VVC-MV-CM：一种基于复杂度管理的多视图扩展技术，适用于支持自适应视图间预测的VVC编码算法 作者：Reka Sandaruwan Gallena Watthage 和 Anil Fernando

《Applied Sciences》：VVC-MV-CM: A Complexity-Managed Multiview Extension for VVC with Adaptive Inter-View Prediction Reka Sandaruwan Gallena Watthage and Anil Fernando

　　

摘要

随着观看次数的增加，多视角视频编码的复杂性呈指数级增长，基于VVC（视频编码压缩）的系统在交互视图预测方面面临尤为繁重的计算负担。我们提出了VVC-MV-CM，这是一种基于复杂度管理的多视角扩展方案，它结合了基于规则的预筛选和基于CNN（卷积神经网络）的自适应交互视图预测，通过两阶段决策引擎实现优化。在涵盖平面、弧形和球形相机配置的19个测试序列中，观察到了性能趋势，这些序列涵盖了全视图和选视图编码模式。对于平面全视图配置，VVC-MV-CM-A相对于MIV-A实现了52.7%的比特率（BD-rate）降低，并且编码时间减少了68%。弧形配置在全视图模式下实现了1.26%的比特率降低，在选视图模式下约为1%的比特率降低。球形配置则实现了19.8%（全视图）和15.0%（选视图）的比特率提升，这得益于多参考冗余和时间预测的优化。视图密度分析显示，全视图和选视图配置之间的压缩效率差异为4.8个百分点，相当于每增加一半的相机数量，压缩效率提升约2.4%。所提出的编解码器相对于MIV基准编码时间缩短了1.17至1.46倍，解码速度提升了18至36%，证明了配置自适应预测是一种适用于各种几何复杂度和视图采样密度下的有效且可部署的多视角视频编码方法。