我們在追求怎樣的編碼未來？

無處不在的視頻滲透、井噴式的流量增長、多元的場景技術需求、用戶對視頻體驗的“不將就”……音視頻行業的快速發展卻伴隨著“編碼標準升級速度緩慢”、“硬件紅利見底”、“編碼復雜度帶來的成本問題”等眾多挑戰。

視頻編碼還“卷”得動嗎？

究竟怎樣的視頻編碼技術，才能滿足既要又要的體驗與成本平衡？

面向機器視覺的視頻編碼、虛擬現實視頻、智能化應用視頻......前浪翻滾而來，視頻編碼的“未來式”如何展開？

本文由IMMENSE、「阿里云視頻云」視頻編碼服務端負責人陳高星和LiveVideoStack策劃、采訪而成。

需求很多，矛盾更多

技術迭代速度凝固了嗎？摩爾定律走到盡頭了嗎？

視頻編解碼技術約10年提升50%壓縮率，但這“十年磨一劍”的升級速度，早就跟不上視頻信息量膨脹的速度。

新編碼標準帶來的編碼復雜度增加，遠高于CPU處理能力的增強，隨之面臨編碼技術難以“普惠”的難題。

隨著視頻在更多應用場景的擴展探索，單一編碼標準已難覆蓋多種視頻應用需求……

顯然，一邊是AR、VR時代的到來，以及4K、8K的高分辨率，60-120fps高幀率，10-12bit寬色域，讓視頻本身的信息量數倍膨脹；一邊，是資源堆疊置換壓縮效率，和“摩爾定律”的進步已經走到了“盡頭”。加之，視頻的“超低延時”對編碼速度的要求，這一切，讓視頻體驗、帶寬、計算成本、編碼速度之間的**“矛盾”**越發明顯。

于是，我們始終面臨更高清、更實時、更高效的編碼需求，也面臨技術與需求之間的諸多“矛盾”。

在這些似乎難以平衡的“矛盾”背景下，也衍生出許多值得進一步探討的問題：

? 現有的編碼標準在哪些方面關注不夠？

? 如何先用好現有的編碼標準？

? 現有的視頻編碼技術覆蓋不到的維度有哪些？

? 除了碼率和質量，視頻編碼是否需要關注更多的目標？

? 如何打破資源堆疊置換視頻壓縮效率提升的技術思維慣性？

……

從需求、矛盾、問題中，可引出深一層的認知：編碼優化的目標不再僅僅考慮傳統的主客觀質量、復雜度、時延等維度，還有與AI處理能力的友好性、多平臺下性能的適配性等。

問題的提出總是伴隨著解題思路和技術方向的選擇。

于是，推動著編解碼架構從傳統向更智能、更兼容的方向演進。

終極目標，有些偏倚

在優化編解碼時，我們究竟需要追求什么？

當2015年阿里云視頻云向業界提出了“窄帶高清”的概念，并在2016年正式推出窄帶高清技術品牌并產品化，這種既“降低碼率”又“提高清晰度”的兼顧之方，幾乎成為了業界的通用解法。

但是，不斷演化之下到當前，業內開始流行一種“內卷”，即，過度追求"某客觀指標數據"的優化。

然而，以“人”為中心的視頻化視角，在最終的用戶體驗上，視頻都應是更關注主觀體驗的。相反的是，在實際研發過程中，特別是編碼器的優化上，通常都是依賴如：PSNR、SSIM、VMAF-NEG這樣的“有源客觀指標”。

誠然，在大部分情況下，客觀質量的提升都能一定程度反映到主觀質量的提升上，特別是當樣本數足夠大，且客觀質量提升較大時，客觀指標和主觀感受能呈現一致性。

不過在窄帶高清的優化實踐中，也存在一些主客觀優化“不一致”的情況。

比如：H.265標準中的SAO工具，用于改善振鈴效應，但隨之會降低VMAF和VMAF-NEG分數；

X265編碼器里的PSY工具，在主觀質量上能增加高頻細節，但是對于客觀指標都是不友好的；

又比如：JND和ROI技術，在挖掘視覺失真冗余的過程中，也不可避免地會造成有源客觀指標的下降；

阿里云自研的碼控算法，會對容易出現“塊效應”等主觀問題的區域分配更多碼率以保護主觀質量，但這也會導致客觀質量下降；

還有，前處理增強中的各種修復生成技術，會直接對源進行修改，這類技術對于旨在評價“與源差異大小”的有源客觀指標，都是不太友好的。

此外，針對單一客觀指標的“過度優化”，也有可能造成單一客觀指標與主觀體驗相悖的情況......

