“多”维演进：智能编码的深度进化
我们在追求怎样的编码未来？
无处不在的视频渗透、井喷式的流量增长、多元的场景技术需求、用户对视频体验的“不将就”……音视频行业的快速发展却伴随着“编码标准升级速度缓慢”、“硬件红利见底”、“编码复杂度带来的成本问题”等众多挑战。
视频编码还“卷”得动吗？
究竟怎样的视频编码技术，才能满足既要又要的体验与成本平衡？
面向机器视觉的视频编码、虚拟现实视频、智能化应用视频......前浪翻滚而来，视频编码的“未来式”如何展开？
本文由IMMENSE、「阿里云视频云」视频编码服务端负责人陈高星和LiveVideoStack策划、采访而成。
需求很多，矛盾更多
技术迭代速度凝固了吗？摩尔定律走到尽头了吗？
视频编解码技术约10年提升50%压缩率，但这“十年磨一剑”的升级速度，早就跟不上视频信息量膨胀的速度。
新编码标准带来的编码复杂度增加，远高于CPU处理能力的增强，随之面临编码技术难以“普惠”的难题。
随着视频在更多应用场景的扩展探索，单一编码标准已难覆盖多种视频应用需求……
显然，一边是AR、VR时代的到来，以及4K、8K的高分辨率，60-120fps高帧率，10-12bit宽色域，让视频本身的信息量数倍膨胀；一边，是资源堆叠置换压缩效率，和“摩尔定律”的进步已经走到了“尽头”。加之，视频的“超低延时”对编码速度的要求，这一切，让视频体验、带宽、计算成本、编码速度之间的“矛盾”越发明显。
于是，我们始终面临更高清、更实时、更高效的编码需求，也面临技术与需求之间的诸多“矛盾”。
在这些似乎难以平衡的“矛盾”背景下，也衍生出许多值得进一步探讨的问题：
➤ 现有的编码标准在哪些方面关注不够？
➤ 如何先用好现有的编码标准？
➤ 现有的视频编码技术覆盖不到的维度有哪些？
➤ 除了码率和质量，视频编码是否需要关注更多的目标？
➤ 如何打破资源堆叠置换视频压缩效率提升的技术思维惯性？
……
从需求、矛盾、问题中，可引出深一层的认知：编码优化的目标不再仅仅考虑传统的主客观质量、复杂度、时延等维度，还有与AI处理能力的友好性、多平台下性能的适配性等。
问题的提出总是伴随着解题思路和技术方向的选择。
于是，推动着编解码架构从传统向更智能、更兼容的方向演进。
终极目标，有些偏倚
在优化编解码时，我们究竟需要追求什么？
当2015年阿里云视频云向业界提出了“窄带高清”的概念，并在2016年正式推出窄带高清技术品牌并产品化，这种既“降低码率”又“提高清晰度”的兼顾之方，几乎成为了业界的通用解法。
但是，不断演化之下到当前，业内开始流行一种“内卷”，即，过度追求"某客观指标数据"的优化。
然而，以“人”为中心的视频化视角，在最终的用户体验上，视频都应是更关注主观体验的。相反的是，在实际研发过程中，特别是编码器的优化上，通常都是依赖如：PSNR、SSIM、VMAF-NEG这样的“有源客观指标”。
诚然，在大部分情况下，客观质量的提升都能一定程度反映到主观质量的提升上，特别是当样本数足够大，且客观质量提升较大时，客观指标和主观感受能呈现一致性。
不过在窄带高清的优化实践中，也存在一些主客观优化“不一致”的情况。
比如：H.265标准中的SAO工具，用于改善振铃效应，但随之会降低VMAF和VMAF-NEG分数；
X265编码器里的PSY工具，在主观质量上能增加高频细节，但是对于客观指标都是不友好的；
又比如：JND和ROI技术，在挖掘视觉失真冗余的过程中，也不可避免地会造成有源客观指标的下降；
阿里云自研的码控算法，会对容易出现“块效应”等主观问题的区域分配更多码率以保护主观质量，但这也会导致客观质量下降；
还有，前处理增强中的各种修复生成技术，会直接对源进行修改，这类技术对于旨在评价“与源差异大小”的有源客观指标，都是不太友好的。
此外，针对单一客观指标的“过度优化”，也有可能造成单一客观指标与主观体验相悖的情况......
