用AI打破编解码器内卷,高通最新几篇顶会论文脑洞有点大
本文经AI新媒体量子位(公众号ID:QbitAI)授权转载,转载请联系出处。
用AI搞视频编解码器,现在路子有点“野”。
插帧、过拟合、语义感知、GAN……你想过这些“脑洞”或AI算法,也能被用到编解码器上面吗?
例如,原本的算法每帧压缩到16.4KB后,树林开始变得无比模糊:
但在用上GAN后,不仅画面更清晰,每帧图像还更小了,用A只需要14.5KB就能搞定!
又例如,用插帧的思路结合神经编解码器,能让最新压缩算法效果更好……
这一系列算法的思路,背后究竟是什么原理,用AI搞编解码器,潜力究竟有多大?
我们采访了高通工程技术副总裁、高通AI研究方向负责人侯纪磊博士,了解了高通一些AI编解码器中的算法细节和原理。
编解码器标准逐渐“内卷”
当然,在了解AI算法的I打原理之前,需要先了解视频到底是怎么压缩的。
如果不压缩,1秒30帧、8bit单通道色深的480p视频,每秒就要传输80+Mbps数据,想在网上实时看高清视频的话,几乎是不可能的事情。
目前,主要有色度子采样、帧内预测(空间冗余)和帧间预测(时间冗余)几个维度的压缩方法。
色度子采样,主要是基于我们眼睛对亮度比对颜色更敏感的原理,压缩图像破编的色彩数据,但视觉上仍然能保持与原图接近的效果。
帧内预测,利用同一帧中的大片相同色块(下图地板等),预测图像内相邻像素的值,得出的结果比原始数据更容易压缩。
帧间预测,用来消除相邻帧之间大量重复数据(下图的背景)的方法。利用一种名叫运动补偿的方法,用运动向量(motion vector)和预测值计算两帧之间像素差:
这些视频压缩的解码方法,具体到视频编解码器上,又有不少压缩工作可以进行,包括分区、量化、熵编码等。
然而,据侯纪磊博士介绍,从H.265到H.266,压缩性能虽然提升了30%左右,但这是伴随着编码复杂度提高30倍、解码复杂度提高2倍达成的。
这意味着编解码器标准逐渐进入了一个“内卷”的状态,提升的压缩效果,本质上是用编解码器复杂度来交换的,并不算真正完成器内了创新。
因此,高通从已有压缩方法本身的原理、以及编解码器的构造入手,搞出了几种有意思的AI视频编解码方法。
3个方向提升压缩性能
具体来说,目前的AI研究包括帧间预测方法、降低解码复杂度和提高压缩质量三个方向。
“预判了B帧的预判”
从帧间预测来看,高通针对B帧编解码提出了一种新思路,论文已经登上ICCV 2021。
I帧:帧内编码帧(intr卷,a picture)、P帧:前向预测编码帧(predictive-frame)、B帧:双向预测内插编码帧(bi-directional interpolated prediction frame)
目前的编解码大多集中在I帧(帧内预测)和P帧上,而B帧则是同时利用I帧和P帧的双向运动补偿来提升压缩的性能,在H.265中正式支持(H.高通264没有)。
虽然用上B帧后,视频压缩性能更好,但还是有两个问题:
一个是视频需要提前加载(必须提前编码后面的P帧,才能得到B帧);另一个是仍然会存在冗余,如果I帧和P帧高度相关,那么再用双向运动补偿就显得很浪费。
打个比方,如果从I帧→B帧→P帧,视频中只有一个球直线运动了一段距离,那么再用双向运动补偿的话,就会很浪费:
这种情况下,最新用插帧似乎更好,直接通过时间戳就能预测出物体运动的状态,编码计算量也更低。
但这又会出现新的问题:如果I帧和P帧之间有个非常大的突变,例如球突然在B帧弹起来了,这时候用插帧的效果就很差了(相当于直接忽略了B帧的弹跳)。
因此,高通选择将两者结合起来,将基于神经网络的P帧压缩和插帧补偿结合起来,利用AI预测插帧后需要进行的运动补偿:
别说,几篇效果还确实不错,比谷歌之前在CVPR 2020上保持的SOTA纪录更好,也要好于当前基于H.265标准实现开源编解码器的压缩性能。
除此之外,高通也尝试了一些其他的AI算法。
用“过拟合”降低解码复杂度
针对编解码器标准内卷的情况,高通也想到了用AI做自适应算法,来像“过拟合”一样根据视频比特流更新一个模型的权重增量,已经有相关论文登顶会上ICLR 2021。
这种方法意味着针对单个模型进行“过拟合”,对比特流中的权重增量进行编码,再与原来的比特流进行一个比较。如果效果更好的话,就采用这种传输方式。
事实证明,在不降低压缩性能的情况下,这种方法能将解码复杂度降低72%,同时仍然保持之前B帧模型达到的SOTA结果。
当然,除了视频压缩性能以外,单帧图像被压缩的质量也需要考虑,论文毕竟视觉效果也是视频压缩追求的标准之一。
用语义感知和GAN提高压缩质量
用语义感知和GAN的思路就比较简单了。
语义感知就是让AI基于人的视觉来考虑,选出你在看视频时最关注的地方,并着重那部分的比特分配情况。
例如你在看网球比赛时,往往并不会关注比赛旁边的观众长什么样、风景如何,而是更关注球员本身的动作、击球方法等。
