Abstract
速率控制方案通常建立表征速率（R）与编码参数（例如量化参数或拉格朗日乘数λ）之间的关系的模型。在这样的方案中，速率控制性能在很大程度上取决于建模精度。对于帧间，可以基于先前编码的帧的信息来精确更新模型参数以适合视频内容。但是，对于帧内帧，尤其是视频序列的第一个帧，没有先验信息可依赖。因此，帧内速率控制仍然是一个挑战。
-
在本文中，我们采用R-λ模型来表征帧内每个编码树单元（CTU），并提出一种基于卷积神经网络（CNN）的方法来有效预测每个CTU的模型参数。
-
然后基于R-λ模型，针对HEVC帧内编码开发了一种新的CTU级比特分配和比特率控制算法。
-
实验结果表明，我们提出的基于CNN的方法优于HEVC参考软件中当前使用的速率控制算法，从而速率控制误差平均降低了0.46％，BD速率降低了0.7％。
Motivation
用深度学习的方法来优化帧内每个CTUR-λ模型的参数α和β。
Details
网络结构
分别对α和β进行预测。
label
-
将自然图像转换为YUV420格式，然后使用HEVC参考软件在11种不同的量化参数（QP）下进行压缩，范围从20到40，间隔为2。针对每个CTU收集不同QP的码率和Lagrange乘数λ。
-
然后使用11对（R，λ）对每个CTU进行曲线拟合以获得α和β。 然后删除异常CTU，将异常数据定义为α∈[0.05,200]和β∈[-3,0]。
-
最后，我们将每个CTU的亮度分量的原始像素值用作CNN的输入，并使用相应的α或β作为训练CNN的标签。 有18万个CTU用于训练，另外16,000个CTU用于验证。