迈入 8K 时代，AI 驱动超高清 “视” 界到来
2021 年，超高清迈入 “8K” 时代。超高清视频将带来全新视听体验，但超高清生产在内容生产层面也面临着超高清存量少、生产设备更新换代慢、制作周期成倍增加的困境。在 7 月 10 日的 Imagine 阿里云视频云全景创新峰会上，达摩云资深算法专家谢宣松，发表了《AI 技术驱动超高清 “视” 界》的主题演讲，从超高清产业的生产现状与困境出发，深度剖析 AI 技术如何驱动视听升级，并分享了达摩院在超高清生产领域的实践经验，以下为演讲内容整理。
超高清产业发展现状
视觉是一个生理学词汇。通过视觉，人和动物感知外界物体的大小、明暗、颜色、动静，获得对机体生存具有重要意义的各种信息。从物理现象角度来看，也就是视网膜对光的各种感应，包括光的亮度、细节描述，还包括跟时间相关的这些信息。而对视觉冲击力最大的就是视频。
AI 在视频方面能发挥什么作用？
AI 在视频发挥的作用主要分成两部分，第一部分是最基础的，AI 对视频或者图像的理解，体现在我们视频中常见的分类、打标、检测、分割等。AI 是与人相关的，因为人肯定一上来先理解世界，所以 AI 要发挥它的作用，第一步就是理解学习。
第二部分和生产类相关，比如生产、编辑、加工、擦除、插入等，其中 AI 在底层视觉就是发挥它的增强作用。那么 AI 是如何在底层视觉上发挥它的作用的呢？
视觉是人类最重要的感觉，所以视频的体验的问题是重中之重。体验会和很多东西相关，人类也在不断追求着体验，第一是清晰度的追求，从 4K 到 8K，信息包含量越来越多，细节的丰富程度也越来越高。2021 年 4k 超高清视频已经普及，并迈入 8K 高清时代。
第二是色彩，更生动的色彩，这也是影响人体验的一个非常重要的地方。第三个则是更沉浸式的体验。
那 AI 可以发挥些什么作用呢？能不能在各行各业进行应用呢？
首先是超高清视频，2014 年国家发布 4K 的战略，到现在已经过去了 7 年，4K 开始朝着更高的 8K 方向发展。在这个过程当中内容永远是滞后的，基础设施反而是超前的，像 4K 电视，现在消费者仍然不会去购买一台最基本配置的 4K 电视，而信号的基础设施已经迈向了 8K、5G。
去年春节进行了第一次 8K 直播，东京奥运会、北京冬奥会都会有 8K 直播，而且 8K 的直播会越来越多。
但 8K 直播有很多困难，因为视频是完整内容生产的过程。其实有很多环节，例如素材采集，素材采集现在已经消费级别化了，1080P、4K 级别的素材采集，利用手机就可以满足。但怎么生产内容，拍一下视频是否就算是生产了？
其实它只是最基本最简单的生产，对内容生产来说分两块：第一块是存量的内容，从古老的黑白到后来有色画面但分辨率很低的内容。技术和人的体验的要求越来越高，所以之后的内容制作的周期和要求越来越高。
技术在内容生产方面可以发挥巨大的价值，因为技术无外乎两个东西，第一个降本提效，这是最根本的。第二是创新，能够快速快捷低成本创造新的机会。
所以技术在这块会发挥非常大作用，包括网络传输、终端是需要完善整个产业链的。而我今天所讲的只是其中的一个点，但这一点也需要非常多技术来补完。
AI 技术驱动视听升级
要提高视觉体验，最基本的是增加可以观察到的细节，而跟细节最相关的就是分辨率，但分辨率需要终端设备支持，所以这是第一点，也是最重要的。
第二是流畅丝滑的视觉体验，目前大部分是显示器是 60 赫兹，但也有 120 赫兹、240 赫兹、甚至 360 赫兹的显示器，赫兹代表着屏幕每秒的刷新率，也就是每秒钟屏幕出现图像画面的次数。屏幕支持的赫兹数越高，每秒显示的画面也就越多，视频观感也更流畅。
之前的带宽不足，不足以支持那么多的画面信号传输，而视频本身的帧数也达不到流畅的体验。
当然，技术可以弥补视频自身上的不足，来提高视频的视觉体验。
第一个是关注细节，第二关注流畅度，第三关注色彩。4K 内容是有国家明确规范的，你要想称之为 4K 内容，你要先满足这些条件。
从这三个层次来看，技术上追求细节可能就会出现很多瑕疵，因为这里很多初试者，经常用 GAN 系列技术，在生产过程当中会经常出现不可控因素，导致出现瑕疵。
实话说，我一直想把视觉生产定义成可控的视觉内容生产，既能够保证细节的还原，同时又能够保证瑕疵的控制，这需要很核心的技术，这是第一。
第二个，算法除了要控制超分辨率以外，另外算法的源头是什么？是数据，大家普遍觉得数据有两种，低分辨率和高分辨率，因为低画质和高画质是一对的。
这些数据怎么获取，有很多手段。主要的办法是用人工的方式、高成本的方式，获取这两种数据，能不能用技术的方式真正生产高仿真、高真实的数据对（data pair），这是未来很大的一个课题。
最后要使 AI 技术在实践当中使用，把效果和效率上平衡做好，这本身也是个问题。
