5G 超高清关键技术：高帧率重置、高动态渲染、云加端增强

简介：随着 5G 落地，用户对视频体验的要求越来越高。当带宽不再是超高清的主要矛盾之后，超高清还存在哪些挑战？我们距离全面超高清还有多远？阿里文娱一直在做相关技术的预研，并在 2019 年底推出了互联网视频行业超高清解决方案——帧享。那么，帧享是什么、有哪些关键技术、未来有哪些发展方向？且看阿里文娱高级算法专家 张行在 GMIC Live 2020 智慧文娱技术专场中的相关分享。

帧享是什么？
帧享是一个超高清的解决方案，从 2B 到 2C 的视角，帧享具备 4 个技术能力：

一是高帧率增强，可提供最高 120 帧的超高帧率视频，顺滑地呈现物体运动场景；
二是超高分辨率，对于画面中微小的细节与结构，在帧享的视频中也能刻画得非常清楚；
三是 HDR 高动态渲染，画面对比更丰富，颜色鲜活有质感；
四是帧享环绕音效，我们利用声道间的相位差异，充分体现声音的立体感和空间感。
前三个方向的特性分别体现了帧享对于时间、空间、亮度、色度的超高分辨与呈现能力，第四点是声音特性和声场效果，这四点组合起来，既是帧享能给用户提供的关键特性，也涵盖了观众对于超高清的诉求。

要真正将帧享落地，需要深入到视频制播产业的各个环节中，从左到右有 5 个关键词：拍摄、制作、生产、传输和呈现，这五个环节环环相扣，每一步都与最终视频的呈现质量息息相关。我们首先要保证每一步都能够正确地处理，尽可能采集和保留更多内容信息；其次是挖掘链路上各环节的处理能力，利用我们在制作、生产和呈现上的人力和算力，进行信息的重建和增强，提升视频体验。

具体来讲，在拍摄和制作环节，我们会给出明确的超高清视频的要求规范；在制作环节，开放云剪辑能力，为后期的剪辑提质提效；在介质环节，做严格品控，保证介质内容的基础质量。在生产环节，减少转码的损失，利用我们平台的计算能力进行恢复和重置增强，同时对视频进行结构化分析，拿到视频的各种分类、场景、标签等高低层的语义信息，将其与码流一起传输到终端设备上，并进行适配的后处理增强和渲染。这种适配包括对内容、设备和用户偏好的适配等，确保最终的体验和效果。

帧享的关键技术：高帧率重置、高动态渲染、云加端增强

1. 高帧率重制
从视频中可以明显看出，低帧率的竖线运动时一直在颤动，而高帧率的运动就很平滑。 为什么低帧率会抖动？

如上图，x 轴表示时间，y 轴表示位移，物体的匀速运动在坐标系中是一条斜线，如图中有箭头标记的蓝线。而实际的物体位置在这条蓝线之上。由于低帧率的刷新率是有限的，物体的实际位置在一帧内是固定的，到下一帧会跳跃到另一个位置，就像上台阶一样。人的眼睛会天然的跟踪运动的物体，也会根据当前位置和运动速度，去推测物体的下一个位置，如图中绿星星所标记的。我们看到物体的实际位置和物体的预测位置一直不重合，且预测位置一直在实际位置的上下抖动，非常伤害观看体验。

高帧率重置，在算法上就是插帧。插帧技术已经存在很久了，方法大概分成两类，一类是基于特征的传统方法；另一类是基于数据的网络方法。两者思路是一致的，根据像素的帧间相关性去推算光流，再做插值。

在传统算法中，先根据多帧的视频图像去做光流，预测出前后向光流，来映射到需要插帧的相位上。这时候就需要考虑很多特征，比如到底是用前向光流还是后向光流、用双向光流还是单向光流，哪些地方是露出遮挡区域等，根据这些去做插值重建，得到高帧率视频，这是一种完全基于运动特性的传统方法。

