基于深度学习的视频压缩感知重建算法结题报告.docVIP

基于深度学习的视频压缩感知重建算法结题报告

一、研究背景与问题提出

在当今数字化时代，视频数据呈现出爆炸式增长的态势。据统计，全球视频数据量每年以超过50%的速度增长，视频流量在互联网总流量中的占比已超过80%。高清、超高清乃至8K视频的普及，以及实时视频通信、视频监控、云视频服务等应用场景的不断拓展，对视频的存储、传输和处理提出了极高的要求。传统的视频编码技术，如H.264、H.265等，虽然在过去几十年中取得了显著的成就，但它们大多基于预测变换编码框架，在面对日益增长的视频数据量和复杂的应用需求时，逐渐暴露出一些局限性。

压缩感知（CompressedSensing,CS）作为一种新型的信号采集和压缩理论，为视频压缩提供了新的思路。压缩感知理论指出，对于稀疏或可压缩的信号，可以通过远低于奈奎斯特采样率的方式进行采样，然后通过求解优化问题实现信号的精确重建。将压缩感知应用于视频领域，能够在采集端直接实现视频的压缩，大大降低了数据采集和传输的成本。然而，视频信号具有高度的时空相关性和非平稳性，传统的压缩感知重建算法在处理视频数据时，往往面临着重建精度低、计算复杂度高、难以有效利用视频时空相关性等问题。

深度学习技术的兴起为解决视频压缩感知重建难题带来了新的契机。深度学习模型，尤其是卷积神经网络（ConvolutionalNeuralNetworks,CNN）、循环神经网络