如何:视频质量优化

流媒体传输最重要的一个方面是质量. 每个内容发布者都希望他们的内容以相同的质量交付给数十万甚至数百万的最终用户, 没有明显的延迟, 延迟, 工件, 或者不兼容问题.

然而，衡量质量有许多不同的形式. 你会在今年的 流媒体 行业的原始资料, 质量讨论的范围从服务基础设施的测量和优化(无论是直接的服务质量(QoS)测量还是围绕网络设计的最佳实践，都可能增加更有效的QoS)到以最终用户为中心的(和测量的)体验质量(QoE)。.

在此过程中，其他质量因素也在发挥作用, 从路由和数据中心的能源效率到时间敏感内容的优先级分组分类.

最后, 有一些质量领域是在供应链的最开始处理的:在流工作流程的编码或转码点的获取质量. 近年来, 为了提供更好的视觉质量，图像(从单个到序列)的优化方式已经发生了根本性的转变. 在编码时, 有很多方法可以优化视频本身的整体质量, 本指南试图提供关于如何增强图像优化的基本入门, 它是如何被感知的, 甚至我们应该考虑如何衡量它.

在测量之前决定要测量什么

当你读到质量测量的时候, 几乎所有的销售文献都用特定的工具——或一组工具——来数学地衡量质量. 这些范围从PSNR和SSIM到这两个基本测量的导数, 然而，这种方法有两个主要缺点:两者都无法衡量人类认为重要的东西, 两者都可以被已知的编码异常所欺骗. 称它们为异常, 虽然, 可能不公平, 因为这些编码问题一次又一次地出现.

编码中的错误对人来说是可见的, 但是对于质量算法, 错误是看不见的.

这是保证质量最昂贵的方法, 在内容编码之后, 会不会付钱给视频质量专家——“金眼睛”——让他们查看编码视频文件中的每一点内容，并对错误或不合标准的编码点进行分类. 毕竟，如果一个人的视觉系统是由质量的标准应该衡量一下，然后用金眼睛的黄金标准应该能解决问题，对吧?

这并不完全正确. 一方面, 事实证明，在发现质量问题时，金眼睛和普通人一样准确. 第二个, 有很多优质内容正在生成, 有很多种格式, 比特率, 和决议, 可能没有足够的测试人员.

这个问题很自然地出现了:为什么我们不建立模仿人类视觉系统(HVS)的质量系统，而不是要求人类观看所有的视频来进行质量控制?

这是一个令人钦佩的目标, 这也是整个行业需要努力实现的目标, 理解高比特率主(夹层)文件和从夹层文件编码的任何文件之间很可能总是存在可感知的质量差异.

在构建基于hvs的自动化测量解决方案时，最大的问题是就人类视觉的哪些部分是必不可少的，哪些部分是次要的(没有双关语的意思)达成一致.

优化库或标题?

In 2015, 两家大公司宣布了相当不同的改进和衡量质量优化的方法.

第一个是Netflix, 通过声明所有的编码都应该以每个标题为基础来考虑，这在地面上埋下了赌注. 这里的假设是，电视剧中的每一集都是镜头, 编辑, 以同样的方式点燃, 而且在类型和镜头类型上有一些一致性，所有剧集都要遵守(e).g., 手持, 低光, 有很多动作，而不是在明亮的光线下锁定镜头，演员的动作有限). 问题是, 当然, 我们是否都知道，假设标题中的所有情节都是一致的，这严重简化了编码过程. 见鬼，你所要做的就是看两集Netflix自己的大片皇冠要知道在一个插曲中存在多种流派的颂歌.

另一件事是网飞公司在宣布每部电影的时候做的, 然而, 他是在2016年初宣布了一种新的感知质量指标的出现吗, 视频多方法评估融合. 几个月后，Netflix在一篇博客文章中扩展了VMAF， “面向实用的感知视频质量度量”.” 该博客强调了Netflix使用基于云的媒体管道来编码其标题优化方法. 它还提到了Netflix最新的压缩方法:它在互联网上的工作开放媒体联盟 (AOM)编解码器，它是Mozilla Daala和Google VP10编解码器的衍生品，被重新设想为AV1编解码器. 唉, 撰写本文时, AV1正在处理环(场景中特定物体周围的光晕)和感知质量方法的主要限制，这些方法需要近20倍的额外处理时间才能获得任何可见的可识别增益. 中国消费品巨头华为也在2015年宣布了其基于hvs测量的意图, 提供所谓的用户视频平均意见评分(U-vMOS). MOS方法是一种测量质量的方法.g., 1-5或1-10)，然后计算多个用户的平均值，以确定将哪个评级(意见得分)分配给特定的视频.

下一个页面