用 AI 搞視訊編解碼器，現在路子有點“野”。
插幀、過拟合、語義感覺、GAN…… 你想過這些“腦洞”或 AI 算法，也能被用到編解碼器上面嗎？
例如，原本的算法每幀壓縮到 16.4KB 後，樹林開始變得無比模糊：
又例如，用插幀的思路結合神經編解碼器，能讓最新壓縮算法效果更好……
這一系列算法的思路，背後究竟是什麼原理，用 AI 搞編解碼器，潛力究竟有多大？
我們采訪了高通工程技術副總裁、高通 AI 研究方向負責人侯紀磊博士，了解了高通一些 AI 編解碼器中的算法細節和原理。
編解碼器标準逐漸“内卷”
當然，在了解 AI 算法的原理之前，需要先了解視訊到底是怎麼壓縮的。
如果不壓縮，1 秒 30 幀、8bit 單通道色深的 480p 視訊，每秒就要傳輸 80+Mbps 資料，想在網上實時看高清視訊的話，幾乎是不可能的事情。
目前，主要有色度子采樣、幀内預測（空間備援）和幀間預測（時間備援）幾個次元的壓縮方法。
色度子采樣，主要是基于我們眼睛對亮度比對顔色更敏感的原理，壓縮圖像的色彩資料，但視覺上仍然能保持與原圖接近的效果。
幀内預測，利用同一幀中的大片相同色塊（下圖地闆等），預測圖像内相鄰像素的值，得出的結果比原始資料更容易壓縮。
幀間預測，用來消除相鄰幀之間大量重複資料（下圖的背景）的方法。利用一種名叫運動補償的方法，用運動向量（motion vector）和預測值計算兩幀之間像素差：
這些視訊壓縮的方法，具體到視訊編解碼器上，又有不少壓縮工作可以進行，包括分區、量化、熵編碼等。
然而，據侯紀磊博士介紹，從 H.265 到 H.266，壓縮性能雖然提升了 30% 左右，但這是伴随着編碼複雜度提高 30 倍、解碼複雜度提高 2 倍達成的。
這意味着編解碼器标準逐漸進入了一個“内卷”的狀态，提升的壓縮效果，本質上是用編解碼器複雜度來交換的，并不算真正完成了創新。
是以，高通從已有壓縮方法本身的原理、以及編解碼器的構造入手，搞出了幾種有意思的 AI 視訊編解碼方法。
3 個方向提升壓縮性能
具體來說，目前的 AI 研究包括幀間預測方法、降低解碼複雜度和提高壓縮品質三個方向。
“預判了 B 幀的預判”
從幀間預測來看，高通針對 B 幀編解碼提出了一種新思路，論文已經登上 ICCV 2021。
I 幀：幀内編碼幀（intra picture）、P 幀：前向預測編碼幀（predictive-frame）、B 幀：雙向預測内插編碼幀（bi-directional interpolated prediction frame）
目前的編解碼大多集中在 I 幀（幀内預測）和 P 幀上，而 B 幀則是同時利用 I 幀和 P 幀的雙向運動補償來提升壓縮的性能，在 H.265 中正式支援（H.264 沒有）。
雖然用上 B 幀後，視訊壓縮性能更好，但還是有兩個問題：
一個是視訊需要提前加載（必須提前編碼後面的 P 幀，才能得到 B 幀）；另一個是仍然會存在備援，如果 I 幀和 P 幀高度相關，那麼再用雙向運動補償就顯得很浪費。
打個比方，如果從 I 幀→B 幀→P 幀，視訊中隻有一個球直線運動了一段距離，那麼再用雙向運動補償的話，就會很浪費：
這種情況下，用插幀似乎更好，直接通過時間戳就能預測出物體運動的狀态，編碼計算量也更低。
但這又會出現新的問題：如果 I 幀和 P 幀之間有個非常大的突變，例如球突然在 B 幀彈起來了，這時候用插幀的效果就很差了（相當于直接忽略了 B 幀的彈跳）。
是以，高通選擇将兩者結合起來，将基于神經網絡的 P 幀壓縮和插幀補償結合起來，利用 AI 預測插幀後需要進行的運動補償：
别說，效果還确實不錯，比谷歌之前在 CVPR 2020 上保持的 SOTA 紀錄更好，也要好于目前基于 H.265 标準實作開源編解碼器的壓縮性能。
除此之外，高通也嘗試了一些其他的 AI 算法。
用“過拟合”降低解碼複雜度
針對編解碼器标準内卷的情況，高通也想到了用 AI 做自适應算法，來像“過拟合”一樣根據視訊比特流更新一個模型的權重增量，已經有相關論文登上 ICLR 2021。
這種方法意味着針對單個模型進行“過拟合”，對比特流中的權重增量進行編碼，再與原來的比特流進行一個比較。如果效果更好的話，就采用這種傳輸方式。
事實證明，在不降低壓縮性能的情況下，這種方法能将解碼複雜度降低 72%，同時仍然保持之前 B 幀模型達到的 SOTA 結果。
當然，除了視訊壓縮性能以外，單幀圖像被壓縮的品質也需要考慮，畢竟視覺效果也是視訊壓縮追求的标準之一。
用語義感覺和 GAN 提高壓縮品質
用語義感覺和 GAN 的思路就比較簡單了。
語義感覺就是讓 AI 基于人的視覺來考慮，選出你在看視訊時最關注的地方，并着重那部分的比特配置設定情況。
例如你在看網球比賽時，往往并不會關注比賽旁邊的觀衆長什麼樣、風景如何，而是更關注球員本身的動作、擊球方法等。
那麼，就訓練 AI，将更多的比特放到目标人物身上就行，像這樣：
從結構上來講也比較簡單，也就是我們常見的語義分割 Mask（掩膜）：
這種方法能很好地将受關注的局部區域幀品質提升，讓我們有更好的觀看效果，而不是在視訊被壓縮時，看到的整幅圖像都是“打上馬賽克”的樣子。
據高通表示，這種語義感覺的圖像壓縮，目前已經在擴充到視訊壓縮上了，同樣是關注局部的方法，效果也非常不錯。
而基于 GAN 的方法，則更加緻力于用更少的比特數生成視覺效果同樣好的圖像品質：
據高通表示，資料集來自 CVPR 中一個針對圖像壓縮的 Workshop CLIC，提供了大約 1600 張的高清圖檔，利用自研的模型，能在上面訓練出很好的效果：
也就是開頭的圖檔效果，即使在大小被壓縮後，基于 GAN 的圖像還是能取得更好的視覺品質：
期待這些技術能馬上應用到手機等裝置上，讓我們看視訊的時候真正變得不卡。
相關論文：
[1]https://arxiv.org/abs/2104.00531
[2]https://arxiv.org/abs/2101.08687
參考連結：
[1]https://www.qualcomm.com/news/onq/2021/07/14/how-ai-research-enabling-next-gen-codecs
[2]https://github.com/leandromoreira/digital_video_introduction