基于深度学习的快速QTMT划分技术研究

基于深度学习的快速QTMT划分 本文主要介绍基于深度学习的快速QTMT划分技术，旨在解决多功能视频编码（VVC）中帧内编码复杂度高的问题。下面是本文中涉及的知识点： 1. 视频编码技术：高效视频编码（HEVC）和多功能视频编码（VVC） * HEVC是当前的视频编码标准，其压缩效率高于之前的视频编码标准。但是，随着超高清、高动态、宽色域和全景视频等技术的出现，HEVC的压缩效率已经无法满足需求。 * VVC是继HEVC之后的新一代视频编码标准，具有更高的压缩效率和更好的视频质量。VVC的比特率约为HEVC的50%。 2. QTMT划分结构 * QTMT（Quadtree with Nested Multi-Type Tree）是一种树形结构，用于视频编码中的块划分。QTMT划分结构是VVC编码增益提高的关键，但同时也带来了编码复杂度的急剧上升。 3. 帧内编码复杂度 * 帧内编码是视频编码中的一个重要步骤，涉及到帧内预测、变换、量化和 entropy 编码等步骤。在VVC中，帧内编码复杂度远高于帧间编码，前者约为后者的1.3倍。 4. 基于统计和基于学习的快速编码方法 * 基于统计的快速编码方法：姚英彪等人提出了快速划分方法，结合空域相关性和纹理信息。 * 基于学习的快速编码方法：Kuo等人提出了基于时空域编码单元（CU）的决策方法，利用已编码相邻编码树单元（CTU）和同位CTU深度信息，加权预测当前CTU的深度范围。 5. 深度学习在视频编码中的应用 * 深度学习技术可以应用于视频编码中的快速编码、_rates-distortion 优化等领域。通过深度学习技术，可以学习到视频编码中的复杂模式，提高视频编码效率和质量。 6. QTMT划分的快速算法 * Lei等人提出了基于SATD代价的快速QTMT划分算法，通过简化粗选模式决策估计不同划分方向的SATD代价，将子CU不同划分方向的RDC作为当前CU的估计代价，最后根据估计的SATD代价和RDC综合决定当前CU的最优划分方向。 * Chen等人和Fan等人提出了基于特征提取的快速QTMT划分算法，通过提取方差和梯度特征，对特征设定阈值。