在图像压缩,视频编码等领域,失真信息对于率失真优化起着至关重要的作用。在本文中,本文利用H.265/HEVC编码框架对图片进行压缩,并通过构建一个卷积神经网络对图片压缩过程中产生的失真信息进行预测。由于卷积神经网络具备强大的特征表达能力,而在编码参数一定的情况下,失真信息本质上依赖于图片本身的内容,所以本文可以利用卷积神经网络强大的特征表达能力对失真信息进行直接预测。在本文中,主要使用表示结构相似性的失真图(SSIM Map)来表示图像的失真信息,并构建一个可以端对端训练的网络对失真图进行预测。与传统的卷积神经网络进行预测的方式不同,本文构建的网络可以根据输入的量化参数(QP)的不同获得不同的失真预测结果,将传统的输入与输出一一对应的网络预测方式扩展为一对多的方式。通过变换输入的条件信息,在不改变输入图片的情况下获得该图片在不同QP下的失真预测结果。为了构建这种特殊的失真预测方式,本文提出了量化参数标签(QP label)作为网络的输入条件与原始未经压缩的图片共同输入网络模型中进行预测。除此之外,本文采用了对称式的网络结构以及深层浅层特征融合的方法使得网络可以同时提取到深层的语义信息以及浅层的结构信息。对称式的网络结构也使得特征融合的过程变得更加简单,因为在融合的过程中不需要进行特征图大小的变换。在相同大小的特征图之间进行特征融合避免了特征图大小变换中插值带来的信息损失,使得最终网络的预测精度更高。本文使用MSCOCO数据库进行实验,最终实验结果也验证了本文方法的有效性。通过详细的实验结果,本文证明了通过引入量化参数的标签作为网络输入条件,网络模型可以根据输入条件的不同获得不同的失真预测结果,而不需要针对每一个量化参数训练单独的失真预测模型。在精度上,本文基于多QP的失真预测模型已经超越了单QP的预测模型,充分证明了本文算法的有效性。另外,由于QP标签的加入,使得本文可以统一训练一个针对所有QP的失真预测模型,大大减轻了网络训练过程中的算力消耗。除此之外,一个统一的预测模型在实际应用中也更有优势,只需要改变网络的条件输入便可以获得不同的失真预测输出。在该网络模型的基础上,可以尝试将不同的参数作为网络的输入条件,探索这些参数对网络预测结果的影响,而不一定是采用量化参数作为网络条件的输入。通过这种方式,本文提出的网络未来可用于探索更多压缩过程中的参数对失真信息的影响。