0
雷鋒網按：截至當前，首屆「全國人工智能大賽」已經步入了復賽階段。在初賽的「AI+4K HDR」賽項中，大賽評委采用了視頻評價的行業標準評價指標 PSNR、SSIM、VMAF 等進行了綜合打分；最終在 1.5 K 次有效提交中，選出了前 100 支晉級隊伍。
其中，由一名在讀研究生和一名算法工程師組成的團隊「Webbzhou」，榮獲了初賽中「AI+4K HDR」賽項季軍。賽后，雷鋒網針對晉級作品中的算法、預處理、后處理、工程設計等創新思路與該團隊負責人進行了探討，并將這些有益于開發者實踐操作的內容整理如下。
「AI+4K HDR」賽項官網：
https://www.kesci.com/home/competition/5d84728ab1468c002ca1825a
雷鋒網：可以向我們簡單介紹一下你們的團隊嗎？在本次大賽中，團隊內的分工是怎樣的呢？
Webbzhou：我們的團隊共有 2 名成員，一名是福州大學物信學院在讀研究生，而另一名是福建帝視信息科技有限公司的算法工程師。在這次大賽中，我們既有各自的分工，也有共同的合作；分工內容主要體現在兩部分，其中一人負責數據處理，另一人負責算法設計；合作部分則是共同完成算法的實現。
雷鋒網：是什么原因使你們組成了「混搭」團隊，來參加「全國人工智能大賽」呢？
Webbzhou：從比賽規?？梢钥闯?，該比賽是目前國內最頂級的人工智能賽事之一。因此，一方面，我們希望能夠通過參加此次比賽結識該領域中志同道合的朋友；另一方面，在參賽過程中還能進一步了解到該領域的前沿實況，并且在實踐中充分鍛煉自身的能力。
雷鋒網：既然選擇了這樣的組隊方式，那團隊在本次競賽中是否有更強的優勢呢？
Webbzhou：正是憑借福州大學和福建帝視信息科技有限公司這樣一種校企聯合、產學結合的方式，我們團隊在本次參賽中獲得了技術和創新上的巨大優勢。
在這樣的條件下，借助學校研究資源，我們則能夠獲得豐富的理論基礎；而借助公司平臺，我們能夠了解相關行業技術的最新發展動向以及實踐經驗。這在整個參賽過程中，都為團隊提供了一定的優勢。
雷鋒網：在整個賽題籌備過程中，團隊都做了哪些準備工作呢？
Webbzhou：我們研究方向主要是圖像/視頻增強與超分，因此我們在賽前閱讀大量的圖像/視頻處理文獻，而正是這些文獻給了我們之后的很多思路和靈感。
而在拿到數據后，我們對數據進行了抽幀、切分、清洗。然后再經過方案設計、討論，到具體的實驗設計與分析。最終，充分考慮到權衡資源和指標/主觀效果的問題之后，我們做出了選擇 SISR 方案的決定。
雷鋒網：針對 AI+4K HDR 賽項，團隊是如何解讀該賽題的呢？
Webbzhou：從 AI+4K HDR 的題面來看，它包含了三個關鍵詞，這三個關鍵詞一一對應于
AI 計算機視覺近年來憑借深度學習的發展已遍地開花，在畫質增強技術方面有了極大的進展，如 RCAN/ESRGAN/EDVR 等針對圖像視頻的超分模型一次次刷新指標的天花板。
4K 目前的視頻規格已經從高清轉向了 4K。4K 視頻的拍攝、存儲、傳輸的代價都是十分高昂的，如果能在終端將高清甚至是標清的視頻以無損畫質的技術轉為 4K，那意味著可以在編碼傳輸過程中節省大量的帶寬成本，因此超分具有巨大的潛在商業價值。
HDR 而 HDR 可以提供更多的動態范圍和圖像細節，因此近年來 SDR 2 HDR 也成為高畫質視頻圖像中必不可少的一個技術環節。
因此綜上所述，結合當下亟需解決的問題而言，我們對賽題的解讀則是利用 AI 畫質增強技術，將標高清 SDR 視頻盡可能無損地轉換到 4K HDR 視頻。
雷鋒網：面對當前的 AI+4K HDR 形勢，你們認為可以從哪些方面實現改進與突破呢？
Webbzhou：從目前看來，NAS（網絡結構搜索）可能會是今后發展潛力較大的一方向，它可以通過定向搜索提高網絡神經網絡性能并降低功耗，加快 AI+4K HDR 的服務端乃至終端的部署。
