Making the Unwatchable Watchable

Sergio Grce讨论了BitClear，一种基于人工智能的去噪技术.

想想“病毒式”媒体的生命周期吧. It might be a rare insight into a news story, an unexpected artistic achievement, or just a funny animal. 但它已经在媒体分享社交网站上传播开来.

Given the quality of cameras available today, even in phones, 它很可能是从相当原始的视频图像开始的. 但是每一次共享它都会被重新编码. 当一款游戏具有病毒式传播成功的潜力(并因此获得可观的盈利)时，其质量却往往大幅下降. 我们都很清楚连接编码(a).k.a. 转码)，如模糊，阻塞和振铃.

对许多人来说，无论内容多么有趣，这种糟糕的质量都让人无法观看. 这是一个悖论:一个视频片段在社交媒体上越成功, 越少的人会容忍失真和伪影来观看它.

我们所需要的是一个过程，它可以将所有这些编码的效果回滚，并恢复到尽可能接近原始视频的质量. Unfortunately, 传统观点认为，每次转码后失去的视频质量永远无法恢复.

iSIZE专注于将深度学习应用于视频传输, so we looked into this issue. The result is BitClear, 一种基于人工智能的去噪技术，专门用于消除压缩的影响.

BitClear是一种定制的神经结构，经过训练可以从数据流形中去除噪声, i.e., to remove compression noise and artifacts, 尽可能多地保留或恢复原始内容. 不像一般的去噪技术，针对薄膜颗粒或隔行伪影, BitClear的目标是典型的MPEG或amedia编码器的压缩工件.

但是在学习各种通用编码标准的噪声特征的同时, BitClear不需要知道特定资产的历史. 它可以处理任何高度压缩的内容，并以两倍于原始输入的分辨率产生更高质量的版本. That, in turn, improves the value of the asset. On an Intel Xeon CPU, 当生成1080p分辨率的内容时，最快的BitClear模型可以达到每秒30帧的处理速度. 这种速度使其适用于直播和视频点播处理管道中的各种内容.

它定制的神经网络架构也意味着它很容易扩展, up to very high volumes of parallel processing. 它的架构意味着它可以在云中实现，也可以在本地实现, and can run on CPUs, 支持神经网络推理的gpu或定制硬件.

综上所述，这使得BitClear成为其主要目标市场的理想选择.g. short-form content in social media networks, 或者在寻求从流行的用户生成内容或低分辨率的遗留编码内容中最大化潜在价值时. 目前，该解决方案正在与多家主要UGC分发平台进行评估试验.

BitClear的基本AI原则, 是否可以应用于其他需要将图像从噪声和失真中分离出来的应用. 例如，这可能包括清理存档内容. 它也适用于传输带宽受基础设施限制的地方, 例如，在移动流媒体上的广播贡献提要, or for gaming, live sports, entertainment and virtual reality. 像安防这样的物联网应用需要非常高的图像质量, at 1080p or higher, 因此，无论传输带宽如何，保留这些内容都是有意义的, especially when sent over mobile networks. 在许多行业中，实时或近实时图像增强和去噪的应用范围很广.

媒体企业希望减少或消除多代编码和其他失真的影响有很多原因. It might be that the content has news, historical or cultural significance, 或者这可能只是商业观点，认为质量越高, the greater the revenues.

In summary, BitClear在不影响原始内容的创作意图的情况下，在去除工件方面取得了出色的效果. 它无需用户干预或主观决策:它适用于完全自动化的工作流. 它的速度快，规模大，在现成的硬件上，在内部部署或在云中.

http://www.isize.co/

This article is Sponsored Content