揭开“视频超分”黑科技的神秘面纱

在看电影时，有一幕大家应该都非常熟悉，警察从证据图片中选取一块区域放大，再放大，直到一个很小的目标变得清晰可见，从而发现重要的线索。现实中是不是真的有这样的技术，可以把模糊的小图变得清晰？答案是，一定程度上可以，这项黑科技就是超分辨率技术，从低分辨率图像恢复高分辨率图像，提高图像的质量，从而获得更加清晰的图片。超分辨率技术具有广泛的实际应用，如医学图像重建、人脸图像重建、远程传感、全景视频、无人机监控、超高清电视等。同样道理，实时视频也可以进行超分辨率处理，将模糊的小分辨率视频变成高清超高清视频，本篇干货分享就来揭开这项黑科技的神秘面纱。

01 什么是超分辨率

我们看到的图片或者视频，都是通过显示设备显示一个个像素来进行表达的。像素是在特定的时间点上能表达一个特定颜色的点，类似一片片马赛克。一幅图片就是由多个像素进行表达的，如图 1 所示。一幅图片有多少行和多少列像素，通常就是我们说的图片和视频的分辨率，它也是人眼能够分辨图像或者视频中的点或线的能力。

图 1 图片中的像素

数字相机在将真实世界转换为图片时，对真实的光信号进行了离散化，每个像素是一个采样，像素与像素之间是有间隔的。当图像分辨率较低时，采样率就比较低，或者可以理解为像素与像素之间的间隔是较大的；分辨率提高，像素与像素之间的间隔就变小，最终在显示图像时，就会对场景有更加精细的呈现。因此我们希望图像的分辨率越高越好，可以得到更加清晰的图像。但是，由于采集设备的能力，或者编码压缩、传输等方面的限制，图像的分辨率有时会比较低，为了提高这些图像的质量，可以通过提升分辨率来得到更高质量的图像。最直接朴素的想法就是用相邻的像素来填补空白，即近邻取样插值。但是这样的算法会出现有阶梯状锯齿，明显不能很好地提高图像的质量。双线性插值、双三次插值、Lanczos 插值等算法可以提高比近邻取样插值更好的效果。这一类传统的算法，往往被归为图像缩放技术。一般缩放的比例不会太高。

图 2 近邻取样插值

随着深度学习技术的发展，将低分辨率图像进行处理，得到一张高分辨率图像，同时恢复出自然、清晰的纹理，就是我们常听到的超分辨率技术，往往针对较高倍数的缩放，如 4 倍 8 倍缩放等。经典的图像超分算法 SRCNN，首次将卷积神经网络应用于图像超分辨率技术，相较于传统的算法，SRCNN 在图像的重建质量上取得了极大的提升。与传统方法类似，它实际上也是利用低分辨率图像对空缺信息进行填补，从而提高分辨率和质量。在学习阶段，有同一幅图的高分辨率和低分辨率两个版本，输入低分辨率图，通过 CNN 网络后，输出高分辨率图像，同时与原有的高分辨率图进行对比，更新迭代下一次的学习，最后得到的 CNN 网络，就可以用来恢复低分辨率图像。如图 3 所示，首先将低分辨率图输入到网络，经过特征提取、非线性映射、重建等步骤，输入高分辨率图像。SRCNN 之所以比传统网络更加优秀，是因为它即通过对低分辨率图像的特征进行学习和提取，针对不同的纹理特征，然后根据特征的不同，从而可以更加合理地进行高频信息的生成。

图 3 SRCNN 模型中的卷积结构

视频与图像类似，分辨率的提升对于提升视频质量也至关重要。与图像超分最大的不同，就是视频可以利用多个连续的图像/帧之间的相关信息，提升目标图像/帧的分辨率。虽然可以将视频拆分成多幅图像，然后用图像超分算法进行处理，但是会造成帧与帧之间出现不连贯的失真。近年来出现了一大批优秀的应用于视频的超分算法，以图像超分算法为基础，通过增加相应的模块来挖掘帧与帧之间的特征，从而提高视频超分算法的性能。

视频超分，假设低分辨率视频是从高分辨率的视频经过一系列的退化操作而得到，超分算法就是将该退化操作进行求逆，从而可以将低分辨率视频恢复成高分辨率视频。该退化操作可以表达为：

