你拿著手機(jī)拍視頻時，最大的困擾是什么？

抖……

視頻抖動似乎成為亟需解決的一大問題。

近日的一項(xiàng)研究可以很好地解決視頻抖動問題。它的效果是這樣的：

從畫面看，右邊的視頻抖動明顯減少，即使是疾走拍攝，看起來也不那么晃眼。

人潮洶涌的公共場所拍攝視頻進(jìn)行對比，右邊的動圖明顯穩(wěn)定了很多。

引言

隨著 YouTube、Vimeo 和 Instagram 等網(wǎng)絡(luò)平臺上視頻內(nèi)容的快速增長，視頻的穩(wěn)定變得越來越重要。沒有專業(yè)視頻穩(wěn)定器捕獲的手機(jī)視頻通常不穩(wěn)定且觀看效果不佳， 這對視頻穩(wěn)定算法提出了重大挑戰(zhàn)?，F(xiàn)有的視頻穩(wěn)定方法要么需要主動裁剪幀邊界，要么會在穩(wěn)定的幀上產(chǎn)生失真?zhèn)蜗瘛?/p>

所以，如何解決視頻抖動，產(chǎn)生穩(wěn)定的視頻拍攝效果呢？來自臺灣大學(xué)、谷歌、弗吉尼亞理工大學(xué)和加州大學(xué)默塞德分校等研究機(jī)構(gòu)的研究者提出了一種無需裁剪的全幀視頻穩(wěn)定算法。

論文地址：
https://arxiv.org/pdf/2102.06205.pdf

項(xiàng)目地址：
https://github.com/alex04072000/NeRViS

具體而言，該研究提出了一種通過估計稠密的扭曲場來實(shí)現(xiàn)全幀視頻穩(wěn)定的算法，既可以融合來自相鄰幀的扭曲內(nèi)容，也能合成全幀穩(wěn)定的幀。這種算法的核心技術(shù)為基于學(xué)習(xí)的混合空間融合，它可以減輕因光流不精確和快速移動物體造成的偽影影響。研究者在 NUS 和 selfie 視頻數(shù)據(jù)集上驗(yàn)證了該方法的有效性。此外，大量的實(shí)驗(yàn)結(jié)果表明，該研究提出的方法優(yōu)于以往的視頻穩(wěn)定方法。

本研究的主要貢獻(xiàn)如下：

將神經(jīng)渲染技術(shù)應(yīng)用于視頻穩(wěn)定中，以緩解對流不準(zhǔn)確的敏感性問題；

提出了一種混合融合機(jī)制，用于在特征和圖像級別上組合來自多幀的信息，并通過消融研究系統(tǒng)地驗(yàn)證了各種設(shè)計選擇；

在兩個公共數(shù)據(jù)集上展示了與代表性視頻穩(wěn)定技術(shù)相比較而言，該研究所提出的方法具有良好性能。

算法實(shí)現(xiàn)

本研究提出的視頻穩(wěn)定方法一般分為三個階段：1)運(yùn)動估計；2)運(yùn)動平滑；3) 幀扭曲以及渲染。該研究重點(diǎn)集中在第三階段，即渲染高質(zhì)量的幀而不需要任何裁剪。算法不依賴于特定的運(yùn)動估計 / 平滑技術(shù)。

研究假設(shè)從真實(shí)相機(jī)空間到虛擬相機(jī)空間的扭曲場可用于每一幀視頻。對于給定的輸入視頻，首先對每幀的圖像特征進(jìn)行編碼，在特定的目標(biāo)時間戳處將相鄰幀扭曲到虛擬攝像機(jī)空間，然后融合這些特征來渲染一個穩(wěn)定的幀。

圖 3：融合多個幀的設(shè)計選擇。

為了合成全幀穩(wěn)定的視頻，需要對輸入的不穩(wěn)定視頻中多個相鄰幀的內(nèi)容進(jìn)行對齊和融合。如圖 3 所示，主要包括三個部分：

傳統(tǒng)的全景圖像拼接（或基于圖像的渲染）方法通常在圖像級別對扭曲（穩(wěn)定）的圖像進(jìn)行融合。在對齊比較準(zhǔn)確時圖像級融合效果良好，但在流估計不可靠時可能產(chǎn)生混合偽影；

可以將圖像編碼為抽象的 CNN 特征，在特征空間中進(jìn)行融合，并學(xué)習(xí)到一個解碼器，可將融合后的特征轉(zhuǎn)換為輸出幀。這種方法對流不準(zhǔn)確性具有較好的魯棒性，但通常會產(chǎn)生過度模糊的圖像；

