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 | 基于OpenCV实现模糊检测 / 自动对焦
查看>>
OpenCV与AI深度学习 | 基于Python和OpenCV将图像转为ASCII艺术效果
查看>>
OpenCV与AI深度学习 | 基于PyTorch实现Faster RCNN目标检测
查看>>
OpenCV与AI深度学习 | 基于PyTorch语义分割实现洪水识别(数据集 + 源码)
查看>>
OpenCV与AI深度学习 | 基于YOLO11的车体部件检测与分割
查看>>
OpenCV与AI深度学习 | 基于YoloV11自定义数据集实现车辆事故检测(有源码,建议收藏!)
查看>>
OpenCV与AI深度学习 | 基于YOLOv8 + BotSORT实现球员和足球检测与跟踪 (步骤 + 源码)
查看>>
OpenCV与AI深度学习 | 基于YOLOv8实现高级目标检测和区域计数
查看>>
VS2003 Front Page Server Extension
查看>>
OpenCV与AI深度学习 | 基于YOLOv8的停车对齐检测
查看>>
OpenCV与AI深度学习 | 基于YoloV8的药丸/片剂类型识别
查看>>
OpenCV与AI深度学习 | 基于YOLO和EasyOCR从视频中识别车牌
查看>>
OpenCV与AI深度学习 | 基于图像处理的火焰检测算法(颜色+边缘)
查看>>
OpenCV与AI深度学习 | 基于拉普拉斯金字塔实现图像融合(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 基于改进YOLOv8的景区行人检测算法
查看>>
OpenCV与AI深度学习 | 基于机器视觉的磁瓦表面缺陷检测方案
查看>>
OpenCV与AI深度学习 | 基于深度学习的轮胎缺陷检测系统
查看>>
OpenCV与AI深度学习 | 如何使用YOLO-World做目标检测
查看>>
OpenCV与AI深度学习 | 如何使用YOLOv9分割图像中的对象
查看>>
OpenCV与AI深度学习 | 如何使用YOLOv9检测图片和视频中的目标
查看>>