神经网络后处理:A PRACTICAL CONVOLUTIONAL NEURAL NETWORK AS LOOP FILTER FOR INTRA FRAME

本文介绍了一种新的卷积神经网络(CNN)滤波器,用于视频编码的后处理,解决了不同质量帧需要不同模型的问题。作者提出的CNNF模型在全intra配置下,通过动态固定点(DFP)量化,实现了在不同平台上的连续性和资源效率。在JEM7.0上的实验表明,该方法在三个分量上分别节省了3.14%,5.12%和6.28%的码率。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

A Practical Convolutional Neutral Network As Loop Filter for Intra Frame

论文
以往的视频编码后处理的神经网络模型在实际应用中存在问题:一是:使用不同QP的编码帧使用不同的模型,硬件上贵。二是:在不同平台上的编解码端的CNN的浮点运算可能导致不连续性。三是:CNN模型有冗余,消耗资源。
所以作者提出的网络旨在单个,低冗余,并且适应不同质量的解码帧。所以,将重构和QP也作为网络的输入,经过训练后将模型压缩,以减少冗余。为了确保连续性,采用DFP(dynamic fixed points),模型中的参数先经过DFP量化再被输入到CNN中。CNN的最终输出也经过DFP操作。在全intra配置下,取代传统的滤波,在JEM7.0上的实验结果显示在三个分量上分别有3.14%,5.12%,6.28%的码率节省。
作者提出一个实用的卷积神经网络滤波CNNF(convolutional neural network filter)取代所有的传统滤波,如下图所示:
CNNFJEM
作者提出的模型包含三部分:a novel network,model compression和DFP-based inference of CNNF。CNNF采用全卷积残差学习结构。在压缩模型部分,包含两步:一,在损失函数中增加正则项来帮助压缩。二,将第一部分获得的模型微调进行低阶近似。

网络结构

CNNF输入包括重构和QP map。QP map通过下面公式生成

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值