[发明专利]预测模型的训练方法和装置及率失真代价计算方法和装置

说明书

本公开关于一种预测模型的训练方法和装置及率失真代价计算方法和装置，训练方法包括：获取训练数据集，其中，训练数据集包括至少一个视频中的每一CTU的特征信息和每一CTU的第一相关系数与第二相关系数的真实比值；将每一CTU的特征信息输入预测模型，得到所述每一CTU的第一相关系数与第二相关系数的预测比值；根据所述每一CTU的第一相关系数与第二相关系数的真实比值和预测比值，确定所述预测模型的损失值；通过根据所述损失值调整预测模型的参数，对预测模型进行训练。

技术领域

本公开涉及视频编解码领域，尤其涉及一种预测模型的训练方法和装置及率失真代价计算方法和装置。

背景技术

视频编码标准中使用率失真优化方法对视频进行编码。对于率失真代价计算，相关技术中，使用基于视频多方法评估融合(Video Multimethod Assessment Fusion，VMAF)的方法，或者是使用卷积神经网络预测△V的方法，但是，这些方法会使得计算时间过长，或使得计算复杂度较高。

发明内容

本公开提供一种预测模型的训练方法和装置及率失真代价计算方法和装置，以至少解决上述相关技术中的问题，也可不解决任何上述问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种预测模型的训练方法，包括：获取训练数据集，其中，所述训练数据集包括至少一个视频中的每一编码树单元CTU的特征信息和每一CTU的第一相关系数与第二相关系数的真实比值，所述第一相关系数表征CTU级别的第一客观评价指标与第二客观评价指标之间的相关性，所述第二相关系数表征帧级别的第一客观评价指标与第二客观评价指标之间的相关性；将所述每一CTU的特征信息输入预测模型，得到所述每一CTU的第一相关系数与第二相关系数的预测比值；根据所述每一CTU的第一相关系数与第二相关系数的真实比值和预测比值，确定所述预测模型的损失值；通过根据所述损失值调整所述预测模型的参数，对所述预测模型进行训练。

可选地，所述至少一个视频中的每一视频的每一CTU的第一相关系数，通过下述步骤获取：获取所述每一视频的恒定速率因子crf列表；根据crf列表，对所述每一CTU进行编码，得到所述每一CTU的第一相关系数。

可选地，所述获取所述每一视频的恒定速率因子crf列表，包括：获取所述每一视频的初始crf列表，其中，所述初始crf列表包括至少一个crf，所述至少一个crf以数值从小到大的顺序依次排列；在所述初始crf列表中确定初始基准crf；根据所述初始基准crf，在所述初始crf列表中确定第一子集，其中，所述第一子集包括所述初始基准crf以及所述初始基准crf之后的预设个数的crf；从所述第一子集中确定基准crf；根据所述基准crf，获取所述crf列表。

可选地，所述从所述第一子集中确定基准crf，包括：以所述第一子集中的crf的排布顺序，顺次使用所述第一子集中的crf进行编码得到所述每一视频中的每一帧的第一客观评价指标；将满足预定条件时使用的crf作为基准crf，其中，当超过预设数量的帧的第一客观评价指标处于第一预设数值区间时，确定所述预定条件被满足；若使用所述第一子集中的crf进行编码得到所述每一视频中的每一帧的第一客观评价指标均不满足所述预定条件，则将所述第一子集中的最后一个crf作为基准crf。

可选地，所述根据所述基准crf，获取所述crf列表，包括：在所述初始crf列表中，获取第二预设数值区间内的所有crf，其中，所述第二预设数值区间根据所述基准crf和第一预设值的差值以及所述基准crf和第二预设值的和值确定；根据所述第二预设数值区间内的所有crf，得到所述每一视频的crf列表，其中，所述crf列表包括所述基准crf和至少一个常规crf。