TIP 2018论文概述：基于深度学习的HEVC复杂度优化

Posted 2022-12-01 机器之心V

本文概述了 2018 年 6 月发表在 IEEE TIP 期刊的论文 Reducing Complexity of HEVC : A Deep Learning Approach。在此论文中，北京航空航天大学博士研究生李天一及其导师徐迈，提出了一种基于深度学习的视频编码复杂度优化方法，实现了在几乎不影响编码效率的前提下，显著降低高效率视频编码（High Efficiency Video Coding，HEVC）的复杂度。

■ 论文 | Reducing Complexity of HEVC: A Deep Learning Approach

■ 链接 | https://www.paperweekly.site/papers/2140

■ 源码 | https://github.com/HEVC-Projects/CPH

背景

与前一代 H.264/高级视频编码（Advanced Video Coding，AVC）标准相比，HEVC 标准能够在相同视频质量下，节省大约 50% 的比特率。这得益于一些先进的视频编码技术，例如基于四叉树结构的编码单元（coding unit，CU）分割结构。然而这些技术也带来了相当高的复杂度。与 H.264/AVC 相比，HEVC 的编码时间平均增加约 253%，较高的复杂度就限制了该标准的实际应用。因此，有必要在率失真（rate-distortion，RD）性能几乎不受影响的前提下，显著降低 HEVC 编码复杂度。 

从 2013 年 HEVC 正式发布开始，学界已经在降低编码复杂度方向进行了广泛的研究。目前已经存在多种降低 HEVC 编码复杂度的方法。就编码过程而言，基于四叉树的递归 CU 分割搜索，占据绝大部分编码时间（在标准参考软件 HM 中用时超过80%），因此很多方法都通过简化 CU 分割来降低 HEVC 编码复杂度。 

HEVC 中的 CU 分割结构如图 1 所示。在标准编码器中，CU 分割是一种递归的搜索，从最基本的 64×64 编码树单元（Coding Tree Unit，CTU）开始，一个 CTU 可以只包含一个 CU，也可以被分成四个子 CU；每个子 CU 又可以选择是否被分成四个更细的子 CU，以此类推，直到 CU 被分成最小尺寸 8×8 为止。

可见，从最大 64×64 到最小 8×8，多种可能的 CU 尺寸为 HEVC 标准提供了十分灵活的块分割方式，使编码器可以从中选出一种率失真代价最小的 CU 分割方案，作为实际编码结果。

与 H.264 相比，可选择的分割方案数增多，就更有希望找出率失真代价尽可能小的方案，这就是 HEVC 编码效率较高的一个重要原因。然而，有利往往也有弊，更多种 CU 分割方案，就意味着编码器需要花费更多时间，检查每种方案的率失真代价。

这是一个分层递归的过程，编码器需要对总共 85 个 CU（包括 64 个 8×8 的 CU，16 个 16×16 的 CU，4 个 32×32 的 CU 和 1 个 64×64 CU）编码，以检查每个 CU 的率失真代价。相比之下，在最终编码结果中，只会存在最少 1 个、最多 64 个 CU，因此如果能提前预测出合理的 CU 分割结果，即可直接对所选的 CU 进行编码，跳过不必要的率失真代价检查过程。

▲ 图1. HEVC中CU分割结构

早期的 CU 分割预测方法大多为启发式的，根据编码中的一些特征（如图像内容复杂度、率失真代价、运动矢量信息等）和人为制定的决策规则，在进行递归搜索之前，提前决定 CU 分割。2015 年以后，利用机器学习预测 CU 分割的一些方法被陆续提出，例如用支持向量机的自动学习，弥补了先前方法中需要人为制定决策规则的缺点。

然而，上述方法中的特征都需要手动提取，这在一定程度上依赖于研究者的先验知识，难以确定选取的特征是否为最优，并且容易忽略一些隐含但有用的特征。为实现特征自动提取，另有文献通过搭建简易的卷积神经网络（convolutional neural network，CNN）结构决定 CU 分割，初步实现了利用深度学习思想降低 HEVC 复杂度。 

尽管相关研究已经取得诸多成果，在本文方法提出之前，已有文献中的网络结构还比较浅，难以充分发挥深度学习的优势，并且，先前基于 CNN 的方法都只适用于帧内模式，对于实际应用更广泛的帧间模式则无能为力。