式中符号分别表示低分辨率视频的第 i 帧，高分辨率视频的第 i 帧，以 i 帧为中心的 2N+1 个高分辨率视频帧，及退化操作。通常退化操作为下采样，模糊，以及运动形变等。现实情况中，退化可能更加复杂，如颜色空间转换、压缩等。超分算法的目标即求解该退化过程的逆操作：

02 视频超分辨率算法的分类

基于深度学习的视频超分算法，一般会采用卷积神经网络（CNN）、生成对抗网络（GAN）或者循环神经网络（RNN）。架构基本上都是将低分辨率作为输入，然后进行帧间对齐，特征提取，特征融合，最后重建生成高分辨率视频，如图 4 所示。可以看出，与图像超分最大的不同之处在于，视频超分使用了帧间的信息。如何高效地使用这些信息，也是不同的算法的区别之处。

图 4 视频超分算法的基本框架

视频超分可以利用相邻帧间的信息，从而极大提高超分算法的性能。根据使用相邻帧间的信息的方法，对超分算法进行简单的分类：相邻帧进行对齐和非对齐两类。其中对齐算法又可以分成使用运动估计和运动补偿（MEMC）以及使用可变卷积两类。非对齐算法可分成二维卷积、三维卷积、RCNN、Non-Local。具体分类可图 5，

图 5 视频超分算法分类

基于运动估计和运动补偿算法

运动估计和补偿算法在视频超分中有着非常重要的作用，很多算法都以此为基础。运动估计是为了提取出帧间的运动信息，然后根据运动信息将不同的帧进行对齐。运动估计大多采用光流法，即通过计算帧间的时域相关性和变化，得到运动信息，如图 6 所示。运动补偿即利用运动信息来对相邻的帧进行处理，从而与要处理的帧进行对齐。常用的方法有线性插值和空域变换网络（STN）。

图 6 光流算法

VSRnet

VSRnet 是图像超分算法 SRCNN 在视频上的扩展，最大的改进就是增加了运动估计和运动补偿模块，输入图像由一幅变成多帧。运动信息的提取采用了 Druleas 算法。

VESPCN

VESPCN 即 Video efficient sub-pixel convolutional network，引入了一个空域运动补偿变换模块（MCT），运动补偿后的帧作为卷积网络的输入，再经过特征提取和融合，最后经过一个亚像素卷积层做上采样得到高分辨率视频。MCT 模块采用 CNN 由粗到精来提取运动信息、进行运动补偿。粗估网络以 2 个连续帧作为输入，经过 5 层卷积和 1 层亚像素卷积，得到粗略的光流运动信息，然后进行运动补偿。粗估网络的输入为粗估网络得到的光流信息和运动补偿帧，经过卷积网络得到更精细的运动信息和运动补偿帧。

RBPN

受后向投影算法的启发，RBPN 算法设计了一个投影模块。投影模块位于特征提取模块和重建模块之间。特征提取分为两个部分，一是对目标帧的低分辨率进行特征提取，二是对目标帧、相邻帧、及两帧的光流图的组合进行特征提取。投影模块由编码器和解码器组成。编码器由单图超分模块（处理目标图得到的特征图）、多图超分模块（处理目标帧、相邻帧、及两帧的光流图的组合得到的特征图）和残差块组成（处理前述两个模块，得到残差），将残差图与单图超分的结果叠加，送入解码器，解码器由残差块和下采样卷积组成。解码器的输出进入下一个投影模块，将所有投影模块的解码器的输出送入重建模块，得到超分帧。投影模块可以重复使用，直到遍历所有的帧。

可变卷积

上述这一类的超分算法，其共同点是都运用运动估计和运动补偿技术来将相邻的图像与目标图像进行对齐，但是都无法保证运动信息的准确性，特别是当有光线变化或者较大的运动的时候。针对这点，可变形卷积被用来代替运动估计和补偿，来对齐图像。下述算法将对这种方法进行简要介绍。

