博客
关于我
AV1编码持续优化
阅读量:269 次
发布时间:2019-02-28

本文共 900 字,大约阅读时间需要 3 分钟。

AV1视频编码技术近年来引发了广泛关注。作为一种新一代视频压缩格式,AV1在编码效率方面展现出显著优势。据最新数据显示,相比HEVC,AV1在相同质量下能实现30%以上的码率节省。然而,其编码复杂度仍然较高,这也是开发者们持续优化的重点。

自2018年底正式提出以来,AV1技术迅速取得进展。2019年4月,FFmpeg社区首次加入了对AV1的支持。视频压缩专家Jan Ozer对AV1进行了深入测试,发现其在极端场景下的表现尤为突出。例如,在480核HP Z840工作站上编码Tears of Steel 1080p源素材,使用默认的速度预设需要23小时46分钟,而在"veryslow"预设下,x265需要仅3分钟,VP9仅需2分钟,H.264则仅需10秒。这些数据充分说明了AV1在编码速度上的巨大差距。

从码率效率来看,AV1在PSNA和VMAF质量指标下表现尤为优异。在相同质量下,其码率节省达36.58%。这一结果远超HEVC,彰显了AV1的潜力。

此外,Google的Zoe Liu在2018年WebRTCon分享了更多实践经验。在832*480 8bit画质下的速度0(veryslow)预设下,AV1的编码时间是VP9的59倍。到2019年8月,AV1在速度0和速度3预设下的编码时间分别为VP9的70倍和10倍以内。这表明,在优化方面,AV1与VP9的差距正在缩小。

近期,Google的视频压缩核心算法组软件工程师在多个会议上分享了最新进展。预计,随着硬件加速技术的成熟,AV1的编码效率将进一步提升。包括Intel和Xilinx在内的多家公司正在为AV1开发优化方案,通过硬件加速显著缩短编码时间。

然而,Hulu高级软件开发经理傅德良提醒, Codec的质量评价需要更加全面。短短5秒的测试序列或像MSU编码大赛的结果,无法充分反映 Codec 的综合性能。每个平台都有其独特的测试序列特点,因此评价 Codec 时需要综合考虑多方面因素。

总体来看,AV1作为未来的主流视频压缩格式,正在得到越来越多的支持和推动。随着技术的不断进步,未来 Codec 的性能将进一步提升。

转载地址:http://soup.baihongyu.com/

你可能感兴趣的文章
OpenCV与AI深度学习 | 实战 | 使用OpenCV和Streamlit搭建虚拟化妆应用程序(附源码)
查看>>
OpenCV与AI深度学习 | 实战 | 使用OpenCV确定对象的方向(附源码)
查看>>
OpenCV与AI深度学习 | 实战 | 使用YOLOv8 Pose实现瑜伽姿势识别
查看>>
OpenCV与AI深度学习 | 实战 | 使用YoloV8实例分割识别猪的姿态(含数据集)
查看>>
OpenCV与AI深度学习 | 实战 | 使用姿态估计算法构建简单的健身训练辅助应用程序
查看>>
OpenCV与AI深度学习 | 实战 | 基于OpenCV和K-Means聚类实现颜色分割(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | 基于YoloV5和Mask RCNN实现汽车表面划痕检测(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | 基于YOLOv9+SAM实现动态目标检测和分割(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | 基于YOLOv9和OpenCV实现车辆跟踪计数(步骤 + 源码)
查看>>
OpenCV与AI深度学习 | 实战 | 文本图片去水印--同时保持文本原始色彩(附源码)
查看>>
OpenCV与AI深度学习 | 实战 | 通过微调SegFormer改进车道检测效果(数据集 + 源码)
查看>>
OpenCV与AI深度学习 | 实战—使用YOLOv8图像分割实现路面坑洞检测(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战篇——基于YOLOv8和OpenCV实现车速检测(详细步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战|OpenCV实时弯道检测(详细步骤+源码)
查看>>
OpenCV与AI深度学习 | 实用技巧 | 使用OpenCV进行模糊检测
查看>>
OpenCV与AI深度学习 | 实践教程|旋转目标检测模型-TensorRT 部署(C++)
查看>>
OpenCV与AI深度学习 | 工业缺陷检测中数据标注需要注意的几个事项
查看>>
OpenCV与AI深度学习 | 干货 | 深度学习模型训练和部署的基本步骤
查看>>
OpenCV与AI深度学习 | 手把手教你用Python和OpenCV搭建一个半自动标注工具(详细步骤 + 源码)
查看>>
OpenCV与AI深度学习 | 水下检测+扩散模型:或成明年CVPR最大惊喜!
查看>>