人工智能熱度很高，但泡沫也很大。人工智能在視頻領(lǐng)域的應(yīng)用已經(jīng)走入尋常人的生活，人臉識別，視頻自動摳像技術(shù)已經(jīng)比較成熟。除此之外，人工智能還能為視頻應(yīng)用帶來哪些變化呢？描述了人工智能在視頻應(yīng)用中的實踐探索，涉及編解碼器、超分辨率等。

序：人工智能來生今世

人工智能是一個非常廣泛的領(lǐng)域，當前人工智能涵蓋很多大的學科，大致歸納為六個：

計算機視覺（暫且把模式識別，圖像處理等問題歸入其中）；

自然語言理解與交流（暫且把語音識別、合成歸入其中，包括對話）；

認知與推理（包含各種物理和社會常識）；

機器人學（機械、控制、設(shè)計、運動規(guī)劃、任務(wù)規(guī)劃等）；

博弈與倫理（多代理人agents的交互、對抗與合作，機器人與社會融合等議題）；

機器學習（各種統(tǒng)計的建模、分析工具和計算的方法）。

這里值得強調(diào)幾點：

第一）目前的人工智能都是屬于弱人工智能的范圍，在某一個專業(yè)領(lǐng)域內(nèi)作為被人類使用的工具存在。 目前還不存在離開人類主體自行運行的人工智能，更不存在可以開發(fā)人工智能自我迭代進化的強人工智能。

第二）機器學習在近幾年取得了很大進展，有些人直接把機器學習當成了人工智能的代名詞。這是不準確的。舉例來說，不可否認機器學習在計算機視覺領(lǐng)域發(fā)揮著越來越大的作用，但是傳統(tǒng)意義上，通過人工建模，分析取得的模式識別，圖像識別，圖像增強仍舊是很成功的人工智能技術(shù)，并且也是機器學習進一步發(fā)展的基礎(chǔ)。

第三）統(tǒng)計分析方法在1990年代就出現(xiàn)并在一定領(lǐng)域內(nèi)使用了。統(tǒng)計分析方法也多種多樣的，根據(jù)實際需要產(chǎn)生過很多成功的案例，不一定采用目前標準的建模和分析方法。這里面舉個典型的例子，在1997年Intel推出mmx技術(shù)之前，程序員中流傳著一個非常著名的查表IDCT（反余弦變換），實際上就是對MPEG1編解碼過程的IDCT變換，做了統(tǒng)計分析后發(fā)現(xiàn)的，超過之前所有快速算法的實戰(zhàn)案例。具體細節(jié)請點擊『閱讀原文』下載IDCT 8x8.DOC。

第四）機器學習有這幾個比較明顯的缺陷，想要在實戰(zhàn)中取得良好的效果，就必須做出合理的取舍和優(yōu)化。這幾個缺陷是：

嚴重依賴數(shù)據(jù)，訓練方法和訓練量非常關(guān)鍵。

計算量偏高。

雖然有時候取得了良好的效果，但是機器學習本身并不能理解這個過程，也不能給出合理的解釋。

涉及自然科學常識和社會科學常識的問題，目前機器學習還不能在開放領(lǐng)域內(nèi)取得良好的效果。

（一）人工智能對視頻應(yīng)用的滲透

傳統(tǒng)視頻應(yīng)用的流程：

前面我們說過，目前的人工智能還處于工具階段，也就是說還沒有人工智能開發(fā)出來的任何的超越時代的編碼方法、傳輸協(xié)議、解碼、交互技術(shù)存在。目前人工智能滲透包括預處理和后處理，超分辨率，機器視覺等等，人們在這些過程中使用人工智能工具來提升開發(fā)效率或者處理效果。而編解碼技術(shù)，則屬于人類專家技術(shù)團隊才能解決的問題，目前的人工智能還很難介入。

近年來網(wǎng)絡(luò)直播應(yīng)用的興起，出現(xiàn)了跟以往廣播電視編解碼不太一樣的需求。那就是：

編碼端，保證編碼實時性和碼率的要求的同時，保證盡量高的圖像質(zhì)量。

發(fā)送，傳輸，緩沖，延時盡量小。

解碼器盡量能輸出最好的質(zhì)量，最好能超分辨率。

這兩年我一直在努力把人工智能（主要是機器學習）技術(shù)跟編解碼做更深的融合，用來解決傳統(tǒng)方法一直很難解決的這幾個問題。

編碼器遇到的問題：硬件編碼器性能好，但是圖像質(zhì)量差，碼率高。軟件編碼器效率較低，遇到復雜視頻，比如物體繁多，較大運動，閃光，旋轉(zhuǎn)，既不能滿足實時編碼的需求，同時輸出碼率也出現(xiàn)較大抖動。對于網(wǎng)絡(luò)應(yīng)用來說是很大的障礙。