在设计算法之前，作者首先直观地分析 CU 分割结果，如图 2 所示，帧内模式的 CU 结果主要由 CTU 中的图像内容决定，一般纹理越密集之处，CU 分割也越密集，反之亦反。当然 CU 分割不仅仅取决于纹理的细密程度，若一个 CU 中纹理比较密集，但恰好可以通过相邻 CU 信息来准确预测，那么此 CU 也有可能不被分割。

无论如何，CU 分割结果和图像内容紧密相关，因此在帧内模式中，本文首先提出一种与 CU 分割相适应的 CNN 结构，通过图像内容自动提取特征，来学习 CU 分割结果。

▲ 图2. 帧内模式CTU内容与CU分割结果示例

对于帧间模式，可以发现 CU 分割结果不仅与视频内容有关，还取决于相近帧内容的相似度。例如，在背景静止或只有缓慢运动的视频中，CTU 中的内容可能比较细密，但可以由参考帧准确预测得到，那么这个 CTU 很可能不被分割。

鉴于此，本文提出一种长-短期记忆（Long Short-Term Memory，LSTM）模型，以学习帧间模式 CU 分割的时序依赖关系。在帧间模式中，本文将 CNN 与 LSTM 结合使用，同时学习视频内容的空间和时间相关性。如图 3 所示，将连续若干帧的 CTU 图像信息输入到 CNN＋LSTM 中，预测每一帧的 CU 分割结果。另外，与帧内模式不同，帧间模式中输入网络的是残差图像，这是考虑到残差图像本身就包含时间相关性信息，有利于准确预测。

▲ 图3. 帧间模式CTU内容与CU分割结果示例

思路

确定总体思路后，作者首先构建一个大规模的 CU 分割数据库，为训练神经网络提供数据支撑，并有望促进 HEVC 编码复杂度优化的后续研究。本数据库同时涵盖了帧内和帧间模式的全部四种配置（All Intra，Low Delay P，Low Delay B 和 Random Access，简称 AI，LDP，LDB 和 RA），其中帧内模式数据来自 2000 个无损图像，帧间的来自 111 个无损视频。所有数据均采用 4 个不同量化参数（Quantization Parameter，QP）压缩，以适应不同码率和编码质量。

在数据库中，每个样本由两部分组成：CU 中图像内容构成的亮度矩阵，以及一个二分类标签代表是否分割。表 1 显示了本数据库的样本组成，可见在每种模式中，都收集到超过 1 亿个样本，且正负样本分布大体均匀，保证能够有效训练。

▲ 表1. CU分割数据库的样本组成

在取得足量数据后，本文又提出一种分层 CU 分割图（hierarchical CU partition map，HCPM），对整个 CTU 中的 CU 分割进行高效建模。传统的 CU 分割预测，一般是把 CU 分割过程视为各自独立的三级分类器，分别预测每个 64×64 的 CU、32×32 的 CU 和 16×16 的 CU 是否分割。然而，传统方法每次预测只能得到一个 CU 的分割结果，若要得到整个 CTU 的分割结果，需要最多 21 次预测，计算量较大，并且会增加算法本身的计算时间。

为解决这一问题，在本文的 HCPM 中，可直接将一个 CTU 输入到网络中，得到 1+4+16 个节点的结构化输出，来预测 CTU 中所有可能的 CU 是否分割。

如图 4 所示，对于一个 CTU，通过数据库可以得到正确的 CU 分割结果，每个存在的 CU 都用 1 代表分割，0 代表不分割，即 HCPM 真值；将此 CTU 通过深度网络处理，会得到相应的 HCPM 预测值。网络的训练就是使 HCPM 预测值尽可能接近真值。如此，通过构建高效的 HCPM，可以大幅节省算法本身的调用时间，有利于最终降低编码复杂度的目标。

▲ 图4. 分层CU分割图示例（HCPM） 

帧内模式

下面分别介绍帧内和帧间模式中的深度神经网络结构。

在帧内模式中，作者设计了一种可以提前终止的分层 CNN（early-terminated hierarchical CNN，ETH-CNN）。该网络输入一个 64×64 CTU 的亮度信息，输出所有不同尺寸 CU 的分割概率，即前文所述的 HCPM。其中的提前终止机制，可以减少网络本身的时间复杂度。

