项目名称: 高分辨率视频编码参数优化的关键技术研究

项目编号: No.61303158

项目类型: 青年科学基金项目

立项/批准年度: 2014

项目学科: 自动化技术、计算机技术

项目作者: 李玲

作者单位: 中国科学院计算技术研究所

项目金额: 23万元

中文摘要: 视频编码有大量可调的编码参数,不同的参数组合会带来不同的性能。随着视频分辨率的提高和H.264、HEVC的制定,编码参数空间成指数级增长。如何从中选出合适的参数组合获得较高的率失真性能,已经成为高分辨率视频编码的核心难题。传统上,编码参数组合的选择需要多次全部或部分编码,否则只能调节个别参数,极大地影响了编码速度和性能。申请者在图像编码的前期研究发现,事实上不需要编码,仅结合图像特征,就可能以极低代价准确地预测出一组参数组合的编码性能。以此为基础,本项目提出建立视频编码的编码前性能预测模型。通过该预测模型,无需编码即可快速准确地得到一组视频编码参数组合的性能,可望对编码参数空间搜索带来变革。再结合参数空间的预选、裁剪技术,即可实现一个实用高效的H.264 和HEVC编码参数优化方法。本项目的研究成果最终将实用于国产实时高分辨率视频编码IP研发中,并力争为同行提供一个开源的编码参数优化软件。

中文关键词: 高分辨率视频;视频编码;性能建模;设计空间搜索;视频加速器

英文摘要: In video coding, many encoding parameters are adjustable, and different parameters sets bring different coding performance. In H.264 encoder, there are more than 100 encoding parameters. Over 10 additional encoding parameters would be included in the next-generation High Efficiency Video Coding (HEVC) standard under development. The encoding parameter space is also expanded with the increasing video definition. The selection of encoding parameters is critical to video encoders for optimal rate-distortion performance with videos of different contents and high-definitions. Traditionally, to choose the encoding parameter set of near-optimal performance, multi-pass encodings are generally required, which is quite time-consuming for encoding high-definition videos. Besides, many works focus on the selection of several encoding parameters by fixing other parameters, which would obviously affect the whole performance. The main constraint to the parameter selection is that the rate-distortion performance is obtained after video encoding. From our previous research on image coding, the compression quality could be predicted accurately with the image feature under a set of encoding parameters without actual image encoding. Based on previous work, a pre-encoding performance prediction model is presented for video encoding

英文关键词: high-definition video;video encoding;performance modeling;design space exploration;video accelerator

成为VIP会员查看完整内容
0

相关内容

军事知识图谱构建技术
专知会员服务
122+阅读 · 2022年4月8日
视频隐私保护技术综述
专知会员服务
34+阅读 · 2022年1月19日
智能视频监控关键技术:行人再识别研究综述
专知会员服务
37+阅读 · 2021年12月30日
【NeurIPS2021】未见深度架构参数预测
专知会员服务
9+阅读 · 2021年10月27日
专知会员服务
7+阅读 · 2021年10月4日
专知会员服务
19+阅读 · 2021年9月16日
专知会员服务
12+阅读 · 2021年9月13日
专知会员服务
35+阅读 · 2021年2月20日
【ICML2020】通过神经引导的A*搜索学习逆合成设计
专知会员服务
16+阅读 · 2020年8月18日
【Google AI】开源NoisyStudent:自监督图像分类
专知会员服务
54+阅读 · 2020年2月18日
基于二进制哈希编码快速学习的快速图像检索
极市平台
12+阅读 · 2018年5月17日
一文读懂图像压缩算法
七月在线实验室
15+阅读 · 2018年5月2日
如何设计基于深度学习的图像压缩算法
论智
40+阅读 · 2018年4月26日
深度学习之图像超分辨重建技术
机器学习研究会
12+阅读 · 2018年3月24日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
2+阅读 · 2022年4月19日
Arxiv
17+阅读 · 2021年3月29日
On Feature Normalization and Data Augmentation
Arxiv
15+阅读 · 2020年2月25日
Arxiv
19+阅读 · 2018年3月28日
小贴士
相关VIP内容
军事知识图谱构建技术
专知会员服务
122+阅读 · 2022年4月8日
视频隐私保护技术综述
专知会员服务
34+阅读 · 2022年1月19日
智能视频监控关键技术:行人再识别研究综述
专知会员服务
37+阅读 · 2021年12月30日
【NeurIPS2021】未见深度架构参数预测
专知会员服务
9+阅读 · 2021年10月27日
专知会员服务
7+阅读 · 2021年10月4日
专知会员服务
19+阅读 · 2021年9月16日
专知会员服务
12+阅读 · 2021年9月13日
专知会员服务
35+阅读 · 2021年2月20日
【ICML2020】通过神经引导的A*搜索学习逆合成设计
专知会员服务
16+阅读 · 2020年8月18日
【Google AI】开源NoisyStudent:自监督图像分类
专知会员服务
54+阅读 · 2020年2月18日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员