视频压缩是指通过特定的压缩技术，达到缩减视频大小、节省空间的目的。其主要使用预测编码体系结构并编码相应的运动信息和残差信息，去除冗余信息，而近年来以深度学习为代表的卷积神经网络具有更深的学习层次，能够有效的去除掉冗余数据特征，从而获得更高的压缩比。所以基于深度学习的视频压缩技术成为提升视频压缩性能的重要手段。

利用深度学习进行视频压缩时，通常会在编解码端同时使用深度网络，这也会导致过滤掉一些有用的信息，对视频的质量带来损失。那如何减少损失，增强压缩视频的质量呢？可以利用针对帧内预测编码和帧间预测编码不同失真特征的质量增强深度网络，也可使用递归神经网络进行视频质量增强。但所有基于深度学习的方法存在共同缺点：解码端需要预训练的深度模型，即不可与现有常用的图像和视频解码器JPEG、HEVC等兼容。

那如何在编解码端设计高效的视频压缩网络？如何兼容一般播放器呢？12月23日晚8点，智东西公开课邀请到瑞士苏黎世联邦理工学院博士研究生杨韧参与到「CV前沿讲座」第28讲，带来主题为《基于深度学习的视频压缩技术》的直播讲解。杨博将从深度学习的压缩视频质量增强研究展开，详细的介绍了基于深度学习的传统压缩方法、端到端优化方法和兼容一般播放器方法。

杨韧是瑞士苏黎世联邦理工学院博士，师从Prof.Dr.Luc Van Gool，2018-2019年于微软研究院任实习研究员，荣获Award of Excellence，2019年硕士毕业于北京航空航天大学，学位论文获中国电子学会优秀硕士论文和Winner of Three Minute Thesis (3MT) Competition (ICME 2019)等荣誉。杨博在硕博期间研究方向主要包括：基于深度学习的图像和视频增强、超分辨率重构和压缩编码。同时杨博还在CVPR/ICCV/ICME/IEEE T-PAMI/IEEE T-IP/IEEE T-CSVT等国际高水平会议和期刊发表论文十余篇，并担任CVPR/IJCAI/ECCV/ACCV/IEEE T-IP/IEEE J-STSP/IEEE T-CSVT/IEEE T-MM/Elsevier SPIC/Neurocomputing/IEEE Access等会议和期刊审稿人或程序委员会成员。