該研究提出的算法結(jié)合了這兩種策略的優(yōu)點(diǎn)。首先提取抽象的圖像特征（公式（6））；然后融合多幀扭曲的特征。對于每一個源幀，將融合后的特征映射和各個扭曲的特征一起解碼為輸出幀和相關(guān)的置信度映射。最后使用公式（8）中生成圖像的加權(quán)平均值生成最終輸出幀。

扭曲和融合

扭曲：在虛擬像機(jī)空間中，扭曲相鄰幀，使其與目標(biāo)幀對齊。因?yàn)橐呀?jīng)有了從目標(biāo)幀到關(guān)鍵幀的扭曲場，以及從關(guān)鍵幀到相鄰幀的估計光流，然后可以通過鏈接流向量來計算從目標(biāo)幀到相鄰幀的扭曲場。因此可以使用向后扭曲來扭曲相鄰幀 I_n 以對齊目標(biāo)幀。

由于遮擋或超出邊界，目標(biāo)幀中的一些像素在鄰近幀中不可見。因此，該研究計算每個相鄰幀的可見性掩碼 {}∈ω，來表示一個像素在源幀中是否有效(標(biāo)記為 1)。該研究使用[Sundaram 等人. 2010] 方法來識別遮擋像素(標(biāo)記為 0)。

融合空間：研究者探討了幾種融合策略來處理對齊的幀。首先，他們可以在圖像空間中直接混合扭曲的顏色幀產(chǎn)生輸出穩(wěn)定幀，如圖 3(a)所示。這種圖像空間融合方法在圖像拼接、視頻外插和新視角合成中很常用。

為了結(jié)合圖像空間和特征空間最佳融合，該研究提出了一種用于視頻穩(wěn)定的混合空間融合機(jī)制（圖 3（c））。與特征空間融合相似，該研究首先從每個相鄰幀中提取高維特征，然后利用流對特征進(jìn)行扭曲。之后學(xué)習(xí) CNN 來預(yù)測最能融合特征的混合權(quán)重。研究者將融合后的特征映射和每個相鄰幀的扭曲特征連接起來，形成圖像解碼器輸入。圖像解碼器學(xué)習(xí)預(yù)測目標(biāo)幀和每個相鄰幀的置信圖。最后采用圖像空間融合的方法，根據(jù)預(yù)測權(quán)重對所有預(yù)測的目標(biāo)幀進(jìn)行融合，得到最終的穩(wěn)定幀。

混合空間融合和特征空間融合的核心區(qū)別在于圖像解碼器的輸入。下圖 5(b)中的圖像解碼器僅將融合特征作為輸入來預(yù)測輸出幀。融合的特征映射已經(jīng)包含來自多個幀的混合信息。因此，圖像解碼器可能難以合成銳利的圖像內(nèi)容。相比之下，圖 5(c)中的圖像解碼器以融合的特征映射為指導(dǎo)，從扭曲的特征重構(gòu)目標(biāo)幀。實(shí)證研究發(fā)現(xiàn)，這提高了輸出幀的銳度，同時避免了重影和毛刺偽影。

圖 5：不同混合空間的效果。

實(shí)驗(yàn)結(jié)果

控制變量實(shí)驗(yàn)

融合功能。該研究使用圖像空間融合、特征空間融合和混合空間融合來訓(xùn)練所提出的模型。對于圖像空間融合，該研究還包括兩種傳統(tǒng)的融合方法：多波段融合和圖切割。結(jié)果如下表 1 所示：

量化評估

該研究使用以前提出的一些 SOTA 視頻穩(wěn)定算法對所提出的方法進(jìn)行了評估，結(jié)果如下表 4 所示：

視覺比較

在下圖 10 中展示了該研究所用方法的一個穩(wěn)定框架和來自 Selfie 數(shù)據(jù)集的最新方法。該方法生成的全幀穩(wěn)定視頻具有較少的視覺偽影。

圖 10：與 SOTA 方法的視覺效果對比。

由結(jié)果可得，該研究提出的融合方法不會受到嚴(yán)重裁剪幀邊界的影響，并且渲染穩(wěn)定幀時的偽影明顯少于 DIFRINT。

運(yùn)行時間分析

該研究在基于 CPU 方法 [Grundmann et al. 2011; Liu et al. 2013; Yu and Ramamoorthi 2018] 以及 i7-8550U CPU 筆記本上對運(yùn)行時間進(jìn)行了實(shí)驗(yàn)。此外，該研究還在基于 GPU 方法 [Choi and Kweon 2020; Wang et al. 2018; Yu and Ramamoorthi 2020]以及 Nvidia Tesla V100 GPU 上對運(yùn)行時間進(jìn)行了實(shí)驗(yàn)。測試視頻的幀分辨率為 854×480。結(jié)果如下表 5 所示：