目前国际上主流的视频编码标准均采用基于宏块的预测编码与变换编码相结合的混合编码框架。编码标准的核心思想是充分利用视频帧内和帧间的时空相关性,尽可能减少数据冗余。压缩后的码流在传输过程中,对电磁干扰及报文丢失的免疫能力特别薄弱。帧内一个编码单元的错漏会带来差错在当前帧和后续帧中持续蔓延,大大影响终端用户的视频观看体验。视频差错掩盖算法在解码端根据帧内和帧间有用的时空域信息,恢复在传输中受损的宏块和帧。从而避免差错的肆意扩散,尽可能地降低传输差错对视频质量的负面影响。这对于改善视频用户的观赏体验具有十分重要的意义。与单幅图像相比,视频中连续相邻帧的存在,为我们进行当前帧的差错掩盖提供了更多参考信息。生成对抗网络的提出使得传统图像修复与深度学习有了结合的契机。论文利用与重建帧相邻前两帧运动信息的外推,结合光流计算和生成网络,在针对宏块丢失情形下的视频差错掩盖算法方面做了如下工作:(1)提出了一个基于光流外推的运动补偿算法。算法在运动平滑性假设之下,认为在视频序列连续3帧中,后两帧之间像素的运动矢量可以由前两帧之间的光流外推得到。算法的输入是视频连续3帧,采用局部全局光流计算模型,结合金字塔式计算方法对前两帧之间的光流进行计算并外推。又通过三次插值算法对第三帧的丢失区域进行像素插值。在和传统方法的比较中,论文提出的算法取得了更好的主客观效果。(2)提出了带运动补偿的神经网络视频差错掩盖算法。算法在一般的基于神经网络的静态图像修复算法中,针对视频序列的特点,加入了运动补偿模块。提高了神经网络算法对运动区域的掩盖效果。算法大致分为两个阶段,第一阶段使用基于光流外推的运动补偿进行初步填补。第二阶段采用改进的对抗生成网络进一步掩盖。和目前其它的神经网络视频差错掩盖算法相比,论文提出的算法有一定优势。在视频编码标准测试序列上,所提基于光流外推的运动补偿算法取得了比传统的帧间拷贝、WBMA算法更佳的主客观效果。在公开视频数据集UCF-101上训练与测试的结果表明,所提带运动补偿的神经网络掩盖算法对运动区域的掩盖效果,比WBMA和近期其它基于神经网络的掩盖算法效果更优秀。