海量视频处理的应对和算法实践

随着短视频、直播、智慧城市、5G等的快速发展，视频内容铺天盖地，五花八门，相应的处理需求也多种多样。如何能高效地应对？需要在数据处理系统，底层计算能力，以及算法研究等多方面协同努力。LiveVideoStackCon 2022 北京站邀请到沐曦AI解决方案总监——虞新阳，为大家梳理视频处理的需求及介绍沐曦应对视频处理场景的GPU产品等。

大家好，我是虞新阳，早期主要从事GPU架构研发相关工作，包括视频架构以及computer架构，曾在国际旗舰厂商主导设计硬件解码器的架构设计和研发。对compute更上层的应用感兴趣后加入互联网公司，曾负责阿里巴巴智能家装设计整体解决方案。2021年加入沐曦，一家提供GPU芯片及计算解决方案的算力公司，负责AI算法方向的解决方案。本次分享的主题是《海量视频处理的应对和算法实践》。

为什么要研究视频的处理？

首先，人最基本的属性包括视觉、听觉、嗅觉、味觉、触觉等，其中的视觉和听觉是主要的信息接收和沟通管道。从人的基本属性可以看出，音视频永远不会过时，不管是在当前飞速发展的现实社会还是在今后的元宇宙场景中。

其次，第三方数据对视频的重要性也有总结。2021年，互联网消耗的数据流量主要集中在视频，占比大概是75%。一年后占比还在持续增加，由于短视频、直播等各种更贴近人类视听属性的应用的爆发，客户端的占比达到82%，移动端达到79%。可以想象，视频内容的占比还会持续增加。

为什么我们要特别关注这个问题呢？因为计算需要感知上层应用，或者说一个应用只有充分利用了算力才能够跑得快，而算力只有深刻分析理解应用，并不断进行迭代优化，才能设计出更好的算力。两方相互结合能更好地提升整体系统性能。

本次分享主要包括四部分：

1、视频处理需求理解

2、系统解决方案

3、视频处理算法实践

4、后续工作

-01-

视频处理需求理解

图中数据来自Bitmovin2021年的视频发展报告，它本身的调研数据来自于包括65个国家，大中小企业的工程、算法以及市场从业者等，覆盖面非常广。

挑战方面，主要包括直播低延时、成本控制（最主要是带宽流量）、各种设备可播放（笔记本、pad、手机）、精控分析、插广告等。

趋势方面，标黄部分特别重要：第一点，原来H.264是绝对的主流，但在2021年开始出现了首次下降（91%->83%），而专利费较高的H265提升却较明显(42%->49%），我理解是因为带宽的成本太高，比起额外的专利费，大家更需要降低带宽成本。第二点，无论是国外的亚马逊、国内的阿里、腾讯等，它们的云服务都在持续发展，编码采用云服务的比例持续提升。第三点是基于内容的编码，也就是智能视频编码，比例提升到了35%。

其它期待AI赋能的场景包括ASR、视频分析、打标签、视频质量的优化等。

接下来也简要介绍下国内互联网的情况（来源于过往的公开分享）：

芒果TV，既是视频内容生产商，同时也是运营商，他们分享了5G背景下视频运营平台的挑战，包括CDN成本，4K/8K&60fps的应对等。

火山引擎，他们重点投入了新一代的编码器H266，并研发自适应编码、画质评价（感知短视频质量并确定推荐权重）等。

阿里云有一个产品叫窄带高清（降低带宽提升画质）。它具象地总结CDN成本占比，从他示例的视频云厂商来说，带宽：存储：转码的成本占比是100：3：1，应该远超出了很多人的感知。

抖音和微博在研发ASR技术来自动生成字幕，爱奇艺、网易云的工作重点是AI配音、AI生成音乐视频等。

最后来看看工业界的需求，主要包括智能安防、智慧交通、智能制造等。

国内的智能安防很发达，处理场景包括边缘端、服务器端等，对采集的海量视频的基本处理包括编解码、结构化分析及比对等。

智能交通包括路边停车识别、车路协同，以及汽车自动驾驶等，视频解码和结构化处理是这些功能最底层的要素。

智能制造主要是工业机器人，包括家电等的生产制造。最重要的场景是检测分类，也有定位、测量等工作。

梳理后可以发现，大方向还是视频编解码+AI，虽然后处理略有不同，有的偏结构化存储，有的偏检索分析，有的偏定位控制等。

从前面的3个维度可以发现，海量音视频处理的基本形态是视频编解码+AI，重点需求是低时延、视频压缩、视频超分、视频分类检测及ASR，其他需求还包括视频处理（切片、转HDR等）、视频分析、视频推荐等。