解碼器需要增強的點：大家都在構(gòu)想能不能應(yīng)用超分辨率技術(shù)，把較低分辨率的視頻的播放質(zhì)量提升一大塊。目前有很多算法顯示出巨大的潛力，比如谷歌的RAISR，處理圖像時候效果很好。能不能實時用到視頻上，或者硬件化，或者采用更快的能實時運行的算法。我們在后面會討論一種折中方案，在犧牲一點質(zhì)量的前提下，能夠?qū)崟r運行的超分辨率算法。

（二）人工智能增強的編碼器

（2.1）動態(tài)編碼器

不同場景下編碼保持恒定質(zhì)量的碼率：

編碼時間和碼率是正相關(guān)的，在碼率暴漲的同時，編碼時間也劇烈延長。對于低延時需求強烈的直播應(yīng)用，會造成嚴重的卡頓。

一般就只好使用絕對不變碼率ABR. 不同場景下ABR的圖像質(zhì)量：

這樣帶來的結(jié)果就是圖像質(zhì)量不穩(wěn)定。

我們希望是下圖這樣的曲線：

這就需要編碼器能夠提前判定大碼率場景出現(xiàn)的可能性。需要判定的幾種情況：

物體繁多且有攝像機運動。

背景不動但是有大量物體的大范圍運動，包括快速運動，旋轉(zhuǎn)，仿射，蠕變等。

出現(xiàn)閃光，風沙，粒子系統(tǒng)。

這就需要開發(fā)一種適用于高清晰度直播應(yīng)用的面向場景的智能編碼技術(shù)。該技術(shù)通過監(jiān)督學習將常見視頻編碼卡頓場景分類并快速識別，提前預判視頻場景的編碼復雜度和碼率抖動，使用動態(tài)參數(shù)配置來編碼，保證編碼的實時性和限定碼率下最好的圖像質(zhì)量。

（2.2）內(nèi)容自動植入

這里討論廣告的自動植入問題。一種是在編碼前合成到視頻里面，這個過程跟編碼關(guān)系不大。但是直接合成到視頻之后，所有的觀眾看到的內(nèi)容就都一樣。

要做到個性化，精準的廣告投放，就只有在播放端解碼后合成。要做到這點，服務(wù)器不僅要發(fā)送原始視頻流，還要發(fā)送后期合成物體的定位方法和圖像數(shù)據(jù)，以便客戶端按照需求進行動態(tài)合成。

首先，自動植入的廣告跟前貼片比起來優(yōu)勢很明顯，可以植入的廣告數(shù)量非常巨大，效果也更自然，用戶也不會產(chǎn)生明顯的反感。

其次，個性化精準投放，又進一步擴大了廣告投放的總?cè)萘亢托省?/p>

（2.3）交互式視頻

目前基本做法是圖像識別后，與搜索引擎連接，產(chǎn)生一個內(nèi)容鏈接。

（三）人工智能增強的解碼器

（3.1）單個圖像的超分辨率

自然圖像基本上是平坦的紋理填充和顯著的邊緣（線條）組合形成的。

常規(guī)拉伸算法有雙線性插值和雙三次樣條曲線差值。一般說來，三次曲線要比線性插值效果好。

然而在 15 年前，我在金山做 DVD 播放器的時候，正在研究去隔行技術(shù)。

如上圖所示，第一排和第三排是原圖數(shù)據(jù)，第二排是需要插入的數(shù)據(jù)。普通的插值方法是在 B 方向上做一個三次插值。但是我這次計算了 A,B,C 三個方向的梯度，取方向梯度最小，像素梯度和最大的方向做簡單的線性插值。

這時候我有一個驚奇的發(fā)現(xiàn)，簡單的雙線性插值的目視效果居然要好過三次曲線。這是為什么呢？

圖像模糊的原因有以下幾個：

低分辨率下線條會變得模糊。

低分辨率圖像在拉伸到高分辨率時候會在線條上引入額外的模糊。

噪音的存在。

對于第2點我們具體說明：比如B樣條，三次樣條曲線有一個應(yīng)用條件，那就是樣本數(shù)據(jù)本身應(yīng)該是光滑的，至少是分段光滑。但是在圖像里面，物體的邊界和背景的結(jié)合處，就不滿足這個條件了。普通的三次樣條曲線插值并沒有考慮圖像內(nèi)部各個物體的不同，簡單的把整個圖像作為一個整體來計算。這樣必然就在邊界處引入了嚴重的模糊。

