基于上下文自适应阈值剪枝的快速依赖量化算法

系数独立的死区硬判决量化是典型的视频编码量化算法,复杂度低,但算法性能相对低下。新一代视频编码标准VVC引入基于动态规划的依赖量化(DQ)算法,编码性能显著提升,但计算复杂度急剧增加。由于算法系数间依赖性高,量化候选搜索空间复杂,导致遍历计算率失真代价效率较低。为此,提出一种基于上下文的量化候选剪枝算法,减小动态规划搜索空间,解决量化候选搜索复杂度较高的问题。依据DQ算法原理和量化结果的统计分析,发现DQ量化结果与量化余数、系数位置、邻域量化结果等上下文变量密切相关,将复杂的动态规划量化抽象为余数、位置、邻域量化结果多变量多区间分类问题,针对同一区间内存在的不同量化结果,通过分析同一区间内样本的累积分布函数,提出基于阈值比较的剪枝方法,裁剪部分“安全”的量化候选,减小搜索空间,简化全路径搜索。实验结果表明,快速DQ算法在All Intra和Random Access配置下,率失真性能平均损失分别为0.19%和0.34%,编码复杂度平均降低了4.31%和3.36%。

基于广义高斯分布建模帧级变换系数的VVC编码失真预测模型

通用视频编码(versatile video coding,VVC)采用多种高级编码工具共同实现卓越的编码性能。与高效视频编码(high efficient video coding,HEVC)相比,VVC的变换系数分布(transform coefficient distribution,TCD)具有更尖锐的峰值。针对这一现象,对帧级TCD进行概率密度函数(probability density function,PDF)建模,并提出一种基于统计建模的帧级编码失真预测模型,将帧级失真建模为TCD分布参数和量化参数的函数。实验结果表明,相比于拉普拉斯分布以及柯西分布,广义高斯分布在TCD概率密度拟合方面表现最佳;基于广义高斯分布的失真预测模型的预测结果最接近实际编码失真。