深度学习赋能：压缩视频质量增强的技术演进与未来视野

核心速览 (Executive Summary)

随着数字媒体爆炸式增长，视频压缩通过牺牲高频细节换取带宽。压缩视频质量增强 (Compressed Video Quality Enhancement, CVQE) 的目标是修复这种“有损性”。本文综述了从 2015 年 ARCNN 开启的 CNN 时代到如今 Transformer 与生成式模型并存的学术版图。

该工作不仅系统化地梳理了技术脉络，更深刻分析了运动对齐 (Motion Alignment) 与感知质量 (Perceptual Quality) 之间的博弈，是该领域从学术探索迈向工业级应用的重要参考。

痛点深挖：为什么传统滤波不够用了？

传统的视频编码标准（如 HEVC, VVC）虽然内置了环内滤波（In-loop Filter），但存在三个致命伤：

1. 启发式预测的局限：人工设计的滤波器难以泛化到复杂场景，在高压缩率下容易产生过度平滑。
2. 时域信息浪费：传统方法多关注单块或单帧，难以通过多帧间的冗余信息来“还原”某一帧丢失的细节。
3. 硬同步需求：必须在编码端和解码端同时更改协议，无法直接增强已有的旧视频资源。

方法论详解：从单帧修复到时空融合

深度学习方法的崛起，本质上是将修复问题转化为一个条件生成的优化问题。

1. 帧内增强：从浅层到深层

早期的 ARCNN 借鉴了超分辨率的思想，通过简单的 4 层 CNN 学习压缩噪声的分布。而现代的 GL-Fusion（如下图）则引入了双分支架构：一个分支捕获全局纹理特征，另一个分支专注于修复局部的块效应。

2. 帧间对齐：CVQE 的天花板

视频增强的核心难点在于 Alignment。如果不能精准对齐，多帧信息反而会引入模糊（Ghosting）。

• 光流对齐 (Optical Flow)：如 TOFlow，显示地估计像素偏移，但对噪声极其敏感。
• 可变形对齐 (Deformable Alignment)：如 STDF 和 EMAFA（如下图）。它通过学习偏移量 (Offsets)，让卷积核形状动态贴合运动物体的轮廓，这对于形状不规则的压缩伪影修复具有奇效。

实验与结果：SOTA 战力榜

论文通过大规模实验对比显示，基于 Transformer 和可变形卷积的方法（如 BasicVSR++, RFDA）在 BD-rate（等质量下的比特率节省）上取得了压倒性胜利。

• 关键数据：在强压缩（QP=37）下，最强的模型能实现平均 16.4% 至 23% 的 BD-rate 增益。这意味着在相同的主观质量下，你可以节省近四分之一的存储空间。
• 局限性：高精度的对齐往往伴随着恐怖的计算成本（GFLOPs 动辄上千），这使得实时在线增强仍是一个待解的难题。

深度洞察：未来的三个风向标

1. 压缩域增强 (Compressed Domain Early Exit)：不再等视频解码完再增强，而是直接利用码流里的残差（Residuals）和运动矢量（MV）作为指导。
2. 生成式 AI 的引入：利用 Diffusion Models 的强大先验，在极低比特率（仅剩色块）的情况下，“脑补”出真实的毛发和皮肤纹理。
3. 语义感知 QA：结合大语言模型（LLM）理解视频内容，优先增强人类视觉关注的 ROI (Region of Interest) 区域，而非像老方法那样暴力计算全帧。

总结

CVQE 领域正处于从“能用”到“好用”的跨越期。虽然目前学术界在 PSNR 指标上已近瓶颈，但如何能在移动端低功耗地跑通 SOTA 架构，以及如何利用生成式模型解决极端毁坏情况下的修复，依然是未来五年的技术高地。