重点需求中的低时延直播，主要在硬件层进行解决；而压缩、超分等需求算法侧可以发挥很大作用。

-02-

系统解决方案

大家对这张图应该不陌生，AI最基本的三要素包括算法、算力和数据。平移到海量视频数据的处理，需要一个高效的数据系统做支撑，其中算力提供底层基础能力，算法协助数据系统更加智能高效。接下来主要介绍下算力和算法方面。

海量视频处理对算力侧的需求包括强编解码能力、强AI推理能力和高性价比。

这里介绍下沐曦的曦思N100产品。根据上述需求，我们针对性地设计了这款产品，它具备很强的编解码能力，解码支持96x1080p@30fps，标准包括H264/H265/AV1/AVS2，支持8K；编码更强，能支持128x1080@30fps，标准包括H264/H265/AV1，支持8K。此外，它还具备很强的AI推理能力，上文提到很多场景同时需要编解码能力和AI能力，它的AI算力达到160TOPS int8, 80TFLOPS FP16/BF16，此外它也有很好的带宽能力，相关的软件栈、开发工具、虚拟化等配套能力也很齐备。

也简要介绍一下沐曦，它成立于2020年9月，专注于设计针对异构计算等各类应用的GPU芯片及解决方案。公司发展速度很快，有80%以上的员工是硕士及以上学历，70%以上的员工平均工龄超过10年。沐曦基本每年会推出一款产品进行持续迭代。

-03-

视频处理算法实践

针对算法实践，接下来重点介绍下我们在视频压缩、视频超分和ASR上的一些工作。

根据AI和编解码的关系，视频压缩解决方案主要可分为四种：

1、纯视频编解码：也是当前最普遍最基础的形式，采用标准的视频标准如H264等。

2、AI外层辅助编码：AI和标准编码器有清晰的边界，依托FFmpeg框架等，主要在帧级别进行数据的交互控制，编出来的码流符合标准。

3、AI深入辅助编码：AI算法参与编码的深层次控制，为编码器提供各种hint，譬如帧内预测、运动估计等，需要在编码器内部做相关的能力和接口实现。

4、纯AI编码：是未来的发展趋势，抛弃了H.264/H.265等基于预测变换之类工具的编码思路，而是用AI网络进行编解码，英伟达和Google等都有发布相关的工作。当前比较适用的场景是会议系统，无需重复传输背景，只需传输人脸关键点信息等即可较好恢复画面，编解码端也可控。新一代的编解码标准（VCM, DCM）也有在往这个方向努力。

接下来分析下以上四种编码方案的应用场景：纯视频编码器，在任何场景都适用，无论是手机、电脑还是pad等等，因为编解码器支持已官方内嵌在各种芯片和解决方案中。AI外层辅助编码器，AI在外层辅助，和编解码的边界很清晰，编出的码流符合规范，各种已有设备也都能播放。AI深入辅助编码器，码流符合标准，可以广泛使用，但需要算法和编码器底层深入协同，公司之间在这个层面合作的可能性较小，且不太适用于硬件编码器方案。纯AI，个人认为在10年之内不会广泛使用，一方面因为算力和标准，它需要各种设备都具备不错的AI算力，然后编解码端需要有大家都认同的标准协议；另外一方面在标准统一后，大规模采用也需要好几年的时间（参考H264/H265等的普及）。

沐曦的智能视频编码方案是AI外层辅助编码，整体框图如图所示。视频输入后分为两路，先进行前处理、场景编码和ROI区域检测，然后再合并进行ROI区域增强编码决策，最后用通用的接口调用FFmpeg框架进行视频压缩。

在具体介绍各模块之前，大家先看下智能视频编码前后的效果对比。左侧是H.264默认编码，经过智能编码后，码率下降了27%，主观质量VMAF还有所提高，但PSNR、SSIM有明显下降。

在效果示意2中，视频码率下降了15%，VMAF略有下降，PSNR和SSIM改变也很小，因为视频没有经过前处理。

前处理的底层原理，是人眼视觉系统有一些基础属性，主要包括：对边缘轮廓信息敏感，对运动敏感，对对比度敏感，对高频信息（白噪声、小雪花）不敏感，亮度感受强于色度等。

对原始图片做了修改后差距会变得更大？实际上，压缩总体上是降低质量、模糊图片的过程，前处理阶段会把重要信息先提升起来，再通过H.264/H.265压缩时又降低下去，加减相抵。总体过程使得处理前后的VMAF差距不大，但PSNR降低会较明显。