因此超分辨率主要從以上幾個方面進行處理。噪音的處理技術(shù)已經(jīng)比較成熟了。今天我們就不討輪了。

第一個討論點，如何降低線條的拉伸效應(yīng)，也就是線條的銳度保持。

比如一個4x4的像素塊，比較常見的是如下的形態(tài)：

普通的三次b樣條的濾波器參數(shù)矩陣為：

比如我們打算在4x4像素塊中心插入一個點：

第一種情況，插入點在邊界上。

使用標準濾波器：

使用改進濾波器：

第二種情況，插入點在邊界內(nèi)：

標準濾波：

效果可以接受。

第三種情況，插入點在邊界外：

使用標準濾波器：

使用改進濾波器：

第三種情況實際上和第一種是一樣的。所以我們只要考慮插入點在邊界上的情況就可以了。

考慮到每個像素實際是8位的，一個4x4像素塊的可能的組合基本就是128位整數(shù)。這是一個極其巨大的數(shù)字。然而實際上經(jīng)常出現(xiàn)的可能遠遠少于理論上限，基本上考慮幾千種組合就夠用了。這種情況下需要使用統(tǒng)計方法，或者說是機器學習的辦法來獲得一個比較好的濾波器參數(shù)表。這是一個很稀疏的分布，需要設(shè)計比較好hash方法來構(gòu)造和查找。

一般的機器學習過程都是類似的：準備一些原始 HR 圖象（2x2）和從采樣生成的 LR(1x1)圖象，作為配對數(shù)據(jù)。然后采用了幾個優(yōu)化操作：

第一步，將復雜 4x4 梯度圖象點陣處理成為簡單的碼本圖象（HASH)。

第二步，針對這個碼本圖象，使用考慮臨近像素梯度權(quán)重的方法重構(gòu)B樣條濾波器參數(shù)，每次都和原始的 2x2 倍圖象進行 SAD （COST函數(shù)）計算，尋找最接近的擬合曲線參數(shù)（下山法）。

第三步，對上一步獲得的大量參數(shù)計算概率分布，取最大概率的參數(shù)作為該碼本的最優(yōu)解。

第四步，對近似的碼本進行合并處理，以減小碼本的數(shù)量。

還有一個討論點，就是低分圖像對邊界造成的模糊，有沒有辦法來去除。有人提出了一個梯度變換的方法：

這種算法的思路就是計算出梯度的分布，然后適當把梯度收窄。不考慮實現(xiàn)速度的話，這個方法取得效果也是很驚人的。

這個算法的運算量太大了。我們只能是想辦法把這個過程融合到尋找濾波器參數(shù)矩陣的過程中來。

在實際處理過程中，我們就使用上面過程獲得的進行超分辨率計算。那么我們可以估計這樣算法的大致運算量：4x4矩陣配準，查找濾波器，然后每個點16次乘加法。整個過程預估相當于40次乘法運算。因此以現(xiàn)在的cpu性能，使用avx256/512或者hvx充分優(yōu)化，完全有可能實現(xiàn)1080p到4k的超分辨率上達到實時30fps。

這樣某些時候得到的圖象目視效果甚至要超過原始輸入圖象。

（3.2）視頻的超分辨率

上面是單個圖像的超分辨率。視頻的超分辨率和單個圖像是不同的。單個圖像的超分辨率算法可以融合到視頻超分辨率里面來。

視頻的超分辨率基本思路是從連續(xù)的視頻序列來重建高分辨率的圖像，涉及到圖像配準和子像素提取。研究方法和評價方法也存在很大差異。有些人用圖像的超分辨率方法來套用的話就會出現(xiàn)一些疑惑：

首先視頻編碼是一個有損壓縮過程，不同分辨率的序列壓縮退化過程是不同的，因此找不到合適的HR/LR配對。視頻質(zhì)量的評估也是遠比圖像質(zhì)量評估要復雜。因此目視質(zhì)量是一個比較簡易的評估標準。當然尋找一個HR/LR配對來計算PSNR也是可以的，但是說服力遠不如圖像配對的情況。

評估模型：

比如這個過程，由于未經(jīng)壓縮的視頻圖像體積巨大，所以HR(0)不適合用來做原始分辨率參照。我們可以選取HR(1)和HSR來比較獲取一個PSNR（0）, 然后選取HR(1)和普通拉伸獲得的HBR來比比較獲取一個PSNR(1). 如果PSNR(0)比PSNR(1)要高的話，就說明超分辨取得了效果。

普通的視頻序列物體配準和子像素提取是非常慢的。為了加快速度，我們把這個過程簡化了一下，省去配準和空間預測的過程，參照解碼生成分數(shù)運動向量，直接在解碼過程中完成一部分像素塊的子像素提取工作。

為了進一步提高處理速度，這里面的還采用了一些優(yōu)化措施：

實驗發(fā)現(xiàn)，在一個視頻播放序列中，如果每間隔2幀清晰度稍差的圖像，加入一幀相對高質(zhì)量圖像，和逐幀高質(zhì)量圖像對比起來，人眼的感覺不會造成太多差異。

因此在視頻SR過程中，可以每隔兩幀用普通 b 樣條+降噪生成的基礎(chǔ)圖象HBR+,做一次HSR處理:

[HSR] ,[HBR+] ,[HBR+], [HSR], [HBR+], [HBR+], [HSR], [HBR+], [HBR+]

這個視頻上面的快速超分辨率過程SR詳細過程可以描述為：

預估整個超分辨率過程輸出的HSR視頻圖像質(zhì)量提升1個dB左右。