一、文献综述
（一）国内外研究现状
神经网络技术于20世纪中期被提出，但由于神经网络需要使用大量的计算资源，所以在当时并未引起广泛关注。随着计算机性能的迅速提高，20世纪后期，神经网络开始进入研究者们的研究范围。直到21世纪初，深层神经网络的出现，使得神经网络的研究走向高峰。在2012年的ImageNet比赛中，AlexNet深度神经网络获得冠军，此后，各式各样的深度神经网络被提出，深度神经网络也逐渐被应用在各个领域里，比如语音识别，机器翻译，图像处理。图像处理领域神经网络的使用尤其多，包括视频图片的超分辨率，视频的插帧等方面。
大数据时代，对视频的传输和存储越来越多，视频编码技术是一种很好的方法去突破带宽有限所带来的传输瓶颈，所以对视频编码技术的研究有重要意义。视频编码技术主要被国际上的一些组织所引领，他们制定了相关的标准，最近几十年来，有许多视频编码标准被提出，如ISO/IEC的MPEG系列、ITU-T的H.26x系列、中国的音视频编码标准(AVS)系列、开放媒体联盟 (AOM)的AV1，他们都在传统混合编码框架的基础上，提升了数百倍的压缩效率。在以上的标准中，帧内预测的改进主要是添加了更多的预测模式，但大多是基于传统的方向预测算法。比如AV1之前的VP9，有10种预测模式，而AV1有56个方向模式。而HEVC相对于H.264的9种模式，增长为33种。
视频编码本质上起源于信号处理理论，包括帧内预测、帧间预测、变换、量化和熵编码技术等，这些技术可以组合形成许多不同的编码方式。帧内预测简而言之就是使用相邻的像素去预测当前块的像素，然后只将预测像素与原当前块像素的差值存储，配合其他编码技术，能大幅减少需要存储的信息量。使用相邻的像素去预测当前块的像素可以抽象为一种回归问题， 故理论上可以结合神经网络。
所以近些年也有不少使用神经网络对帧内预测进行优化的研究，主要包括两个方面，使用神经网络替代帧内预测过程，或使用神经网络进行帧内预测模式的快速选择。预计在下一代视频编码标准中，就会有基于神经网络的编码技术被加入其中。
在神经网络结构的选取方面，国内外的研究中，对于全连接网络，卷积神经网络，GAN网络都有使用，也都取得了不错的效果。但是网络的复杂度也在逐渐加深，对于计算资源的消耗也越来越高。
（二）研究主要成果
研究成果主要从两方面说起，分别是视频编码技术上的成果，将深度学习技术运用在视频编码上的成果。
关于编码技术上的成果，这里主要说明H.264/HEVC。HEVC也采用了混合视频编码框架，但与H.264/AVC相比，它已经有了很多改进。这种改进有一部分要归功于增加的宏块大小。宏块定义为用于压缩计算的图像区域，较大的宏块可以有效地压缩高分辨率的视频。在H.264/AVC中，编码单元是一个固定大小为16x16的宏块, 这些宏块太小，以致于无法高效地播放1080p以上的视频。HEVC引入了编码树单元(CTU)、预测单元(PU)、转换单元(TU)和编码单元(CU)的概念。图像首先被划分为CTU。CTU的大小可以是16x16、32x32和64x64。对于一个CTU，它可以作为一个整体进行编码，也可以被均匀地分为四个CU。CU是最基本的帧间编码和帧内编码模块之一，其大小可以从8x8到64x64，它也可以根据图像的纹理均匀地分为四部分。PU是最基本的帧内预测单元之一，它由CU划分得到，大小从4x4到64x64。TU用于变换和量化。PU中的所有TUs将共享相同的预测信息。TU的大小从4x4到32x32。由于图像具有很强的空间相关性，较小的TU可以减小预测像素与参考像素之间的误差。此外，在HEVC中还将角预测方向数扩展到33个，因为使用更细的预测方向可以提供更准确的预测。除了帧内预测以外，在滤波，变换，熵编码等方面，也有了许多成果，这里不再赘述。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