▲ 图5. ETH-CNN结构

ETH-CNN 包含两个预处理层，三个卷积层，一个归并层和三个全连接层，结构如图 5 所示。各部分的具体配置与功能，阐述如下。

预处理层

对 CTU 原始亮度矩阵进行去均值和降采样等预处理操作。为了适应最终的 HCPM 三级输出，从预处理层开始，输入信息就在三条并列的分支 B1、B2 和 B3 中操作。

首先，在去均值操作中，CTU 的亮度矩阵减去图像整体或某一局部的平均亮度，以减小图像间的亮度差异。之后，考虑到分割深度较浅的 CTU 一般对应平滑的图像内容，没有过多细节信息，因此在 B1 和 B2 中，对去均值的亮度矩阵进一步降采样，将矩阵尺寸转化为 16×16 和 32×32，进一步降低后续的计算复杂度。

并且，通过这种选择性的降采样，能保证后续卷积层的输出尺寸（1×1、2×2 和 4×4）与 HCPM 的三级输出标签数相一致，使卷积层输出结果具有比较清晰、明确的意义。

卷积层

在每条分支中，对预处理后的数据进行三层卷积操作。在同一层里，所有三条分支的卷积核大小相同。首先，在第 1 卷积层中，预处理后数据与 16 个 4×4 的核进行卷积，获得 16 种不同的特征图，以提取图像信息中的低级特征。在第 2、第 3 卷积层中，将上述特征图依次通过 24 个和 32 个 2×2 的核进行卷积，以提取较高级的特征，最终在每条分支中均得到 32 种特征图。

所有卷积层中，卷积操作的步长等于核的边长，恰好能实现无重叠的卷积运算，且大多数卷积核作用域为 8×8，16×16，32×32 或 64×64 等（边长均为 2 的整数次幂），在位置和尺寸上都恰好对应各个互不重叠的 CU。因此，ETH-CNN 中的卷积与 HEVC 的 CU 分割过程相适应。

归并层

将三条分支中第 2、第 3 卷积层的所有特征归并在一起，组合成一个向量。如图 5 中间的蓝色箭头所示，归并后的特征由 6 种不同来源的特征图组合而成，这有助于获得多种全局与局部特征。

全连接层

将归并后的特征再次分为三条支路进行处理，同样对应于 HCPM 中的三级输出。由于经历了特征归并，此处的任何一条支路都可以利用完整 CTU 中的特征，来预测 HCPM 中某一级 CU 的分割结果。在每条支路中，特征向量依次通过三个全连接层，包括两个隐含层和一个输出层，最终的输出即为 HCPM 预测值。

此外，需要考虑量化参数 QP 对 CU 分割的影响。一般随着 QP 减小，有更多的 CU 会被分割，反之，当 QP 增大时，则倾向于不分割。因此，在 ETH-CNN 的第一、第二全连接层中，将 QP 作为一个外部特征，添加到特征向量中，使网络能够对 QP 与 CU 分割的关系进行建模，在不同 QP 下准确预测分割结果，提高算法对不同编码质量和码率的适应性。

另外，通过 ETH-CNN 的提前终止机制，可以跳过第二、三级全连接层，以节省计算时间，即：如果第一级最大尺寸的 CU 不分割，则不需要计算第二级是否分割；如果第二级的 4 个 CU 都不分割，则不需要计算第三级是否分割。 

其他层

在 CNN 训练阶段，将第一、第二全连接层的特征分别以 50% 和 20% 的概率随机丢弃（dropout），防止过拟合，提高网络的泛化能力。在训练和测试阶段，所有卷积层和第一、二个全连接层均用修正线性单元（rectified linear units, ReLU）激活。所有分支的第三个全连接层，即输出层，采用 S 形（sigmoid）函数进行激活，使输出值都位于 (0,1) 内，与 HCPM 中的二值化标签相适应。

帧间模式

在帧间模式中，需要同时考虑 CTU 内容中的空间相关性，以及不同帧 CTU 内容的时间相关性。在 ETH-CNN 的基础上，作者进一步提出可以提前终止的分层 LSTM（early-terminated hierarchical LSTM，ETH-LSTM），来学习帧间 CU 分割的长、短时依赖关系。

