传统图像与视频压缩技术

2018年6月14日，图鸭与论智联合举办了一场线上公开课深度学习之视频图像压缩。讲师为周雷博士，图鸭科技深度学习算法研究员。以下为论智整理的听课笔记。因水平有限，难免有错漏不当之处，仅供参考。

传统图像与视频压缩技术

首先，我们简单回顾下传统图像与视频压缩技术。

JPEG

以下为JPEG编解码流程示意图。

从上图我们可以看到，图像数据编码过程如下：

离散余弦变换。简单来说，离散余弦变换是一种矩阵运算。

经过离散余弦变换后，高频数据和低频数据分流了，矩阵左上方是高频数据（较大的数值），右下方是低频数据（较小的数值）。这样我们就可以对其进行量化了，在JPEG中是除以量化步长再取整。

量化之后对其进行熵编码，得到压缩表示。

解码的过程与编码过程相逆，经过反熵编码、反量化、反离散余弦变换重建图像。

JPEG2000

JPEG2000和JPEG的最大差别是使用了离散小波变换。此外还加上了一些预处理步骤。

JPEG2000编码流程示意图

WebP

WebP是来源于VP8的图片压缩格式。主要特色是基于块预测。

BPG

和WebP类似，BPG同样源于视频编码技术（HEVC）。BGP的主要特点如下：

HEVC

HEVC的编码示意图如下：

上图中，Ref.表示参考样本。T & Q表示转换、量化过程，Q-1& T-1为其逆过程。Deblk.为Deblocking（去区块）的缩写。HEVC会将影像分为区块再进行编码，因此重建时会在区块边缘出现不连续的现象，称为区块效应。去区块过程可以减轻区块效应。SAO为Sample Adaptive Offset（样本自适应偏移量）的缩写，通过分析去区块后的数据与原始数据的差异，补偿量化过程造成的损失，使其尽可能接近原始数据。

CABAC为自适应二进制算术编码。算术编码利用符号出现的概率将符号序列编码为一个数字。

相应的解码过程：

从以上的编解码过程中，我们可以看到，先验概率估计的精确程度对编码的效率影响很大。HEVC使用动态更新的概率模型实现自适应二进制算术编码。

除了帧内估计、预测（参见前面提到的BPG）之外，HEVC视频编码还需考虑运动估计等帧间的关系。

深度学习图像视频压缩框架

深度学习图像压缩框架

下为深度学习图片压缩的典型框架示意图：

上图中每个模块的具体作用，可以参考如何设计基于深度学习的图像压缩算法中的解释。

图像压缩数据集

设计好网络模型后，需要使用图像进行训练。由于图像压缩属于无监督学习，无需人工标注，因此数据集是比较容易搜集的。无论是从网上爬取，还是自行使用相机拍摄，都不难得到大量高清图片。

常用的测试集有：

Kodak PhotoCD数据集，图像分辨率768x512，约40万像素；

Tecnick数据集，约一百四十万像素。

CVPR 2818 CLIC数据集，图像类别广泛，分辨率不等（512至2048），文件尺寸不等（几百K到几M）。

深度学习视频压缩框架

深度学习视频压缩与图像压缩的主要差别在于增加了帧间预测/差值。

基于卷积网络进行帧间预测

帧间预测能极大得减少帧间冗余。以1个参考帧，预测N-1帧为例，帧间预测的约束为参考帧和预测码字远小于每帧单独压缩的码字：

深度学习图像视频压缩进展介绍

深度学习图像压缩的主要发展方向：

RNN

CNN

GAN

这部分内容可以参考公开课ppt以及概览CVPR 2018神经网络图像压缩领域进展一文。

视频压缩方面，近年来的研究热点是将CNN与现有的视频编码器相结合。

编码单元选择

Liu Z、Yu X、Chen S等在2016年发表了CNN oriented fast HEVC intra CU mode decision，使用CNN学习预测编码单元模式的分类（2N x 2N或N x N）。