针对前处理，我们主要做了以下两方面的工作：退化质量修复和主观质量增强。

退化质量修复：视频内容的编码效果不理想，很多时候是输入时的质量就不高，普遍存在的一个质量问题是重复压缩。比如上传一张图片到微信，默认它会进行二次压缩，如果再经过其它应用或手机可能又会压缩一遍，整体画质就会逐步下降。其次是噪声，大部分噪点是拍摄采集端数字化时引入的，另外在传输保存过程中也可能会引入噪声。噪声对编码器很不友好，因为没有规律会引起预测后的编码残差较大，浪费挺多的码流。

主观质量增强：人是视觉动物，导演拍摄时会进行场景布置，补光及后期制作，各种设备包括手机等持续优化甚至美化图片，都是为了让拍出来的东西让人感受更好，所以从某种角度看来，并不是要一模一样的真实才有意义。对主观质量的增强，我们主要处理了边缘增强和SDR2SDR+。

下图示例了去失真修复，细节增强以及SDR2SDR+等的效果，对比左侧的原始图片可以看出是明显会更清晰明亮些的。

场景编码的原理相信大家并不陌生，视频编码领域的R-D曲线描述了一个基本原理：码率越低，失真越大。论文VideoSet进行了进一步的研究，发觉人的视觉感受并不是光滑的R-D曲线，而是阶梯状的，类似于我们学英语时并不是循序渐进的，而是平稳一段时间然后会突然提升。在AI算法训练侧也有类似现象，Loss很多时候也是一段一段震荡下降的。所以在对一个视频进行压缩时，需要找到一个合适的点，使得Distortion差不多的情况下，Bitrate尽量小。另外，不同视频内容，比如游戏变化较剧烈，动画变化较少，合适的点是不一样的。

综上，可以对场景编码做一个定义：对某一视频内容，找到恰当的码率和分辨率去编码，达到合适的效果。

在过往的音视频大会上，各大厂商也分享了不少的方案，譬如方案1，它会提取各种维度特征如High-level（场景、质量）、Low-level（时空复杂度、JND），然后得到自适应参数进行决策。方案2侧重于特征提取+预编码，即通过下采样、预编码、VAQ计算后得到一些特征，然后再预测码率和编码质量。

在以上方案的基础上，进一步思考，是否可以直接端到端而非分阶段分类别地提取特征呢？

通过探索尝试，我们设计研发了图中的算法模型和策略，它能够端到端轻量化地预测出编码效果，然后结合场景需求决策出最终的编码参数。模型已经适配影视剧、动漫、游戏、安防等场景。在VMAF下降<2%的情况下，码率节省10%~20%；并且可以分钟级调整码率；计算轻量支持高并发譬如32路。

ROI检测的发展历程大致是中心区域ROI—人脸ROI—字幕ROI—主观感兴趣区域ROI。主观感兴趣区域ROI的难度较大，且因人而异。思考实践后，我们定义重要的前景就是感兴趣区域，然后前景分割技术目前也是比较成熟了。

一个特殊的场景是游戏，如王者荣耀、绝地求生等与当前前景分割的公开数据集领域差异很大，因此在开源预训练模型上的效果很差。此外不同游戏场景的差异也很大，数据标注繁琐且泛化能力差。我们的研发目标是带普遍意义的基础解决方案，是否存在一种避免数据标注然后泛化性高的算法能力，能够自动在各种游戏场景分割检测重要目标，譬如英雄？

我们的检测分割方案大体可以分为三个研发阶段：

1、基于背景建模的前景粗定位：基于人眼对运动物体的敏感，先对视频进行场景分割，然后在做光流估计，再结合背景建模算法，可以较粗糙的检测出来英雄。

2、渐进式自学习目标检测：再结合特征匹配和带噪声的半监督学习，可以训练出一个模型较细致地框出英雄。

3、渐进式自学习实例分割：在前两个阶段的基础上继续努力，进行目标追踪，限定范围内的背景建模等，可以很好地进行实例分割。

下方是效果示例，这些游戏视频并没有标注任何训练图片，是通过纯算法学习出来的。

检测出感兴趣区域后，接下来的问题是来应该分配多少码流对它进行编码。

方案1的实现是第三种视频压缩方案，它和编码器深入融合，通过分析统计所有宏块的QP，然后根据目标，譬如30%码流分给20%ROI区域，修正得到各QP值并进行配置。

基于AI外层辅助编码，我们避免在帧内进行数据交互，而是考虑直接在帧级别控制。

FFmpeg开放了dqp（delta-QP）进行区域调整，整个问题可以抽象为决策问题：设置全图、ROI区域、过渡区域的dqp值以及设置过渡区域的大小。具体方案充分利用了AI的能力，端到端的直接学习预测，可以较好地解决这一问题。