因此，单项客观指标的数值或高或低，都不应是视频编码优化追求的“终极目标”。
细微之处，方见视界
我们的编解码视界里，可以有哪些精妙解法？
在上述技术理念和智能编码架构的支撑下，“窄带高清2.0”从人眼视觉模型出发，将编码器的优化目标从“保真度更高”调整为“主观体验更好”。
这可以从视觉编码和细节修复两个视角来看。
在视觉编码维度，“窄带高清2.0”采用基于场景和内容的帧类型决策和块级码率分配，模式决策采用面向主观友好的算法。
在内容自适应编码部分，考虑到人眼感知的视频空间域的亮度、对比度以及时域失真是不连续的，通过基于恰可察觉失真（JND）自适应编码技术，丢弃视觉冗余信息，在主观质量不发生明显降低的情况下，可以大幅节省带宽；同时，通过ROI码控技术调整码率分配策略，进一步提升人眼感兴趣区域的清晰度。
在细节修复维度，“窄带高清2.0”采用基于生成对抗网络（GAN）的细节修复生成技术，在修复因编码压缩引起的马赛克效应和边缘毛刺的同时，“脑补”生成一些自然的纹理细节，使得画面纹理细节更丰富、更自然、更有质感。
更关键的是，应对垂直细分场景，我们的模型会对场景特征会实现更为智能的纹理生成。
比如：对于演唱会场景，曾为百视TV专属打造了Idol人像定制模版，针对优化人像区域的细节修复生成效果，将Idol的“怼脸直拍”，通过直播清晰还原送到观众屏幕前。
再比如：在NBA篮球比赛场景，AI修复模型加强了篮球场地板纹理、球员近景特写、球场边界线、地面广告字母、球衣上数字、篮球网等篮球体育赛事特有元素的修复生成，大大提升画面清晰度和整体视觉生动力表现。
也正是，唯有细微之处，方能见技术之极。
绕不开的“成本、成本、成本”
成本和体验的“非零和博弈”, 编解码怎么摆平？
正如“清晰度”和“带宽”是“窄带高清”需要平衡的天平两端，在当前“降本增效”的大环境之下，“体验”和“成本”的“非零和博弈”，一定是绕不开的话题。
成本（计算复杂度），体验（质量），这两者虽然是“trade-off”的权衡关系，但在某种程度上，也可以单方面优化提升。
比如，通过算法优化，在复杂度不变的情况下，将编码器的R-D曲线朝着更有性价比的方向优化；同时，通过高性价比的自适应快速算法的设计，也可以将质量的提升转化为成本的收益；又或者，通过底层优化并与计算平台的充分结合，挖掘异构编码的潜力，可以进一步在质量不变的情况下降低计算成本。
当然，在“让高压缩率算法和AI真正普惠”的路上，阿里云视频云所做的不仅于此。
与视频编码类似，在视频处理领域，深度学习从效果上已经远超传统方法，同时还在不断地快速进化，但深度学习对计算资源的高消耗，成为阻碍其在实际应用中广泛使用的主要原因。
阿里云视频云深度自研编码内核，包括s264、s265，落地100+算法，支持直播、点播、RTC场景，相对于开源，全场景20%+压缩率领先。
同时，我们引入AI辅助的编码决策，在码率分配和模式决策上提升内容自适应能力，极致挖掘视觉冗余，同等主观下，码率节省50%。
软硬结合，是破解编码天花板之技吗？
在算法层面和软件层面塑造的有限差异之上，要想塑造成本优势，必须将软件、算法与操作系统、硬件、乃至芯片，全线联动。
此基础上，基于自研倚天710芯片，视频云与倚天团队联合投入ARM视频编码优化，深度重构了视频编码数据结构、并行框架，重新调优了快速算法策略，从软件、汇编、硬件层面跨层深度优化，塑造极致性能。
同时，我们与平头哥深度合作，共建“软硬结合”自研芯片竞争力，通过算法、加速库、驱动、固件一体化设计，不断探索创新音视频技术，加强在更多视频应用、更多终端设备上的普适性，从而带来更节省、更低耗、更高清、更实时的硬核编码力，赋能千行百业的视频化需求。
没有想象，就没有进化
苹果的VisonPro，透射出编码的未来吗？
回顾文章开头的“矛盾”与问题，面对激增的海量视频数据、多元的视频内容形式，以及加速扩大的行业应用范围，视频编码如何“进化”的答案，也隐藏在行业的急速迭代之中。
如何实现更高压缩效率并匹配多样的细分场景？AI codec能实现比传统压缩标准更高的压缩效率，并能够在一些垂直场景有落地的机会，例如：业界已有基于深度学习的图像压缩，落地于卫星图像的压缩传输；
面对未来视频数据的消费场景不再单纯局限于人眼视觉，服务于机器视觉的视频编码也将迎来巨大应用市场。阿里云视频云团队已与高校深度合作，布局“面向人-机视觉的全新编码范例：高层语义与低层信号相结合的图像编码方案”；
而对于近期大热的苹果VisionPro的推出，作为视频行业工作者，十分乐见VR生态能在苹果的带领下，真正打出一片市场。因此，一些相关的沉浸式编码标准如MIV，点云编码，动态网格编码等技术，也将逐步投入研究……
未来已来，智能编码架构的“进化”，将会带来怎样的“新生”？
敬请关注7月28日
LiveVideoStackCon2023上海站
阿里云视频云专场
阿里云智能高级算法专家带来演讲
《“多”维演进：智能化编码架构的研究与实践》
共探“智能”编码技术的深度进化
点击链接立即报名专场：https://alibaba-cloud.livevideostack.cn/ticket
