量化参数对H.266压缩标准4K视频质量影响实验

多功能视频编解码方式(H.266/VVC)在每一个编码环节上都采取了多项改进措施,诸多措施的总体效果使其编码效率比高效视频编码方式(HEVC)提高了一倍。该文对几种动态情况各异的视频序列(*.yuv)采用H.266编解码器进行压缩和解压,通过改变量化参数(QP)取值,研究在不同比特率条件下,视频压缩后编码效率和时间损耗的差异。实验表明,对于较低的比特率和4K视频常用的比特率(20 Mbps)附近,在编码效率和峰值信噪比上都有着很大的优势,但在超大比特率的情况下,两者表现近乎相同。对时间倍数和码率节省进行计算后发现,每个视频序列的结果差距较大,说明编码复杂度和编码性能与选取的视频序列本身有很大关系。H.266对复杂度较高的视频序列提升明显,编码复杂度有了显著提升,在某些比特率的情况下甚至可达到100倍之多,H.266同时对硬件的算力带来了很大挑战,需要在之后进行进一步优化。

一种基于卷积神经网络的VVC去压缩伪影半盲方法

多功能视频编解码(Versatile Video Coding,VVC)是新一代视频编解码标准,拥有较好的压缩性能,能够达到较高的压缩比。但是,编码过程中的变换、量化等操作,不可避免地在视频解码时引起一定程度的压缩伪影,导致解码视频质量降低,影响用户的视觉体验。目前,基于卷积神经网络(Convolutional Neural Network,CNN)的VVC的压缩伪影去除算法并不多,且大部分算法是在默认量化参数已知的情况下建立去伪影模型,对于不知道量化参数的盲场景,这些算法不太适合。直接设计全盲算法是复杂困难的,且性能有限。针对这一情况,提出了一种半盲方法用于去除VVC解码视频中的压缩伪影,该方法比全盲的方法更加灵活且能够达到更好的性能,比非盲方法更加实用。该方法设计出一种分类网络来预测重建视频的量化参数,预训练一些压缩伪影去除模型,根据预测的量化参数为重建视频选择对应的模型以去除压缩伪影。实验结果证明了该算法的有效性。