发表在2019年TCSVT。
本文提出了一个兼具 预测压缩系数 和 非盲去压缩失真 功能的 伪-盲（pseudo-blind）去压缩失真网络。该网络是在Inception的基础上修改的，并加上了一个 压缩系数预测子网络。
这篇文章的Introduction、相关工作回顾、失真成因都写得很一般，我们看个方法就好。
值得一提的是，这可能是第一篇尝试“盲”QP增强论文，但是！作者准备了4个增强网络，应对4种预测QP。因此严格意义上不是盲的。
非盲增强网络结构
整体上看：
局部的Inception module：
训练目标
最小化\(L_1\)损失。
在HEVC下的4种QP：34、37、42、47训练了4个网络。
压缩系数预测子网络
网络结构
这是一个19层、\(3 \times 3\)卷积的VGG网络，参数量高达5.8M。
根据块QP判决结果得到帧QP预测结果
注意，我们不适用平滑区域的块。原因是：这些块的判决结果非常不稳定，很难反映QP信息。因此我们提取具有丰富纹理的块。
扫描二维码关注公众号，回复：
7507981 查看本文章
当判断该帧的QP时，我们取 50个 判决结果最悬殊的块 的结果。即分类器置信度最高的前50个块 的结果。然后voting得到最终预测QP。
保持时序连续性
为了保证帧间QP具有一定的连续性，作者考虑了软判决。具体策略看论文。
最终大网络就是这个样子，很简单都不需要多解释：
实验
我们只看分类器的准确率：
