随着移动通信技术的迅猛发展和智能终端硬件的不断升级，以图像和视频信息为载体的应用已经成为日常生产生活中不可或缺的一部分。据预测，到2021年，移动图像视频业务将占到全部移动数据业务的78％。随着图像视频信息的爆炸式增长以及用户在多元化场景下日益提升的用户需求，越来越多的业务提供商基于有线结合无线的异构网络来进行图像视频信息的传输。这种方式下的信号在发送端对其进行发送之后，经过核心网的有线传输和边缘网络的无线传输，最终到达接收端。多样化的部署方式以及更加灵活的业务模式，让该异构网络模型在现有的传输系统中得到了广泛的使用。 由于图像视频业务数据量的大幅增长以及业务场景日趋多元化，当前无线网络资源和计算能力的局限性愈发明显，传统的图像视频传输方案正面临巨大的挑战。一方面，端到端传输的环境处于不断的动态变化之中，且极易受到外部干扰，如何自适应动态变化的网络环境是端到端传输方案要面临的挑战之一。另一方面，无线传输在图像视频传输中是非常重要的一部分，而爆炸式增长的图像视频数据正使得无线带宽资源变得日益紧张。因此，研究自适应性能更好且更加高效的图像视频传输技术具有重要的意义。 在线视频播放是图像视频业务中的一个重要场景，而码率自适应算法被证明是一种有效的端到端性能提升手段。该方法通过部署在客户端的码率自适应算法来对在线视频的下一个视频块的码率进行选择，从而提升系统整体的传输性能。现有的码率自适应传输大都基于对速率的预测或者对缓存占用的预设来进行衡量。然而这类方法的预测效果一般较为保守，不能最大化用户体验，同时无法对日趋复杂的多样化环境进行很好的适应。本文第一个研究内容就是针对这样的问题，提出一种性能更优的码率自适应算法。近年来，机器学习方法已经在众多领域被证明具有高效且复杂度低的特点，且可以有效解决传统方法可拓展性不高，对多样化环境适用性不足的问题。因此本文基于增强学习准确的预测能力，对客户端网络环境的多种状态变量进行在线的学习过程，从而达到更好的视频体验性能，以提升码率自适应算法对播放环境的自适应能力。同时，为了满足在线视频场景下实时性的要求，该方案通过设计网络适配算法以及设计基于复用卷积核的简单神经网络结构，既可以减弱外部输入对算法本身的影响，也可以降低算法本身的复杂度，从而共同加速神经网络的收敛过程，以满足在线视频的端到端播放需求。 另一方面，日益增加的图像视频数据使得无线带宽资源正变得越来越紧张。近年来，基于压缩感知的图像高效传输正得到广泛的研究。该方法在发送端直接对稀疏后信号进行部分采样，经过信道传输后，通过部署在接收端的重建算法采样信号进行完美重构。目前已有的方法虽然有较好的传输性能，但普遍存在复杂度高且极易收到无线信道干扰的问题。针对这一问题，本文第二个研究内容提出一种基于深度学习的压缩感知图像传输方案，用以缓解无线带宽资源的紧张情况，同时完成图像在无线信道中的高效传输。该方法在发送端基站上对图像信号进行部分采样，之后将采样信号送入无线传输信道，当到达接收端时，通过部署在接收端的重构算法对其进行重构。相比起已有的方法，本文在接收端部署了一种更加高效的方法。该方法先通过一种预处理算法将信号从变换域转换到像素域，并进行初步的粗粒度重构，再通过卷积神经网络对其进行进一步的质量提升。该方法有效的降低了重构的算法复杂度，同时可以适用于任何采样率，并且可以输入任意尺寸的图像。同时，该方法对大量不同信道信噪比下的图像信号进行训练，可以有效抵抗无线信道中信道噪声对其重构产生的影响，从而完成高效的图像无线传输。
NETL
