AI视频修复速度10倍提升，过曝变色也能逐帧搞定｜美图国科大出品

BlazeBVD团队 投稿

量子位 | 公众号 QbitAI

家人们，消除“视频闪烁”（比如画面突然一白）有新招了！

回想一下，当你看一部老电影或者用手机拍摄的视频时，画面偶尔会出现闪烁或颜色不一致等现象。

为了消除这些，来自美图影像研究院、中国科学院大学，以及四川大学的研究人员提出了一种新算法。

新算法“BlazeBVD”可以自动消除视频中的闪烁，而且处理速度非常快，据称比现有方法快10倍。

更妙的是！这种方法甚至无需事先知道视频闪烁的具体类型或程度。

换句话说，它是“盲”的，可以应用于各种不同的视频。

这下，即使拍摄环境光线变化，或者相机硬件跟不上也无需头疼了。[doge]

目前相关论文已被计算机视觉顶会ECCV 2024接收。

感兴趣的话，咱们接着康康~

BlazeBVD如何消除视频闪烁？

首先，受经典的STE（闪烁去除方法尺度时间均衡）启发，BlazeBVD引入了直方图辅助解决方案。

图像直方图被定义为像素值的分布，它被广泛应用于图像处理，以调整图像的亮度或对比度。

打个比方，图像直方图就像是一个统计表，它告诉我们在一张照片中，不同亮度的像素有多少。

△ 图片由Claude 3.5 Sonnet生成

而STE通过分析视频中每一帧的直方图，然后用一种叫做高斯滤波的方法来平滑这些直方图，先初步矫正直方图分布突变的图像帧，能够让画面看起来更加稳定，减少闪烁。

虽然STE只对一些轻微的闪烁有效，但它验证了：

• 直方图比原始的像素数据更简洁，能够更有效地捕捉到视频中的亮度变化和闪烁。
• 通过平滑直方图，可以减少视频中的闪烁现象，让视频看起来更稳定。

因此，利用STE和直方图的提示来提高盲视频去闪烁的质量和速度是可行的。

具体而言，BlazeBVD包括三个阶段。

BlazeBVD三阶段详解

就像医生治病一样，BlazeBVD会首先检查视频的每一帧。

它引入了STE对视频帧在光照空间下的直方图序列进行校正。

然后从处理过的帧中提取出重要信息，比如哪些帧闪烁最明显（奇异帧集）、哪些地方光线需要调整（滤波后的光照图），以及哪些地方曝光过度或不足（曝光图）。

接下来，BlazeBVD开始进行修复。

一方面，BlazeBVD使用一个叫做全局闪烁去除模块（GFRM）的工具，利用之前提取的光照图来调整整个视频的光线，确保每一帧的亮度和颜色看起来都很自然。

另一方面，对于一些特别需要关注的局部区域，比如曝光过度或不足的地方，BlazeBVD会使用局部闪烁去除模块（LFRM）。这个模块会利用光流信息（就像追踪物体在视频中的运动）来修复这些区域的细节。

完成这一步，BlazeBVD最后进行完善工作。

它引入一个轻量级的时序网络（TCM），这个网络就像是视频的“美容师”，确保每一帧在视觉上都是平滑过渡的，没有突兀的变化。

为了进一步提高视频的一致性，BlazeBVD设计了一种特殊的评分系统（自适应掩模加权损失）。这个系统会给每一帧打分，确保它们在视觉上的一致性，让整个视频看起来更加流畅和自然。

至此，BlazeBVD完成了整个“诊治”流程。

实验结果

那么，BlazeBVD究竟效果如何呢？

直接看已有方法与BlazeBVD在盲视频去闪烁任务上的结果对比：

其中Deflicker为已有方法，GT（Ground Truth）表示理想的无闪烁视频，而KL散度表示处理后的视频与理想无闪烁视频之间的差异。KL数值越大，差异越大。

可以看出，BlazeBVD能很好地恢复照明直方图，同时避免出现颜色伪影和颜色失真（例如第二列男人的手臂）。

再进一步和基线方法进行量化对比：

BlazeBVD在PSNR（峰值信噪比，数值越高表示视频质量越好）和SSIM（结构相似性指数，数值接近1表示视频质量越好）上得分较高，且在Ewarp（数值越低，视频越连贯一致）得分较低。

一句话，BlazeBVD超越了已有基线方法。

为了直观展现这种差别，BlazeBVD与基线方法的可视化对比如下：

消融实验也验证了BlazeBVD所设计模块的有效性：

概括而言，通过对合成视频、真实视频和生成视频的综合实验，BlazeBVD展现了优越的定性和定量结果，并且比最先进的模型推理速度快10倍。

目前相关论文已公开，感兴趣可以进一步了解。

论文：
https://arxiv.org/html/2403.06243v1