论文部分内容阅读
在传输带宽或存储受限时,视频压缩所带来的压缩噪声明显地影响了用户的主观体验。针对这种低质量的压缩视频,本文利用卷积神经网络,分别从空域,联合时空域提出解决方法。本文的主要研究工作包括:1.从超分辨的角度提高压缩视频的质量。提出一种充分融合网络多阶特征的图像超分辨率算法,充分利用神经网络各层卷积所提取的分层特征信息。实验结果表明所提出的网络模型在通用4个测试集上,与深层超分辨率网络VDSR相比,平均获得0.22 dB增益。2.在空域利用帧内像素相关性提高压缩视频的质量。提出一种基于残差块的空域单帧图像质量增强方法。利用局部残差和全局残差,设计了基于残差块的单帧网络结构。结果表明,所提出的网络模型相对于H.265/HEVC,平均获得了0.22dB的性能增益。3.联合时空域信息提高压缩视频的质量。结合视频的时域信息,提出两种多帧质量增强方法,一种是基于光流信息的LMVE,另一种是基于预测的STMVE。实验结果表明,所提出的LMVE相对于H.265/HEVC,平均获得0.38 dB的性能增益;所提出的STMVE平均获得0.39 dB的性能增益。4.设计了一套应用于交通监控视频的质量增强方法。首先,改进YOLO网络以检测出一帧内的分组车辆,进而生成有效训练集;其次,设计了残差压缩激励网络(RSE-Net),仅使用20万参数量就达到了较好的非线性映射。实验结果表明,该方法与H.265/HEVC相比,平均获得0.29 dB的PSNR增益,并且显著改善了主观质量。