《表3 本文算法的BD-PSNR、BD-BR、实际编码时间和ΔT(与HM16.12对比)》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《利用深度学习的HEVC帧内编码单元快速划分算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

表4给出了与现有5种不同的HEVC编码单元划分算法进行比较结果，其中ΔT为所有测试序列在4个QP配置下编码时间缩减的平均值．与文献[5]中利用时空相关性跳过某些CU划分深度的方法相比，本文方法时间节省显著提升，这是由于本文方法一次性预测所有CU划分方法，跳过的编码单元深度计算过程更多．与文献[6]中使用图像纹理的快速算法相比，本文预测准确度更高因此编码的码率损失远远小于该算法效果．与文献[9]中使用SVM的方法相比，在码率和图像质量相差不大的情况下，进一步节省了10%左右的编码时间．文献[11]为一个浅层的神经网络方法，但由于神经网络与本文相比层数较浅，本文算法编码性能提高较为明显，BD-BR降低了4.6%左右．与文献[12]的神经网络方法相比，BD-PSNR和节省时间几乎相同的情况下有更低的码率，在对码率需求更高的存储、实时传输方面应用更有优势．