第一个要解决的是数据规模。因为 AI 的数据规模是海量的，在这些场景大家感受到的比较差的画质，很多细节都已经损失掉了。很多模糊的东西，色彩不对的地方，AI 是无法凭空绘制出这些数据的，所以能不能设计个方案，使 AI 用算法自动获取真实的数据，目前，这是非常难的一个课题。
在比较早的时候大家用简单的方式，要想追求更好一点，可能用一些数据核，使得清晰的画面变得不清晰，然后去制造一个数据对。当然可能做了核之后加一些东西，加一些噪声，那有了这些以后是不是就行了？其实也不行，因为所有的视频要通过编码、解码，在传输过程中又会产生很多损失。
所以怎么模拟损失的那部分？设计一个好的算法，对编解码本身也是很好的，这一系列考虑下来，低质和高质的数据对可以做非常多事情，这里面牵扯到对噪声的分析、场景的分析，不同场景关注点的不一样，动漫画更关注边缘，运动场景比较高的关注运动的动作，还有复杂的场景可能会关注很多的细节。
所以在这些方面需要做非常多的数据分析和数据生产，也许平时大家就是做一个算法，让一堆人打标，画框就行了，所以在这个问题中，数据对的生成是个命题，怎么获取到真实的训练数据。当然这个数据除了真实以外还要有规模，达摩院在技术这一方面花费了很多的努力。
超高清生产实践
接下来怎么增强？比如怎么增强人像，我们现在比较重要的方法就是加入 GAN 系列技术进去，达摩院开源了 GPEN 的高清算法。
在各种视频新闻中，很多人像基于这个算法做了修复，在 B 站等各平台播放，起到了很好的 PR 作用，这些都是基于达摩院的算法去修复的。
这里面第一个加入了 GAN 的先验网络也加了生成式数据发生器。基本分三大类，第一类针对内容的，当然针对特征层面的，还有针对 GAN 层面的 Loss 在里面，所以可以得到针对人像非常好的基础模型。这是其中一种。
当然对真实的物理世界来说人虽然是最重要的，但文字、风景等各种细节，也需要算法来完善增强。
关于解决流畅度的问题，在很多时候，尤其在运动变化率非常大时经常会出现瑕疵，所以怎么在不同的尺度、出现不同的瑕疵时，检测并弥补修复，然后提升流畅度，这需要很多的工作来完善。
除了细节增强，数据的还原、生成，还有瑕疵的检测，差分的检测，颜色的调准，非常多算法可以发挥它的作用，这一系列组合起来视频才能够完成从低清到 4K 到 8K 的演进，这本身也是个系统工程。
所以从这三个维度也无所谓传统与不传统的方法，大家都是利用深度学习的方法增强分辨率，帧率、色彩还有细节，还有在不同场景下怎么完善算法更好。
有了这些算法，形成真正可用的产品和服务还有很长的路要走，这就是系统工程要做的事情。基本来说，从原创的素材，加上 AI 视觉生产、智能生产，画面增强，还有内容加工，得到内容之后怎么编辑、修改、生成封面、拆条，这里面都可以做很多的技术来发挥作用。
上图展现了人物照片 AI 增强后的效果，利用开源的 GPEN 高清算法实现面部增强，增强后的视觉效果很棒，但实际上还有很多难点在里面，如果这个照片源头非常差或者受到很严重的污损，要想做好的增强还是很困难的。
另外这是一个综合的东西，可能用到面部的增强，但也不能脱离环境生产，要和背景相结合。如果是很古老的照片，还要做色彩还原，包括黑白变成彩色等。
画质增强，当然对于视频来说更复杂，原始画面的比较暗，但加上色彩会更加生动，再加上超分以后细节更突出，这时车不是那么流畅，加一个差分使得汽车行驶画面更流畅。从色彩到细节再到流畅度再加上场景增强，形成了完整的视觉增强，这是属于视频视觉处理技术。
达摩院视频综合增强 效果展示
最后 AI 驱动高清往前走，智能是最基本的，达摩院是做 AI 技术的，所以能不能自适应去做事情非常重要。自适应好像很简单，但事实上在不同的场景，AI 技术并没有所谓的普适性的能力。
在有卡通时，有新闻人物时，有纪录片时，我们希望 AI 能够有适应的完整系统，用万能的模型去处理，而不是单一的模型，使 AI 自适应的针对不同场景采用最优质的算法。
最后自我评估这是很重要的有意思的话题，对于主观的视频增强技术好不好，如何去评判它，本身也是很困难的事情，达摩院也会在视频增强技术投入很多的时间去做，去完善。
当然还需要系统去承载它，视频云就是这个基础设施平台，使得可以高效率规模化地做各种各样 AI 视频视觉增强的任务。
当然现在 AI 慢慢朝着两个维度走，第一个走向消费者，平民百姓，为大家服务。另外深入到各行各业为大家提供降本提效，以及创新各种各样的机会。AI 技术将基于视频云，驱动未来的高清视界。
「视频云技术」你最值得关注的音视频技术公众号，每周推送来自阿里云一线的实践技术文章，在这里与音视频领域一流工程师交流切磋。公众号后台回复【技术】可加入阿里云视频云产品技术交流群，和业内大咖一起探讨音视频技术，获取更多行业最新信息。