从效果上看，ROI检测结合专家知识能节省~5%的码率；然后在相同VMAF下，ROI决策相比专家知识能额外节省~3%的码率。

视频超分方面，随着显示设备如电视机等越来越大，一个重要需求是在影视剧等视频内容上，可以是视频内容的源侧做超分提升内容质量；也可以是在终端侧做超分提升显示效果。另一个可见的大需求是AIGC，超分模块会和diffusion模块协同生成video。

Video SR Survey这篇文章较好地总结了超分pipeline和主流的方法。整个过程可描述为输入低分辨率视频序列，进行图像数据的对齐，然后做特征提取和融合，最后进行重建。右侧归纳总结了一些主流的算法模型，包括运动估计、光流、2D/3D卷积等。

2022年有两个SOTA算法，一个是basicVSR++，基于LSTM做特征的双向传播，需要的帧不多，对齐技术用光流；另一个是VRT，使用Transformer结构，用QKV而非传统光流做特征的匹配融合，总体效果更好，但参数量也更大。

算法研发特别重要的是评价，在超分所属的图像质量评价领域，已有PSNR/SSIM/VMAF/NIQE等四个自动化的客观指标；也有MOS的主观评价，代表了人的主观感受，但它是人工的所以获取成本较高。在超分算法等研发过程中，时常会出现多个客观指标评价不一致的情况，那如何判断迭代中的算法效果是否正向呢？

右侧是LIVE2的图片示例，图1是reference image，图2做了Gaussblur，图3加了白噪声，图4加了JPEG压缩。主观看来图3和图1比较好，图2和图4看起来较差。

左下角是不同指标的对比结果，它包含了八种不同的失真方式，包括JPEG compression、JPEG-2000 compression、Gaussian blur、White noise、Bit error等。红色曲线是MOS的结果，可以看出其它4个客观指标与MOS的表征都不一样，或者说它们都不能很好地反应图片主观质量。

再来看一个具体案例，它们是使用了SwinIR-GAN和BasicVSR++的图片效果。右图的PSNR指标较好，但人的主观感受应该是左图较好。

针对指标不一致的问题，能否有更强表征能力的指标？我们设计了一个基于集成学习的更有MOS表征能力的指标stackMosScore。在数据集侧搭建了包含主观评价的数据集和其它影视剧的数据，然后使用当前的4个客观指标作为基础做集成学习，目标是拟合MOS。

从评价数据集上看，它比原来最好的VMAF高出7个点，更好地表征了人的主观感受。

这里是一个图片示例，stackMosScore较好地表征了3张图片的质量好坏关系。

在算法模型层面我们也做了一些探索尝试，采用BasicVSR++的主体结构，借鉴VRT思想，添加了关键帧的选择并进行信息融合。

实际场景一般是两倍超分，在影视剧数据集的评测上，PSNR提升0.18db。

最后介绍下ASR方面的一些实践。ASR的一个重要应用场景是字幕。影视剧早期是手工字幕，随着互联网平台的发展壮大，ASR在内容审核侧会做一些关键词的提取，在自媒体时代，短视频和直播蓬勃发展，ASR被广泛用来自动生成字幕。

字幕生成的Pipeline大致可分为：去背景音乐、去噪、长语音切分、ASR识别、后处理纠错和输出字幕文件。

ASR的SOTA算法是WeNet(2)，它很好地将实时语音识别和离线语音识别两个分支进行了统一。

然后我们主要在长音频的切分和ASR算法上做了一些改进尝试，具体包括热词（来自演员表或手动设置），语音增强（去背景音，去噪），短音频合并成长音频优化（适当合并短音频成长音频，10-15s），WeNet模型加噪声以及背景音语料微调，解码参数微调（模型层面提升对噪声和背景音的鲁棒性）。

这里是一些效果示例：

示例1，背景音去除后能听清最后两个字；

示例2，这里是男的他，变长句后结合上下文能识别出是女的她。

上图表格数据是在影视局数据集上的测试结果，总的来说效果还不错。

-04-

后续工作

后续工作，在算力方面，曦思N100已进入小规模量产阶段，接下来会继续优化提升软件栈等来提升全局性能。在解决方案（算法）方面主要包括：

协同优化效果：在核心场景，譬如智能视频编码，在模块间更好地上下协同，提升效果；

系统性性能优化：结合N100芯片的特点，优化算法的网络结构乃至方案等；

SDK化部署：整合智能编码、超分、ASR等的能力，提供基础的sdk能力作为第三方的基础解决方案。

审核编辑 ：李倩