▲ 图6. ETH-LSTM结构

ETH-LSTM 的结构如图 6 所示。由于帧间模式同样需要提取 CTU 中的空间特征，首先，仍然将 CTU 输入到 ETH-CNN 中。但与帧内模式不同，帧间模式的网络输入是残差 CTU 的亮度信息，而不是原始 CTU 的亮度信息。这里的残差，是通过对当前帧进行快速预编码获得的，此过程与标准编码过程相似，唯一区别是将 CU 和 PU 强制设为最大尺寸 64×64，以节省编码时间。

尽管额外的预编码过程带来了时间冗余，但这种冗余只占标准编码时间的 3%，不会显著影响算法的最终性能。将残差 CTU 通过 ETH-CNN 进行处理后，把第 7 层（即第 1 个全连接层）三个支路输出的特征向量，送入到 ETH-LSTM 的三级，以备后续处理。 

在 ETH-LSTM 中，第 1、2、3 级各有一个 LSTM 单元。每个 LSTM 单元接受当前时刻的输入向量（即 CNN 处理后的特征），以及上一时刻 LSTM 产生的状态向量，由此来更新当前时刻 LSTM 的状态向量和输出向量。LSTM 单元的输出向量，再依次通过两个全连接层做进一步处理，最终得到 HCPM 所需的二值化 CU 分割概率。

与帧内模式类似，此处的每个全连接层也考虑了外部特征：QP 值和当前帧在 GOP 中的帧顺序，以适应不同编码质量和帧位置对 CU 分割的影响。与 ETH-CNN 类似，ETH-LSTM 中同样引入提前终止机制，以减少 ETH-LSTM 中的计算冗余。最终，将 ETH-LSTM 中三个级别的输出联合起来，即可得到 HCPM 预测结果。 

实验

在测试本方法性能时，选用 18 个 HEVC 标准视频以及本文图像数据库中的 200 幅测试图像，保证测试数据的多样性和代表性，在 QP 22，27，32，37 和全部四种标准配置（AI，LDP，LDB 和 RA）下，用标准 HEVC 编码器和作者改进后的编码器分别进行编码，比较编码时间的减少率和率失真性能。帧内和帧间模式的测试结果如表 2 和表 3 所示。

▲ 表2. 帧内模式复杂度和率失真性能对比

▲ 表3. 帧间模式复杂度和率失真性能对比

两表中的 BD-BR 和 BD-PSNR 是衡量率失真性能的关键指标，代表相同质量下的码率变化和相同码率下的质量变化。在编码复杂度优化中，对块分割的快速判决并不是绝对准确，因此所有算法都会不同程度地带来率失真损失，即 BD-BR>0，BD-PSNR<0。这两项指标的绝对值越小，说明对率失真性能的不利影响越小，算法越优。表中的 ΔT 为编码时间节省率，绝对值越大说明算法越优。可见，本文方法在率失真性能优于先前方法的前提下，能够更有效地降低编码复杂度。

▲ 图7. 编码时间构成。蓝柱和绿柱代表网络运行时间和本方法中HM编码时间占原编码时间的百分比，柱左侧的蓝色数字代表网络运行的绝对时间（单位毫秒）

总结

至此，已经说明了本文方法的有效性。兼顾良好的复杂度和率失真性能，是因为深度神经网络能够准确预测 CU 分割。另一个自然而然的问题是：既然网络层数和参数都比较多，网络本身的运行是否比较费时，影响总的编码时间？

实际上，如图 7 所示，无论在帧内或帧间模式，网络本身的运行时间都不超过原编码时间的 1%，因此几乎不会影响最终的编码复杂度。这得益于独特的、适用于 CU 分割的网络结构，包括三个主要原因： 

1. 首先，CU 分割结果采用高效的 HCPM 表示，调用一次 CNN（或 CNN+LSTM），即可预测整个 CTU 中所有 CU 的分割结果，使网络运行次数远少于传统方法中分别预测每个 CU； 

2. 其次，ETH-CNN 中的卷积层跨度等于核的宽度，即卷积核间无重叠，这与传统的有重叠卷积相比，复杂度能降低到几分之一到几十分之一； 

3. 另外，ETH-CNN 和 ETH-LSTM 都提供了提前终止机制，能够根据上一级 CU 分割结果跳过下一级的一部分运算。 

以上几个原因，使得深度网络本身运行时间远小于 HM 编码时间，保证了本文方法降低编码复杂度的可行性和有效性。

入门 TIP 2018 深度学习 HEVC