Análise da correlação entre conteúdo de vídeo e a eficiência de compressão da técnica DIVC

Abstract

O consumo e o compartilhamento de conteúdos em vídeo são alguns dos segmentos mais crescentes na sociedade atual. Isso exige que técnicas de compressão sejam cada vez mais eficientes, o que vem se tornando um desafio devido ao aumento da complexidade dos padrões tradicionais de codificação híbrida. Nesse contexto, o Decoupled Interpolated Video Coding (DIVC) foi proposto como método alternativo de codificação, que combina o modelo híbrido com Interpolação de Quadros de Vídeo – Video Frame Interpolation (VFI) baseada em Redes Neurais – Neural Networks (NNs). No entanto, os estudos de caso demonstraram desempenho bastante variável do DIVC, dependendo do conteúdo de vídeo. Buscando resolver este problema, este trabalho de PIBIC teve como principal foco o desenvolvimento de técnicas capazes de realizar a aplicação do DIVC adaptativamente em função do conteúdo, tal que sua eficiência de codificação pudesse aumentar. Primeiramente foi proposta uma versão adaptativa ideal do DIVC, considerando a métrica de eficiência de codificação BD-PSNR-YUV para quadros pareados, obtida a partir da execução do DIVC original e da codificação somente com o HEVC Test Model (HM). Tal versão conseguiu ganho na média das sequências (em BD-PSNR-YUV) de 0,214 dB comparado ao DIVC original e de 0,878 dB comparado ao HM, para o conjunto da classe B das Common Test Conditions (CTC). Também foram utilizados descritores de imagem e vídeo para extrair informações sobre o conteúdo dos vídeos e desenvolver um modelo de Aprendizado de Máquina – Machine Learning (ML) baseado em Random Forest (RF). Esse modelo foi utilizado em uma versão adaptativa predita do DIVC, que foi testada também com a classe B das CTC. A versão predita apresentou melhoria de 0,01 dB comparado ao DIVC original, e de 0,674 dB comparado ao HM.