网络方法非常类似，只是将光流的预测还有像素的差值都用网络来实现，还有一些网络方法可能更极端，它会把光流网络和插值网络合二为一，直接用一个端到端的数据训练，得到一个插帧网络。但无论是传统还是网络办法，在插帧中有一个难以解决的问题——在一些运动的交界处，光流很难严格贴合物体的实际边缘，这样会导致各种各样的问题。

优酷是如何优化的？

首先是基于成熟的插值算法，将各点效果做到极致，在实际场景中有效解决问题；其次是拆解问题，尝试把通用的插帧问题，分层分类成不同的垂类，用不同的插帧方法来解决，实现整体最优。

1）场景分类。在时间上做分类，将时间轴上的一个视频按照场景切开，分成了多个场景，把不同场景分成全局运动场景、静止场景、复杂运动场景、片头片尾等。

2）目标的分割。在空间维度将图像分成多个目标区域，例如台标角标的区域、字幕区域、前景背景、露出遮挡的区域。

3）垂类场景的插帧完成后，再经过一些柔性的融合得到最终的插帧结果。

4）人工校对。无论用多么精巧的办法、算法，总会有一些疑难的 case，是技术无法处理的，所以在设计算法时，会自动对疑难 case 进行标记。在审核后台，这些标记区域进行人工审核，对于有问题的插帧结果进行回退处理。

上图是对比图，左侧上方飞掉的字幕，通过对字幕区域的特殊处理以后，已经能够正常做插帧了。右侧，将运动光流进行精细化，让光流更贴合运动的前景轮廓，有效去除在运动物体周报的光圈效应。

2. 高动态的渲染

高动态渲染其实就是 HDR。上图是对比图，左侧是 SDR 效果（画面偏灰，看不清细节）；右侧是 HDR 效果，画面很美，点点繁星和山势的暗部细节轮廓都非常清楚。

HDR 是一个成熟概念，行业中有各种各样的 HDR 标准。我们如何区别中间的差异，并选择一个好的 HDR 算法？HDR 解决的是一个从高动态到低动态，从宽色域到色域的映射效果问题。自然景物能够呈现出的亮度范围是非常高动态的，从 1/ 万 nit 到 1 万 nit 以上都有。但显示设备能够呈现的亮度范围是低动态的，大部分只有几百 nit，而低亮也不够低。要把自然景物呈现到显示器上，就面临着一个从高动态到低动态的映射问题。所以，HDR 的关键不是 8ibt 还是 10bit，也不是 4k 或者 1080，而是去理解内容和设备，确定在什么设备什么环境下，用什么样的映射去渲染内容，达到主观效果的最优。

上图，左侧是亮度从高到低映射，右侧是色彩映射，需要把马蹄形的大的宽色域映射到内部小三角形上面的窄色域。
**
帧享 HDR 在技术上做了哪些改进？**

一是测屏校屏，帧享要做标准的颜色管理，需要将不同颜色做到在不同设备做到显示效果一致，用来排除屏幕的颜色偏移，把颜色做的更加准确。
二是屏幕亮度和色度适配，不同设备的亮度差异非常大，从两三百尼特到上千尼特，我们的测试也发现，即使用标准的 HDR 视频，在不同亮度的设备上面的效果也存在差异。 所以帧享 HDR 采用了多种的流策略，对于超过 500 尼特的屏幕，输出标准 HDR 流；对于低亮屏幕，基于亮度去适配调整出独特的 SDR 流；
三是内容适配。每一个场景的内容，很少是满动态或宽动态，有的场景整体很亮，有的场景整体很黑，这时我们可以取巧一点，将内容所在的部分亮度范围做更好的映射，然后在其他亮度范围，将映射做的差一些，这就是根据内容来做动态映射的一个出发点。帧享的 HDR 也是基于这一特性，用动态元数据，根据场景做动态的 tone mapping。
四是做链路的把控，后期、平台以及端上渲染，都可以做这种映射，但不能各自为战，需要信息互通、互相协同，用统一的映射将效果做到最佳。
下图是 HDR 对比图。

