根据上述的字幕badcase，我们使用以下的一些方式保护视频中的字幕，分为字幕保护训练和分类推理。
首先是损失函数调整。我们对存在字幕的视频，在训练的过程中加入了文本先验损失，测量的是从LR图像中提取的文本序列和从GT中提取的文本序列之间的L1范数和KL散度。
第二点是控制退化程度。对存在字幕的视频，减少模拟模糊退化的次数，以降低视频整体画质增强效果为代价，对视频的字幕进行保护。
第三点是数据集增强。我们对存在字幕的视频，在训练集中添加了大量来自不同自然场景的带有文本的视频，进行针对性的训练集加强是一种非常有效的方式。
第四点是视频字幕检测。通过字幕检测算法（预训练一个分类网络，判断视频中是否存在字幕）检测视频中是否存在字幕，再通过模型智能决策，对存在字幕的视频，选择经过上述三点针对性优化的模型进行画质增强。
画质增强的线上实现会针对输入的低画质视频进行退化强度评测和视频场景分析，通过模型智能决策模块选择合适的增强模型和参数，再交由画质增强，以及加入画质评测步骤，最终实现线上画质增强。
画质增强工程链路包括为前置分析、核心处理和后向分发。工程链路中主要是后向分发，前二者偏算法。最终增强处理后的视频是要面向用户的，所以视频码率、增强后的画质分是非常重要的指标。我们会结合业务特点和用户画像进行一轮自适应编码，把码率控制在合理范围内。然后是画质分析，包括系统和人工分析，最终分发给用户。
在线上有两个收集badcase的入口，一是人工评测和画质分析，二是线上提供的用户反馈入口，以不断补充训练集，迭代优化模型，使用户更满意。
我们来看画质增强的实验收益。核心QoS指标有高清占比、平均画质分和卡顿率，均有较大幅度收益。核心QoE中的几个指标包括有效播放率、播放完成率和完播度也有一定增长。
-04-
总结与展望
接下来是总结与展望。
