基于深度学习的直播标准视频压缩实时质量控制

保障无线用户的高品质视频内容已愈发关键。然而，由于编码码率波动（主要由动态视频内容引起，尤其在直播场景中），维持一致的视频质量水平面临挑战。视频压缩通常用于消除视频帧内与帧间的冗余，从而降低视频传输所需带宽。编码码率与压缩视频质量取决于编码器参数，具体而言为量化参数（QP）。编码器参数的不当选择会导致带宽效率降低及高概率的不合规。不合规指编码视频段违背峰值信噪比（PSNR）约束。为解决这些问题，提出一种基于深度学习的实时 H.264 控制器。该控制器基于视频块内容以极小延迟动态估计最优编码器参数。目标是在保持 PSNR 视频质量高于指定阈值的同时，最小化压缩视频的平均码率。在 QCIF 数据集及来自公开数据集的多种随机视频上进行的实验验证了该方法的有效性。值得注意的是，与最先进的自适应码率视频流相比，其平均带宽使用最高提升 2.5 倍，且不合规概率可忽略，低于 $10^{-2}$。