视频重压缩检测学习计划和笔记( 二 ) _比特率

这篇是视频级的那么有没有办法做到GOP级/帧级？
2023.3.21
in HEVC-coded video with the sameusing
HEVC
同参数下的重压缩二分类
5维度的统计信息和62维度的CNN特征，用了PU的帧内预测模式 PU的MPM信息 CU块的深度（也就是size） TU的深度
这篇文章的做法不是多重压缩增强特征，而是将原始序列/重压缩序列再次压缩，提取之间的变化ADM作为特征送入SVM训练
分析一下为什么会work，作者消融实验给了很好的解释：
可以看出文章特征是work的主要原因 1.因为CNN的原因，作者用了32*32或更大尺寸的PU特征 2.作者提出的MPM在实验中看起来也很有用
2023.3.21
FakeUsingDeep-FromError
HEVC
GOP级的伪造（上升）比特率检测
I帧patch wise的重压缩误差一个分支是像素域的亮度分量差另一个分支是其“0元素效应”的统计信息
这里的one step 压缩类似上面这篇论文，因为这里设计的特征也是一种空域上的“变化”，然后提取I帧patch级的特征和统计特征，送入网络训练，得到GOP级的结果
2023.3.28
andof VideoFrom AVC to HEVC Based on Deepofand PU Maps
转码
帧级AVC-HEVC转码检测
只有P帧的PU Map和高频视频帧
先用无池化层的CNN学习浅层特征，通过在两个卷积层中引入批归一化(BN)和整流线性单元(ReLU)，减少了过拟合的可能性，并增加了非线性信息，同时加入skip ，特征表征模块的设计是为了增加通道的数量，压缩特征图的大小，学习每条路径上的最终特征。最后通过一个数据驱动的特征融合模块，帧分类后利用投票策略获得视频级分类
2023.4.4
of fake highfor HEVCbased onmode
HEVC
视频级假高清（上升比特率和下降QP）分类
一个十维的统计信息特征，4维从视频所有I帧中提取帧内预测模式的出现频率（ DC H0和VO），6维是P帧和B帧中帧间预测模式的出现频率（Skip、Merge、AMVP）
2023.4.13
of HEVCwith non- GOPvia inter-frame
HEVC
视频级不对齐GOP的重压缩分类和原始GOP估计
设计的去块滤波和SAO滤波特征具体没看懂
理论上是利用帧内和帧间环路滤波决策之间的差异，对重定位I帧的检测方法是提取手工特征送入SVM
2023.4.17
of HEVCWith the SameBased onof Intra
HEVC
视频级同参数重压缩视频分类
不稳定PU 下有推导
比特率相关论文整理：
IEEE2018offor HEVCWith Fake用的是每个GOP的第一个P帧的PU分区的直方图作为特征视频级分类
TCSVT 2014Fake Bit RateandBit Rates I帧的ac系数用于分类从SSIM曲线中得到空域特征用于估计原始比特率视频级
offor HEVCBased on the Co-of DCT用DCT系数提取共生矩阵视频级这个论文的实验是不同QP
on Image and VideoHEVCunder
based on TUtype 计算所有GOPs的第一个I/P帧中各TU分区类型的直方图视频级
学习中遇到的问题 1 光流特征
首先，光流是空域特征，因为它基于像素的运动，描述了相邻图像中像素的运动和变化。
我是在《HEVCwith Non- GOPBased on awithFlow andUnits》这篇论文中接触到的，这篇文章利用重定位I帧相邻帧的关联性较弱，会导致光流周期性异常这一特点，用ViBe提取背景信息，再用LK算法提取相邻帧光流的残差信息，消除不同时间段内物体运动振幅差异的影响，其中还运用到了中值滤波的技术来减少不必要的噪声。
1.1 为什么帧之间的关联性弱会导致光流周期性异常？
在视频编码中，帧之间的关联性越强，那么相邻帧之间的像素差异就越小。这就意味着，当使用光流算法进行帧间运动估计时，相邻帧之间的运动矢量会更加准确和稳定。