随着互联网技术的高速发展,短视频直播已经开始深入民生,成为人们工作学习和生活中不可或缺的一部分,包括视频会议、直播上课、直播购物等场景。人们对直播质量的要求也变得越来越高,而网络基础设施的大力建设仍旧难以避免网络信号覆盖不到或者覆盖弱的弱网情况出现。除此之外,直播时的高并发也给企业设备的带宽和吞吐量带来极大压力。这两种情况都会产生直播上行丢包的问题,从而导致直播中图像帧产生花屏,影响用户体验。为了解决上述问题,不同的流媒体传输协议相继被提出,目的都是为了在传输层通过调整拥塞和重传等机制来改善丢包情况。这种方式可以在一定程度上解决企业级问题,但是无法从根本上抵抗弱网环境。还有一些比较通用的方法,比如在发现丢包之后选择丢弃掉相关帧甚至整个帧序列,但这会给直播带来卡顿,同样影响体验。随着深度学习在各个领域的应用日益成熟,利用深度学习对破损的图片以及视频进行修复也开始成为学术界研究的热门和重点方向,并且取得了一定的进展和成果。本文尝试将弱网直播下的丢包修复问题与深度学习的视频修复问题结合起来。首先,本文提出两阶段视频修复算法:第一阶段利用3D卷积获取直播视频的时域信息,并通过下采样减少模型参数;第二阶段在时域信息的引导下,结合视频的空间上下文信息对图像损失部分进行修复并逐步恢复至原像素。这两阶段保证了算法的高效性,满足直播实时性的需求。其次,引入可学习的区域正则化方法作用于视频修复算法,改善了传统正则化方法因受到图像损坏部分像素的影响而导致的正则漂移问题,从而在一定程度上提高了修复的准确性。然后,参考困难样本挖掘思想,视修复的边缘像素为困难样本,避免训练过程受多数的平滑像素主导引起修复的边缘部分模糊。最后,搭建直播流媒体系统,整个系统包括直播上传下载客户端、流媒体处理服务器以及视频修复处理器。这套系统能够模拟整个直播的流程,同时能够模拟弱网环境,验证了所提出的视频修复算法的实时性和准确性。