第 1 幅是颜色准确性、渲染颜色准确性的对比。右下角是优酷在苹果上的播放效果显示，其他三张都是同一个安卓手机的不同 APP 的显示效果。因为屏幕本身是有些偏色的，所以可以看到友商两幅图的效果，人脸比较红润，就会红的不太正常。 但是优酷，人的脸色比较正常，更像苹果的颜色显示，所以对比就能说明在我们优酷通过测屏校屏，能够去纠正错误的颜色渲染，然后得到更好的颜色效果。
上幅图是帧享 HDR 的对比图，左侧是 HDR 前（画面颜色整体偏亮，对比小、画面偏灰偏白）；右侧是 Tone mapping 后的 HDR 效果，动态 TM 后，扩大对比度，提升了画面质感。

3. 云加端增强
以前，我们常遇到这些问题：为什么视频流很好，到电视上却效果不佳？每个设备的效果不一致，如何兼顾？如果知道内容特性，算法参数可以设置得更好，但实际上我们无法知晓内容特性，所以效果只能打折。以上都反映了一个共同问题，体验是整条链路的体验，必须将云和端协同起来，一起为体验负责。

**云和端如何做协同？
**
云上，在编码前做前处理；端上，在解码后做后处理。我们在云上处理的优势，主要是算力丰富、算力高，并且它是非因果和离线的，可以算得很慢。劣势是云上算的时候，不知道设备信息，所以只能够去做统一的处理，不能单独调优。其次，云上的增强恢复重建，都是增加信息量，所以压缩效率低，压缩后的码率高，导致传输效率降低。在端上，我们知道设备、用户以及环境的信息，用多参数、多种算法做适配，是一个多样性的能力。

我们将云和端联合在一起，用云上的丰富算力做分析，用端上的多样性做呈现，实现优势互补的效果。右图的 4 种情况，1 是纯云端的处理，2 是纯端上的处理，3 是云端都可以处理，4 是云加端的协同处理。

**云 + 端的联合处理到底有哪些应用？
**
基于算力优势，我们会在云端做复杂的探测、分析、分类，打标签、编码，再将码流和探测出的语义信息、一些结果通过控制流去传输到设备端。用来指导端上的后处理模块进行参数的设置、算法的选择，以及适配处理。例如，通过去块、锐化、超分等让端上效果更出色。

案例一，去块。

块效应是压缩导致的，在码率不够或者低亮的场景中。统一的去块，有可能会损失信号的有用细节，使图像变得模糊。但如果我们能够做云加端的配合，可以在源头将流上块的强度、类型都探测出来，然后把信息传到端上，用这种信息去控制端上的去噪去块算法的强度，达到既有效去块又能够保护细节的效果。

案例二，智能满屏的效果对比。

优酷有大量的年代剧，往往是 4:3 比例，现在屏幕尺寸是 16:9，甚至是 23:9、22:9。如果直接播放 4:3 视频，画幅会很小。普通平铺是以图像的中心为中心，这样的构图布局经常会丢一些重要画面。优酷智能平铺是利用 CV 的识别分析能力，将眼睛更关注的信息保存下来，让画面的布局更合理。

所以整个应用过程就是在云端利用分析理解能力，对画面进行自动的分析、提取，将信息与码流一起传到端上，根据信息进行渲染窗口的调整，达到实时的拆切满屏的目的。优势是一个流能够满足各种尺寸屏幕的观看需求。

优酷超高清的愿景

帧享的愿景是，在 5G 和 AI 的背景下，为国内的互联网视频超高清路线提供解法和答案，推进视频的超高清体验的升级，让 C 端用户早日进入到超高清的观影时代。另一个愿景是超高清产业共赢。我们需要有超高清的标准去约束视频产业链条的各方，制作生产出符合超高清标准的内容、设备，培养提升用户心智，使他们愿意为体验买单。只有用户愿意买单，平台才愿意为超高清买单，制作公司才会愿意为超高清买单，实现超高清的商业化、规模化，实现用户、制作、平台、终端整个链条上的共赢。

作者介绍：：阿里文娱高级算法专家 张行