对于vivo短视频3种典型的主流业务场景，我们采用不同的策略方案去处理。
从右图可以看出，码控策略会对视频的画质以及视频的码率波动产生较大的影响，对于点播VOD场景，业内常用的是CRF的码控模式，这种模式对视频的清晰度最为友好，但是通过线上实际的观察使用，我们发现，CRF倾向于在视频开头分配较大的码率，会对起播耗时产生负向的作用。在客户端冷启动无预加载起播时，这种负向效果会对业务产生较大影响。
而热点推送场景要求起播快且瞬时并发量大，那么自适应决策优先分发低/中档视频，同时采用ABR的码控策略，以保证客户端冷启动能够秒播并节约带宽。外部引流场景要求起播快，那么我们采用ABR码控再优先分发中画质视频，保证导流的效率。最为重要的主推荐流场景，我们可以采用通用的CRF编码再优先分发高画质视频，保证用户的沉浸式浏览体验。
接下来看自适应编码的实验结果，通过播放vv加权，我们的视频整体平均码率与阶梯码率压缩方案相比，下降了10%，相应带来了卡顿的下降，但是VMAF分数得到了提升，这是符合预期的。因为自适应编码的目的就是在保证视频原有画质的基础上，让视频播放更流畅，带宽成本更低。
对于业务指标，短时间内是很难看到非常可观的收益，我们做实验的基本原则，就是如果业务指标没有显著负向，技术指标提升了，就可以持续扩大灰度量级。用户体验的提升是一个漫长的过程，我们的实验也持续了2个月之久，全量后，播放完成度、完播率、有效播放率也有一定的涨幅，符合预期。
-03-
提升视频清晰度
接下来我们看如何提升视频清晰度。
我们对内容库里的视频做了盘点和分析，主要是低画质视频主要集中在噪声、伪影、模糊、分辨率低。
要想做好画质增强，我们当前面临了一些挑战：
首先，相对于下采样方式已知的非盲设定，内容库里真是视频的退化是未知且多样化的，有些视频可能会叠加了多种不同程度的退化。对于这种情况，我们需深入分析视频的低质成因，设计合理的退化策略来辅助制定数据集，模拟真实的退化过程，这样训练集才更有针对性。
第二，就是细节合成和退化抑制之间难以权衡。展开来讲，一些超分算法经过长期传播能够聚合有用信息，生成更多细节输出。虽然长期传播会在视频轻度退化的情况下提高性能，合成更多细节，但严重的退化可能会通过传播被放大，从而损害输出视频的质量。因此为了平衡细节合成和退化抑制之间的权衡，我们引入了退化监督模块，在传播之前对一些较为严重的退化进行适当清理，以抑制退化被长期传播过度放大。
第三，是单一的训练模型难以覆盖多品类视频。之前有提到，我们内容库里视频品类繁多，因此有必要结合视频的场景和分类来定制化地合理设计相应的网络和损失函数，以满足不同分类视频的增强要求。
