CV-CUDA 助力腾讯云音视频 PaaS 平台实现视频增强 AI 全流程 GPU 加速

一、方案背景与核心挑战

腾讯云音视频 PaaS 平台专注技术产品，构建了行业中极速高清智能转码、超低时延快直播的音视频解决方案，在音视频领域已有超过 21 年技术积累，其中腾讯云 MPS 媒体处理服务为海内外客户提供全场景极速高清转码、音视频增强等服务。画质增强是其提供的主要视频类云服务之一，通过 3D 去噪、色彩增强、超分辨率、插帧等处理技术，有效处理噪点、马赛克、抖动、顿挫感等问题。核心挑战：该服务的工作管线基于 ffmpeg filter 构建，除模型推理外还包含 yuv2rgb、copyMakeBorder、normalize、hwc2chw、chw2hwc、float2uint8、rgb2yuv 等一系列前后处理操作。此前这些操作使用自定义 CUDA 算子在 GPU 上处理或使用 OpenCV 在 CPU 上处理，计算效率并不理想：前后处理在整个工作管线中占据可观开销，并可能增加 CPU 负载，影响 CPU 上其他任务的执行效率。

二、解决方案名称与架构

解决方案名称：基于 CV-CUDA 与 TensorRT 的视频增强 AI 全流程 GPU 加速方案

核心技术：腾讯云音视频 PaaS 平台与 NVIDIA 团队合作，利用 CV-CUDA 加速视频增强 AI 工作管线中的前后处理模块，结合 NVIDIA TensorRT，将视频增强 AI 全流程置于 GPU 上进行加速。管线中应用去噪模型、色彩增强模型以及超分辨率模型三种主要 AI 模型。

三、核心技术组件

算子替换：腾讯视频云与 NVIDIA 合作，将 CV-CUDA 集成进去噪模型、色彩增强模型和超分辨率模型的工作流中，替换原有的 CUDA 算子及 OpenCV CPU 算子，从而加速前后处理部分的计算效率，提升 AI 任务端到端的推理效率。

全链路协同：CV-CUDA 覆盖 GPU 侧图像前后处理，TensorRT 负责模型推理加速，二者结合使视频增强链路中的 CPU 负载明显缓解，前后处理不再是管线瓶颈。对于 1080p 输入图像，集成 CV-CUDA 后三种模型的前后处理部分均获得不同程度的加速，模型整体性能同步提升，且这种提升在前后处理耗时占比越大的任务中越明显。

四、实施成果

集成 CV-CUDA 后相比加速前，前后处理部分效率提升 16% – 38%，端到端效率提升 6% – 10%。腾讯云音视频已连续四年居于市场份额和解决方案首位，持续支持国内 90% 的音视频客户；其 MPS 媒体处理服务在近期全球 MSU 云端编码大赛及 SLC 评测中所参评项目均取得第一名。

五、未来展望

腾讯视频云未来将持续与 NVIDIA 合作，共同尝试引入 TensorRT 最新特性进一步加速视频增强各类模型的推理性能，并继续推动利用 CV-CUDA 加速更多视频类工作管线，实现视频 AI 全链路 GPU 加速。