可变卷积于 2017 年提出，与传统的卷积层不同的点是，传统卷积层，每一层都的核都是固定大小；可变卷积在核中加入了偏移量，如此以来，输入特征通过卷积操作，便可以更好地对几何模型进行变换。采用可变卷积的视频超分算法主要有 EDVR，DNLN，TDAN，D3Dnet，VESR-Net。本文选取 EDVR 和 VERSR-Net 进行简要介绍。

EDVR

该算法夺取了 NTIRE19 Challenge 的冠军。该算法有两个关键的模块：a、金字塔、级联和可变形对齐模块（PCD），用来解决复杂运动和大运动；b、时空注意融合模块（TSA），用来融合多个对齐的特征图。最后是重建模块。此外，输入模糊图像时，可以增加预处理模块来去模糊。该框架也可以用来进行其它类型的视频处理。

VERSR-Net

该算法夺得优酷视频增强和超分算法挑战赛的冠军。它由特征编码器，特征融合器和重建模块组成。特征编码器由一个卷积层和多个 CARB 组成。特征融合模式借鉴了 EDVR 算法中的 PCD 模块，用来进行特征帧对齐。然后将特征图分解，形成空域，时域和不同颜色通道的特征，然后将这些特征进行融合。重建模块先经过 CARB 模块，然后进行特征解码，最后将特征与双三次插值的得到的高分辨图进行叠加，得到最终结果。

非对齐超分算法

除了前述的对齐方法之外，还有多种非对齐算法，即重建时不需要对帧进行对齐操作。可以细分为二维卷积法（FFCVSR）、三维卷积法（动态上采样滤波（DUF）、循环卷积法（双向循环卷积网络（BRCN）、非局部网络法。除了二维卷积法之外，其余方法都使用了时空域联合信息。这类方法依靠神经网络学习得到特征和运动信息，因而不需要帧对齐。在此不做深入分析。

03 各算法性能对比

根据各种算法提供的实验数据，EDVR，RBPN 和 FFCVSR 是三个比较优秀的算法，特别是 EDVR 和 RBPN 都已经被多次验证过，比早期的超分算法更高效。EDVR 是 NTIRE2019 挑战赛的冠军，该挑战赛目标是处理大运动场景和各种真实的视频场景，因而 EDVR 也是近来超分领域比较流行的算法。近期的超分算法比更早期的算法高效，可能得益于硬件计算能力的提升，使更深和更复杂的网络变得更容易。这几个优秀的算法，也都有一个明显的特点，就是它们都有相应的模块来处理高频分量和时间相关信息，如 EDVC 里面的跨层 PCD 对齐，RBPN 里的后向投影和特征上下文。

虽然视频超分的性能已经有了显著的提升，但深度神经网络的引入，使得训练和预测的计算复杂度、存储开销都非常高。随着移动设备的发展，高效轻量级网络的需求变得更为迫切。特别是在实时通信领域，对视频超分提出了更高的要求，由于实时通信还有更多模块使用计算资源，因此实时通信中的超分，不但需要极为简洁的设计，10 毫秒级的处理算法才能真正落地；另外对帧的时延也有较高要求，往往目标帧之后的帧是不能作为输入，以减少时延，这对网络结构的设计也有更高的要求。

随着人工智能和设备运算能力的持续进步，视频质量恢复(Video Restoraion)在 RTC 系统中的地位必将水涨船高，而视频超分是视频质量恢复的最核心组件。在前文提到的技术基础之上，拍乐云也自研了可适配于主流移动设备的超分算法，并将持续投入开发，为用户提供更高品质的实时视频体验。

参考文献

[1] https://arxiv.org/abs/2003.02115 J. Chen, et al. VESR-Net: TheWinning Solution to Youku Video Enhancement and Super-Resolution Challenge

[2] https://arxiv.org/abs/1905.02716 X. Wang, et al. EDVR: Video Restoration with Enhanced Deformable Convolutional Networks

[3] https://arxiv.org/abs/2003.13170 M. Haris, et al. Space-Time-Aware Multi-Resolution Video Enhancement

[4] https://arxiv.org/abs/2007.12928 H. Liu, et al. Video Super Resolution Based on Deep Learning: A Comprehensive Survey[5] Dong C, et al. Image Super-Resolution Using Deep Convolutional Networks. TPAMI 2016.