An Adaptive Cascaded Fast Partitioning Algorithm Based on Visual Perception and Multi-Level Machine Learning
本文提出了一种用于通用视频编码（VVC）的自适应级联快速划分算法，该算法结合了视觉感知分析与多层机器学习技术，在保持高编码效率的同时显著降低了编码复杂度。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代世界中，视频不再仅仅是一种观看故事的方式，它已成为我们数字生活的主要语言。从我们在手机上观看的高清流媒体，到虚拟现实中沉浸式的360度体验，对视觉内容的需求呈爆炸式增长。然而，传输这些图像需要海量的数据。为了使这些数据在存储和传输方面变得可控，工程师们使用视频编码技术，这是一种将原始视频压缩成更小文件且不损失画面质量的过程。用于此目的的最新标准被称为“多功能视频编码”（Versatile Video Coding），它极其高效，能够处理旧系统无法应对的超高清4K和8K内容。然而，这种强大的功能也伴随着沉重的代价：压缩视频所需的计算机计算量如此之大，以至于在标准设备上往往无法实现实时处理。问题的核心在于软件如何决定将一个视频帧拆分为更小的部分进行压缩。目前的方法会检查每一种可能的切割方式，这个过程虽然彻底，但速度极其缓慢，就像试图通过开遍城市里的每一条街道来寻找最快路线一样。
郑州轻工业大学的研究人员开发了一种新方法，旨在不牺牲最终视频质量的前提下加速这一过程。该方法不再盲目地检查每一种可能性，而是教会计算机根据人类肉眼实际能看到的内容做出智能、快速的决策。他们意识到，图像中的所有部分对于我们的感知而言并不同样重要。有些区域非常平滑或均匀，以至于如果计算机跳过详细分析，人类的眼睛也不会察觉；而其他具有复杂纹理或锐利边缘的区域则需要仔细关注。通过将繁重的计算工作仅集中在对我们重要的部分，并跳过其余部分，他们创建了一个既更快又更高效的系统。
他们解决方案的核心是一个四阶段决策过程，其作用就像一个过滤器，随着流程的推进不断缩小选项范围。第一阶段是一个快速、极轻量的检查，观察图像的亮度。如果一段视频区域非常平滑且亮度变化微弱到人类无法察觉，系统会立即决定停止对该区域进行分析。这一步依赖于一个理解人类视觉如何对不同背景下的光线做出反应的模型。如果图像通过了这项初步测试，系统将进入第二阶段，即检查该区域的纹理。利用一组描述图像模式和边缘的简单测量指标，计算机程序会对是否需要将该区域拆分为更小的块做出自信的判断。如果程序对答案非常有把握，它就会在此停止，从而节省大量时间。
对于那些需要进一步分析的复杂区域，系统进入第三阶段，即评估任务的难度。它通过观察纹理和前一步判断的置信度，将视频块归类为低、中或高复杂度。这种分类至关重要，因为它决定了系统应该在最后一步投入多少精力。具有简单模式的块会进行快速、有限的检查，而具有混乱、细节丰富的模式的块则会接受更彻底的检查。在最后阶段，系统利用这种复杂度评级来决定具体测试哪些切割方向。如果区域较简单，它可能只检查一两种分割方式；如果区域复杂，它则会检查所有四个可能的方向。这种自适应策略确保了计算机不会在简单的任务上浪费能量，也不会在困难的任务中过于仓促。
研究人员将这种新方法与未经修改的标准视频编码软件进行了对比测试。结果显示出显著的速度提升。平均而言，新算法减少了46.22%的视频编码时间。这意味着以前需要一小时处理的视频，现在大约只需一半的时间即可完成。至关重要的是，这种速度提升几乎没有损失画质。研究人员测量了文件大小和画面清晰度的差异，发现与标准方法相比，新方法增加的文件大小仅为0.90%。在视频压缩领域，如此微小的增幅被认为是微不足道的，这意味着观众的视觉体验几乎保持不变。
研究还表明，该系统在处理不同类型的视频时表现各异。对于具有平滑、规则纹理的视频（例如在演播室里说话的人），系统能够跳过许多步骤并实现巨大的时间节省。对于具有快速运动或混乱场景的视频（例如拥挤的市场或体育赛事），系统则会更加谨慎，投入更多时间以确保高质量。这种灵活性正是该方法如此有效的原因：它不会对每种视频都一视同仁，而是根据其处理的内容调整策略。通过将对人类视觉的深度理解与智能机器学习相结合，研究人员找到了一种让高清视频的未来变得更加触手可及的方法，实现了更快的处理速度和更流畅的流媒体传输，而无需依赖超级计算机。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。