另外，有監督向半監督或無監督方向的轉變也可能會是之后的發展趨勢。這樣的改變能夠將真實場景低清數據分布轉向非成對的高清數據分布，不僅可直接利用互聯網海量真實數據且不引入人為退化方法的干擾，而且還可以使真實場景落地算法具有更強的多樣性、魯棒性。
雷鋒網：針對該賽道的比賽，團隊的在實際設計中都做了哪些嘗試？
Webbzhou：鑒于初賽的主要任務是去噪和超分，我們嘗試了兩種方案。包括：先去噪后超分，去噪和超分 end-to-end 聯合訓練。
但最后的實驗表明，兩者所達到的效果差距不大。因此，我們最終選用了更簡單便捷的 end-to-end 方案。
雷鋒網：在作品的設計與后處理方面，你們的核心思路是什么呢？
Webbzhou：初賽中，我們所面臨的主要問題在于數據量過大、抽取的視頻幀較多，尤其是在讀取 4K 的圖片時，會占用大量 IO，同時也會影響到解碼的速度。
因此我們將抽取到的幀進行了數據切分。我們將這些數據切成了很多小塊，這樣處理之后能夠大大加速訓練時的讀取時間。
同時，考慮到計算資源和精度問題，我們采用了 SISR 的方法來進行處理。當然，平衡主觀質量和評價指標也是一大問題，在實際操作中，我們則是通過大量的實驗，最終采用了主觀質量和評價指標一致良好的數據方案。
雷鋒網：除了 AI+4K HDR 相關技術，參賽作品中還用到了哪些值得其它團隊借鑒的技術嗎？
Webbzhou：初賽階段，我們主要采用傳統 CV 和 AI 結合的方案，這樣的方案能夠提高 AI 的可解釋性，更便于理解。
而在訓練網絡過程中，我們采用到了一些常用的技巧，比如：驗證集評估指標及輸出可視化，監視訓練過程讓訓練朝著我們的目標方向前，經過調優的初始化及優化策略等方法。
雷鋒網：在你看來，團隊的獲獎作品都有哪些創新點呢？
Webbzhou：初賽階段我們采用對 SISR 中的 RIRB 及 RRDB 模型進行了相應的優化，在計算力一定的情況下，提升了評價指標。同時，針對賽題的評價指標，我們修正了現有的 loss 使得效果明顯提升。
而從算法優化來看，我們主要的創新是在 loss 設計部分。在整個比賽過程中，我們一直都認為解決好一個問題的關鍵在于抓住問題的本質；而這 loss 部分恰好就是一個好的優化目標。這一目標最終所體現在作品中的效果，甚至比采用好的優化算法要更為關鍵。
雷鋒網：如果參賽選手要想在賽事中取得優秀的成績，有哪些要點值得選手們參考呢？
Webbzhou：我們認為首先要善于發現問題和解決問題。初賽中，我們通過抽樣觀看視頻，發現數據中很多干擾的數據，因此我們對數據進行了清洗。其次，作為參賽選手，需要有對實驗結果認真分析和思考總結的能力，要善于從大量文獻中找到可行解并進行優化。
雷鋒網：在比賽中是否有目前遇到無法解決的問題？你認為目前突破該技術難點的關鍵在哪呢？
Webbzhou：對于超分任務，低清圖的高頻信息損失比較嚴重。我們認為在主觀效果提升方面，GAN 進行適量調整可能是一個突破口。
雷鋒網：能否結合團隊每位成員的參賽經歷和我們談談參加比賽對于個人成長有哪些幫助？你認為這一比賽對開發者最大的鍛煉體現在哪里？
Webbzhou：在初賽過程中，雖然命題只包含降噪和超分任務，但視頻退化比學術領域研究甚至實際生活的內容要復雜很多，它涉及到了更多噪聲的融合，因此這給了我們一個很好的鍛煉機會，讓我們能夠接觸到更加復雜的場景問題，豐富了我們的閱歷。
在這個過程中，我們在分析問題和解決問題方面有了很大的進步，也能更好的將理論轉化為實踐輸出，而且在團隊合作上，也有了更好的交流溝通能力。除此之外，大賽也幫助我們更精準的發現自身不足，使得我們在今后的學習和工作中，能夠更有效的提高自身的能力。
更多信息，關注大賽官網：
雷鋒網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