因此，單項客觀指標的數值或高或低，都不應是視頻編碼優化追求的“終極目標”。

細微之處，方見視界

我們的編解碼視界里，可以有哪些精妙解法？

在上述技術理念和智能編碼架構的支撐下，“窄帶高清2.0”從人眼視覺模型出發，將編碼器的優化目標從“保真度更高”調整為“主觀體驗更好”。

這可以從視覺編碼和細節修復兩個視角來看。

在視覺編碼維度，“窄帶高清2.0”采用基于場景和內容的幀類型決策和塊級碼率分配，模式決策采用面向主觀友好的算法。

在內容自適應編碼部分，考慮到人眼感知的視頻空間域的亮度、對比度以及時域失真是不連續的，通過基于恰可察覺失真（JND）自適應編碼技術，丟棄視覺冗余信息，在主觀質量不發生明顯降低的情況下，可以大幅節省帶寬；同時，通過ROI碼控技術調整碼率分配策略，進一步提升人眼感興趣區域的清晰度。

在細節修復維度，“窄帶高清2.0”采用基于**生成對抗網絡（GAN）的細節修復生成技術，在修復因編碼壓縮引起的馬賽克效應和邊緣毛刺的同時，“腦補”**生成一些自然的紋理細節，使得畫面紋理細節更豐富、更自然、更有質感。

更關鍵的是，應對垂直細分場景，我們的模型會對場景特征會實現更為智能的紋理生成。

比如：對于演唱會場景，曾為百視TV專屬打造了Idol人像定制模版，針對優化人像區域的細節修復生成效果，將Idol的“懟臉直拍”，通過直播清晰還原送到觀眾屏幕前。

再比如：在NBA籃球比賽場景，AI修復模型加強了籃球場地板紋理、球員近景特寫、球場邊界線、地面廣告字母、球衣上數字、籃球網等籃球體育賽事特有元素的修復生成，大大提升畫面清晰度和整體視覺生動力表現。

也正是，唯有細微之處，方能見技術之極。

繞不開的“成本、成本、成本”

成本和體驗的“非零和博弈”, 編解碼怎么擺平？

正如“清晰度”和“帶寬”是“窄帶高清”需要平衡的天平兩端，在當前“降本增效”的大環境之下，“體驗”和“成本”的“非零和博弈”，一定是繞不開的話題。

成本（計算復雜度），體驗（質量），這兩者雖然是“trade-off”的權衡關系，但在某種程度上，也可以單方面優化提升。

比如，通過算法優化，在復雜度不變的情況下，將編碼器的R-D曲線朝著更有性價比的方向優化；同時，通過高性價比的自適應快速算法的設計，也可以將質量的提升轉化為成本的收益；又或者，通過底層優化并與計算平臺的充分結合，挖掘異構編碼的潛力，可以進一步在質量不變的情況下降低計算成本。

當然，在“讓高壓縮率算法和AI真正普惠”的路上，阿里云視頻云所做的不僅于此。

與視頻編碼類似，在視頻處理領域，深度學習從效果上已經遠超傳統方法，同時還在不斷地快速進化，但深度學習對計算資源的高消耗，成為阻礙其在實際應用中廣泛使用的主要原因。

阿里云視頻云深度自研編碼內核，包括s264、s265，落地100+算法，支持直播、點播、RTC場景，相對于開源，全場景20%+壓縮率領先。

同時，我們引入AI輔助的編碼決策，在碼率分配和模式決策上提升內容自適應能力，極致挖掘視覺冗余，同等主觀下，碼率節省50%。

軟硬結合，是破解編碼天花板之技嗎？

在算法層面和軟件層面塑造的有限差異之上，要想塑造成本優勢，必須將軟件、算法與操作系統、硬件、乃至芯片，全線聯動。

此基礎上，基于自研倚天710芯片，視頻云與倚天團隊聯合投入ARM視頻編碼優化，深度重構了視頻編碼數據結構、并行框架，重新調優了快速算法策略，從軟件、匯編、硬件層面跨層深度優化，塑造極致性能。

同時，我們與平頭哥深度合作，共建**“軟硬結合”**自研芯片競爭力，通過算法、加速庫、驅動、固件一體化設計，不斷探索創新音視頻技術，加強在更多視頻應用、更多終端設備上的普適性，從而帶來更節省、更低耗、更高清、更實時的硬核編碼力，賦能千行百業的視頻化需求。

沒有想象，就沒有進化

蘋果的VisonPro，透射出編碼的未來嗎？

回顧文章開頭的“矛盾”與問題，面對激增的海量視頻數據、多元的視頻內容形式，以及加速擴大的行業應用范圍，視頻編碼如何“進化”的答案，也隱藏在行業的急速迭代之中。

如何實現更高壓縮效率并匹配多樣的細分場景？AI codec能實現比傳統壓縮標準更高的壓縮效率，并能夠在一些垂直場景有落地的機會，例如：業界已有基于深度學習的圖像壓縮，落地于衛星圖像的壓縮傳輸；

面對未來視頻數據的消費場景不再單純局限于人眼視覺，服務于機器視覺的視頻編碼也將迎來巨大應用市場。阿里云視頻云團隊已與高校深度合作，布局“面向人-機視覺的全新編碼范例：高層語義與低層信號相結合的圖像編碼方案”；

而對于近期大熱的蘋果VisionPro的推出，作為視頻行業工作者，十分樂見VR生態能在蘋果的帶領下，真正打出一片市場。因此，一些相關的沉浸式編碼標準如MIV，點云編碼，動態網格編碼等技術，也將逐步投入研究……

未來已來，

智能編碼架構的“進化”，將會帶來怎樣的“新生”？