基于对比学习的视频去压缩伪影结题报告.docVIP

基于对比学习的视频去压缩伪影结题报告

一、研究背景与问题提出

在数字视频产业高速发展的当下，视频内容的生产、传输与消费呈现爆炸式增长。据统计，2025年全球视频数据量占互联网总数据量的比例已超过85%，其中超过90%的视频内容在传播过程中需要经过压缩处理。视频压缩技术通过去除时域和空域冗余信息，有效降低了存储与传输成本，但不可避免地会引入压缩伪影。常见的压缩伪影包括块效应、振铃效应、色彩失真、模糊失真等，这些伪影严重损害了视频的主观视觉质量，在高清、超高清视频场景中尤为明显。

传统的视频去压缩伪影方法主要分为两类：基于模型优化的方法和基于滤波的方法。基于模型优化的方法通过建立压缩过程的逆模型，试图从压缩视频中恢复原始信号，但这类方法对压缩模型的假设往往与实际情况存在偏差，导致去伪影效果受限。基于滤波的方法通过设计各种空域或时域滤波器平滑伪影，但容易过度模糊视频中的细节信息，造成边缘丢失和纹理模糊。

近年来，深度学习技术在图像与视频处理领域取得了突破性进展，基于深度学习的视频去压缩伪影方法成为研究热点。然而，现有深度学习方法大多依赖于大量成对的原始视频与压缩视频数据进行监督训练，而在实际应用中，获取大规模成对数据的成本极高，且难以覆盖所有压缩场景和伪影类型。此外，现有方法在处理复杂伪影和保留视频细节之间的平衡问题上仍存在不足，尤其在低码率压缩场景下，去伪影效果往往不尽如人意。

对比学