近年来，高清视频技术为用户带来了更好的视觉体验，但同时也带来了巨大的存储与传输的挑战。因此视频压缩技术已经成为解决大容量视频传输与存储问题的关键。传统的视频压缩技术是基于变换量化操作的有损压缩。因此，在压缩的过程中会出现高频信息，以及细节信息的丢失。这些信息的丢失会导致压缩后的视频质量下降，出现诸如方块效应、振铃效应等失真。传统的视频压缩技术中具有对质量失真进行补偿的技术，被称为环路滤波。但是传统的环路率滤波技术泛化能力低，无法对不同内容的视频均达到良好的补偿效果。基于以上所述的挑战，本文采用深度学习的模型，从大量视频数据中学得失真的模式，使得模型能够适用于更广泛的数据，同时具有更高的压缩效率与更好的滤波效果。
　　首先，对于任意视频的单帧中出现的质量损失，本文采用深层的神经网络来进行质量恢复。由于近年来提出的残差学习和稠密连接能够极大程度地增大模型的深度，所以我们采用将残差网络和稠密连接级联的方式构建模型。另一方面，对于不同视频具有不同的视觉尺度的情况，我们采用多个尺寸的滤波核来构成基础的卷积层。另外，本文也采用了视觉注意力机制使得网络对不同的视觉区域给与不同的权值以提高模型的性能。
　　更进一步，视频序列中包含丰富的时域信息。视频中的任一帧和它的参考帧之间都有信息冗余。所以单帧中出现的信息丢失可以通过借助参考帧的信息进行补偿。为了利用参考帧的时域信息以及同一帧中相似块之间的空余信息，我们在前面网络的基础上设计了时域空域信息融合的神经网络。该网络可以通过对参考帧和相似块进行融合来辅助目标帧进行质量补偿，在单帧处理的基础上进一步地进行多帧的信息融合。