赛主页（含数据库、开源代码等）：

https://github.com/RenYang-home/NTIRE21_VEnh

数据库分析报告（10 页）：

https://arxiv.org/abs/2104.10782

方法及结果汇总报告（20 页）：

https://arxiv.org/abs/2104.10781

1. 竞赛简介

本次竞赛分为三个赛道：

• Track 1: Fixed QP, Fidelity

• （https://competitions.codalab.org/competitions/28033）

视频采用 HM 16.20 的默认 LDP 配置压缩，设置 QP = 37，参赛方法根据 PSNR 提升排名

• Track 2: Fixed QP, Perceptual

• （https://competitions.codalab.org/competitions/28034）

视频采用 HM 16.20 的默认 LDP 配置压缩，设置 QP = 37，参赛方法根据 MOS 分数排名

• Track 3: Fixed bit-rate, Fidelity

• （https://competitions.codalab.org/competitions/28035）

视频采用 FFMpeg 的 x265 固定码率为 200 kbps 压缩，参赛方法根据 PSNR 提升排名

2. 数据库

Large-scale Diverse Video (LDV) Dataset

本竞赛使用新提出的 LDV 数据库，该数据库包含 240 个视频，在视频内容、帧间运动、拍摄方式、光线亮暗和帧率等方面有较好的多样性，如下图所示：

LDV 数据库的视频多样性

LDV 数据库视频示例

数据库链接见于上文竞赛主页，如该数据库对您的研究有所帮助，请引用：

@inproceedings{yang2021dataset,
title={{NTIRE 2021} Challenge on Quality Enhancement of Compressed Video: Dataset and Study},
author={Ren Yang and Radu Timofte},
booktitle={IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops},
year={2021}
}

@inproceedings{yang2021ntire,
title={{NTIRE 2021} Challenge on Quality Enhancement of Compressed Video: Methods and Results},
author={Ren Yang and Radu Timofte and others},
booktitle={IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops},
year={2021}
}

3. 方法及结果

竞赛结果汇总如下：

由上表可见，所有参赛方法均对压缩视频的质量有明显提升，且均好于 MFQE、QE-CNN 等原有方法。NTU-SLab 和 BILIBILI AI & FDU 参赛组在三个赛道均排名 TOP 2，其中 NTU-SLab 时间复杂度更低，泛化能力更强。

VUE、NOAHTCH、MT.MaxClear、Gogoing、Shannon 和 Block2Rock 参赛队在至少一个赛道排名 TOP 5，Ivp-tencent 的模型是唯一达到 >1 fps 的视频质量增强方法，其速度可达 120 fps，并实现与原有方法 MFQE 相似甚至更好的质量增强效果。

参赛方法的详细介绍及结果分析见于方法及结果汇总报告（链接见上文）

我们尽量争取更多方法的开源代码和模型，并在竞赛主页随时更新。

最后感谢所有参赛队（包括注册但未提交最终结果的）对我们的大力支持，感谢赞助商和参与主观实验的志愿者。希望本竞赛能够对该领域的研究起到推动作用，并对未来的研究有所启发。

备注：增强

图像与视频增强交流群

扫码备注拉你入群。