那么,就训练脑洞AI,将更多的比特放到目标人物身上就行,像这样:
从结构上来讲也比较简单,也就是我们常见的语义分割Mask(掩膜):
这种方法能很好地将受关注的局部区域帧质量提升,让我们有更好的观看效果,而不是在视频被压缩时,看到的整幅图像都是“打上马赛克”的样子。
据高通表示,这种语义感知的图像压缩,目前已经在扩展到视频压缩上了,同样是关注局部的方法,有点效果也非常不错。
而基于GAN的方法,则更加致力于用更少的比特数生成视觉效果同样好的图像质量:
据高通表示,数据集来自CVPR中一个针对图像压缩的Workshop CLIC,提供了大约1600张的高清图片,利用自研的模型,能在上面训练出很好的效果:
也就是开头的图片效果,即使在大小被压缩后,基于GAN的图像还是能取得更好的视觉质量:
期用A待这些技术能马上应用到手机等设备上,让我们看视频的时候真正变得不卡。
相关论文:
[1]https://arxiv.org/abs/2104.00531
[2]https://arxiv.org/abs/2101.08687
-
Canva免费放出Affinity专业设计套件,Adobe订阅制遭遇最强挑战标签: 小牛电动 电动滑板车 2026年一季度财报 国内销量标签: F5 TBLB Token经济 AI工厂云计算核心技术Docker教程:Docker 注册表微软智能云在华新增数据中心区域正式启用 看好中国市场机会业内人士:台积电获得主要云服务厂商AI芯片订单 包括微软5nm芯片订单ElevenLabs 音效模型更新至版本2:支持长片段、无缝循环和高保真音频标签: 豆包 中兴 努比亚 AI原生手机AI爬虫“入侵”网络:Fastly 报告揭示,Meta、OpenAI 等巨头成主要流量来源2025年GEO优化实战指南:这样做AI搜索优化,从被“摘录”到被引用
- ·通义 APP 推出知识库功能,助力用户高效管理个人与官方信息
- ·微软史上第二大规模收购上热搜 要在语音人工智能领域大展拳脚?
- ·云安全日报210301:IBM可视化处理平台发现执行任意代码漏洞,需要尽快升级
- ·本科生搞AI在线崩溃:3个月才跑通GitHub模型,太难了吧
- ·标签: 信诺维 科创板IPO 创新药 国泰海通
- ·温州正式成立人工智能局,浙江率先布局 AI 治理
- ·标签: 小米汽车 SkyNomad 澎程 SUV
- ·标签: 羲禾科技 硅光芯片 FMCW Lidar 400G/800G
- ·谷歌重塑 Agentspace,推出 Gemini Enterprise 工作流程自动化平台
- ·AI时代的GitHub,这个陆奇看好的方向,终于有人做了
- ·技术、行业与伙伴:做厚算力“黑土地”为基,华为云再筑AI新生态
- ·消息称苹果供应商伯恩光学考虑香港IPO 至多筹资20亿美元
- ·标签: 鑫森炭业 北交所IPO 多孔炭材料 活性炭
- ·云计算核心技术Docker教程:Docker Swarm 模式管理将节点作为管理节点加入
- ·郭明錤:苹果 iPhone 13/A15 将恢复正常周期
- ·AI爬虫“入侵”网络:Fastly 报告揭示,Meta、OpenAI 等巨头成主要流量来源
- ·钉钉与OpenDataLab联合推出文档解析工具DLU
- ·腾讯云智能战略全新升级 以“四级加速”助力政企开启数智化转型新思路
- ·业内人士:台积电获得主要云服务厂商AI芯片订单 包括微软5nm芯片订单
- ·字节跳动发布全新开源长文本处理模型 Seed-OSS-36B
- ·标签: 三星 SK海力士 马斯克 iQOO 15 Ultra
- ·云计算核心技术Docker教程:Docker 守护进程dockerd运行多个守护程序
- ·云计算开发:Python3-List copy()方法详解
- ·标签: 韵达股份 聂腾云 聂毅鹏 陈立英
- ·ChatGPT 全新上线个性化资讯功能,您的专属新闻助手来了!
- ·亚马逊清理云服务内容 违反规定将被删除
- ·Twitter将于周五推出付费认证服务:仅限于苹果iOS端应用
- ·抖音副总裁李亮:AI 技术助力谣言治理,构建可信平台环境
- ·2030年,AI将取代40%人类工作?OpenAI CEO 预言未来
- ·标签: 零跑汽车 C11 B01 Lafa5
- ·标签: 青心意创 ORCA 陪伴机器人 具身机器人
- ·标签: 招商证券 2025年报 归母净利润 每股EPS
- ·首次全年扭亏为盈后,寒武纪正面回应大厂竞争:通用芯片具备更强“技术普适性”
- ·标签: 腾讯 姚顺雨 AI Infra部 ReAct
- ·Canalys:2024年第二季度,中国大陆云服务支出增长8%
- ·高德“交通号” 升级版全新上线 哪里拥堵一目了然
