CPGA: Coding Priors-Guided Aggregation Network for Compressed Video Quality Enhancement

最近，许多方法在压缩视频质量提升（VQE）方面取得了显著的成功。然而，这些方法通常忽略了嵌入在压缩视频中的有价值的编码先验利用，如运动矢量和残差帧，它们携带丰富的时空信息。为了解决这个问题，我们提出了编码先验引导聚合（CPGA）网络，以利用编码先验的时空信息。CPGA主要由帧间时间聚合（ITA）模块和多尺度非局部聚合（MNA）模块组成。具体来说，ITA模块从连续帧和编码先验中聚合时间信息，而MNA模块则在残差帧的指导下全局捕捉空间信息。此外，为了促进VQE任务的研究，我们新建了视频编码先验（VCP）数据集，包括从相应比特流中提取的各种编码先验的300个视频。它弥补了以前数据集中缺乏编码信息的不足。实验结果表明，我们的方法比现有的最先进方法优越。代码和数据集将在https://github.com/CPGA/CPGA.git上发布。

本论文旨在解决压缩视频质量增强（VQE）中忽略编码先验信息的问题，提出了一种利用编码先验信息的方法。

本论文提出了一种编码先验引导的聚合（CPGA）网络，包括一个帧间时间聚合（ITA）模块和一个多尺度非局部聚合（MNA）模块，可以利用编码先验信息提高视频质量。

论文构建了一个新的数据集Video Coding Priors（VCP），包括300个具有不同编码先验的视频，用于VQE任务的研究。实验结果表明，与现有最先进的方法相比，本论文的方法具有优越性。代码和数据集已经开源。

在VQE领域中，还有一些相关的研究，如：'Video Enhancement via Motion-Adaptive Spatio-Temporal Regularization'、'Deep Video Super-Resolution Network Using Dynamic Upsampling Filters Without Explicit Motion Compensation'等。