O2N、ON输出为码率失真代价

下采样编码

Jiahao Li等在2018年发表的Fully Connected Network-Based Intra Prediction for Image Coding对视频帧进行了分块处理，对适合进行下采样的块执行下采样操作，而对不适合进行下采样的块不执行下采样操作。之后，对下采样的块根据情况分别使用CNN或DCTIF进行上采样，以重建图像。为了达到更好的效果，亮度通道和色度通道使用了不同的网络架构。

视频帧环路滤波和后处理

Park W S和Kim M在2016年发表的CNN-based in-loop filtering for coding efficiency improvement中，使用CNN提升了HEVC的环路滤波（包括去区块滤波和SAO滤波）的效果。

类似地，Yuanying Dai等在2016年发表的A Convolutional Neural Network Approach for Post-Processing in HEVC Intra Coding，使用CNN网络改进了HEVC的后处理过程。

深度学习视频压缩的优势和劣势

使用深度学习进行单纯的图像压缩，应用场景有一定局限性。深度学习在视频压缩领域潜力更大。深度学习在视频压缩领域的主要优势在于：

能够实现更好的变换学习，从而取得更好的效果。

端到端的深度学习模型能够自行学习，而传统的视频压缩工作需要手工设计很多东西。

传统的视频压缩方法通常通过一些启发式的方法进行帧间预测，从而减少帧间冗余。而深度学习能够基于光流等进行预测。

另一方面，基于深度学习进行视频压缩也会遇到很多挑战。比如控制实现帧间预测占用的比特。

图鸭科技技术介绍

CVPR 2018 CLIC

在CVPR 2018学习图像压缩挑战上，图鸭团队为三个赢家之一，MOS、MS-SSIM两项指标均为第一。

TucodecTNGcnn4p基于端到端的深度学习算法，其中使用了层次特征融合的网络结构，以及新的量化方式、码字估计技术。网络使用了卷积模块和残差模块，损失函数纳入了MS-SSIM。

基于深度学习超分辨率重建图像

在这一领域，图鸭科技重点关注低码率下的超分辨率重建。因为低码率下图像难免有比较多的失真，应用超分辨率重建技术能缓解这些图像上的瑕疵，取得更好的显示效果。而高码率图像保留了原图更多的细节，相对而言不是非常适合应用超分辨率技术。

基于深度学习的视频压缩

如前所述，图鸭科技认为相对图像压缩，深度学习在视频压缩领域潜力更大。目前图鸭科技在基于深度学习的视频压缩方面，已经能够取得与x265媲美的效果。

基于深度学习的结构化存储

相比传统方法，深度学习编码图像的算力负担较重。然而，另一方面，图像的压缩特征不仅可以用于重建图像，还可以为语义分割、图像分类提供帮助。

问答环节

基于GAN进行图像压缩

GAN主要用于图像生成领域。但在进行图像压缩时，GAN会遇到一个问题，就是它会改变一些细节（生成一些新的细节）。因此，GAN这一的技术方向的选择常常取决于项目需求。例如，对于人脸图像来说，如果感兴趣区域是人脸，那么对感兴趣区域以外的区域可以使用非常低的码率压缩，重建图像时利用GAN生成细节。

量化方法的选择

建议大家参考相关论文自行选择。因为量化方法的选择往往还和网络中的其他模块相关。例如，如果编码器部分选用的激活输出的是二值（0、1），那么量化其实就不是那么重要了。

压缩时间

一般而言，基于深度学习的压缩算法，和传统算法相比，在CPU上压缩时间处于劣势。不过也有例外。比如，在图鸭科技的测试中，在CPU上，基于CNN的算法实际上比H266要快。H266虽然属于传统算法，但是复杂度其实很高。

未来随着GPU、专用深度学习芯片的算力提升，压缩时间不会成为应用深度学习压缩算法的最大障碍。