本文来自VCIP 2021的论文《Neural Network based Inter bi-prediction Blending》
本文思路来自提案JVET-V0076，提出了一个基于全卷积的双向加权预测网络。
网络框架如下所示，网络总共包括6层卷积，除最后一层外卷积层的激活函数都是ReLu，对于网络的最终输出预测值需要进行clip操作。输入块边界填充长度为N的像素。
该网络应用VTM时，不需要传输码流，仅在满足特定条件时使用该网络进行加权预测，其余情况仍使用原来的加权预测方式（网络的作用类似BDOF工具，因此在该测试中，BDOF被停用）。网络加权仅应用于亮度分量，色度分量仍然使用平均加权预测。本文设计了三种应用条件
为了评估网络大小对性能的影响，本文提出了两种网络版本，N=5 or N=6。下表显示了每个网络的复杂度和内存使用情况，MAC/pixel反映了网络的计算复杂性，以及最大层所需内存带宽的峰值内存使用量。
为了降低计算复杂度，框架使用整数计算，网络参数在16位上量化，内部计算在32位上完成，中间值在16位上量化。
使用TensorFlow 2.0进行训练，训练集采用BVI-DVC和UVG数据集，训练信息如下表所示。使用应用BDOF的编码块作为网络的输入，STAD Loss作为损失函数
实验结果
Anchor为VTM11.0，编码Qp包括{22,27,32,37,42}
不同网络大小的比较：（Small表示N=5， Medium表示N=6）
不同应用条件的比较：
