NBA赛事直播超清画质背后：阿里云视频云「窄带高清2.0」技术深度解读

NBA赛事直播超清画质背后：阿里云视频云「窄带高清2.0」技术深度解读

在半月前结束的NBA总决赛中，百视TV作为全网唯一采用“主播陪你看NBA”模式的直播平台，以“陪看型”赛事解说来面对内容差异化竞争。与此同时，百视TV还运用了“窄带高清2.0”直播转码技术，为观众在赛事画面质量上打造更进一步的体验提升。

上图上半部分是主播推流的原画，下半部分是使用窄带高清2.0技术转码后的画面。可以看到，经过窄带高清2.0 技术转码，球衣上的数字、地板上的英文字母、篮网、边界线等变得更加清晰。此外，画面整体清晰度都有明显的提升，甚至地板纹理和场外观众轮廓都会肉眼可见变得更加清晰。

下文将深度解读为NBA直播赛事带来超清画质背后的“窄带高清”技术原理。

1. 窄带高清技术

2. 赛事直播的挑战

当前，窄带高清技术在长视频、短视频、泛娱乐、在线教育、电商直播等场景有着广泛应用。相较于长视频和电商直播等场景，NBA篮球赛事直播由于画面切换快、运动性很强，往往需要高码率流。然而，高码率的直播尤其是NBA比赛直播在跨国传输中可能会受网络质量波动，造成音视频卡顿及延迟。为了保证直播的稳定性和基于播放端的丝滑观赛体验，百视TV选择了较小码率的源流。于是，面临真实场景下的多个挑战：挑战 1：低码流导致赛场画面模糊失真相比于高码率流的画面画质，低码率流会有较明显的压缩失真、细节模糊和弱纹理丢失。对于篮球赛事场景来说，就会造成如球星球衣上的文字模糊、篮网模糊、边界线及地面上文字边缘毛刺多等诸多画质现象，导致观看体验不佳。挑战 2：剧烈运动画面的“去交错处理”残留除了低码率流带来的压缩失真细节模糊外，体育比赛场景还有一个特有的问题，即原始信号一般是隔行扫描采集的，在互联网传输时首先需要做“去交错处理”，但是对于剧烈运动画面，很难保证有完美的去交错处理，通常会有一些“交错”没有去除干净，形成一些残留噪声。挑战 3：数次转码后的画面损失此外，基于企业客户当前业务逻辑，直播视频从拍摄到终端用户，经历了数次转码，每一次转码，都会带来一定的压缩失真和画质损失。为了更好地平衡直播流畅性、稳定性和高清画质体验，百视TV在NBA决赛转播过程中先选择相对较低的码率实现稳定的跨国传输，将源流拉到国内后再做修复，在此过程中，百视TV便使用了阿里云视频云的“窄带高清2.0”技术。

3. 针对体育赛事的解决方案

4. 关键技术解析

4.1 视频处理

极致修复生成

模型加速

清晰度增强

4.2 码率分配

JND

ROI

4.3 编码内核

针对体育赛事直播场景，在视频编码内核方面，我们做了主观快划分优化和块效应优化，以提升压缩后视频的主观清晰度，降低块效应，从而提升整体观看体验。

主观块划分

块效应优化

4.4 视频效果展示

通过前述视频处理、码率分配优化和编码内核优化，最终实现画质极致修复和1080p下50fps直播转码，为观众提供流畅、稳定和高清的观看体验。左为源流效果，右为修复后效果

由此可见，通过与百视TV的NBA赛事合作，充分体现了“窄带高清2.0”技术在篮球赛事直播中对视觉体验提升的重要价值，其带来同等画质下更省流、同等带宽下更高清的商业意义与观看体感平衡。未来，窄带高清技术也将持续升级，通过算法能力进一步提升修复生成效果、降低码率和优化成本。于此同时，该项技术也将应用于更多的顶级赛事活动，在成本优化调和之上，实现视效体验的全新升级。参考文献：[1] ARCNN：Chao Dong, et al., Compression Artifacts Reduction by a Deep Convolutional Network, ICCV2015[2] MFQE：Ren Yang, et al., Multi-Frame Quality Enhancement for Compressed Video, CVPR2018[3] DeepDeblur：Seungjun Nah, et al., Deep Multi-scale Convolutional Neural Network for Dynamic Scene Deblurring, CVPR2017[4] FBCNN：Towards Flexible Blind JPEG Artifacts Removal, ICCV2021[5] STDF：Jianing Deng, et al., Spatio-Temporal Deformable Convolution for Compressed Video Quality Enhancement, AAAI2020[6] NAFNet：Liangyu Chen, et al., Simple Baselines for Image Restoration，BSRGAN: Kai Zhang, et al., Designing a Practical Degradation Model for Deep Blind Image Super-Resolution, CVPR2021[8] Real-ESRGAN: Xintao Wang, et al., Real-ESRGAN: Training Real-World Blind Super-Resolution with Pure Synthetic Data, ICCVW2021[9] RealBasicVSR: Kelvin C.K. Chan, et al., Investigating Tradeoffs in Real-World Video Super-Resolution, CVPR2022[10] ESRGAN: Xintao Wang, et al., ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks, ECCVW2018[11] ESRGAN: Xintao Wang, et al., ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks, ECCVW2018[12] UNet: Olaf Ronneberger, et al., U-Net: Convolutional Networks for Biomedical Image Segmentation, MICCAI2015[13] RepSR: Xintao Wang, et al., RepSR: Training Efficient VGG-style Super-Resolution Networks with Structural Re-Parameterization and Batch Normalization, LDL：Jie Liang, et al., Details or Artifacts: A Locally Discriminative Learning Approach to Realistic Image Super-Resolution, CVPR2022[15] USM：https://en.wikipedia.org/wiki/Unsharp_masking

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。