合作案例丨数据压缩处理算法开发

案例简介

痛点问题

Mesh数据是由顶点和边构成的、用以表示潜在理想曲面的几何结构。目前Mesh压缩算法主要致力于恢复与原有Mesh完全相同的几何和拓扑信息，其压缩率较低。企业需要一种保证质量无损即可的Mesh数据压缩算法，提高压缩率。

解决方案

对原始Mesh进行下采样以减少待编码数据量，通过上采样算法将解码后的Mesh恢复至原有质量，并通过编码残差信息帮助实现质量无损。

案例亮点/优势

提出一种基于重采样的Mesh质量无损压缩方案，该方案能够在保证Mesh数据质量无损的同时，实现文件压缩近100倍，满足企业追求压缩率与数据质量兼顾的要求。

案例相关图片

Quadric Error Metrics模块

Neural Subdivision模块

编码-传输-解码方案设计

案例简介

痛点问题

企业需要对采集到的原始视频进行压缩编码，通过减小视频文件的大小来提高传输效率，但较高的压缩率会导致图像质量降低。因此，企业需要解决视频压缩及传输效率与图像质量不能兼顾的问题，以满足高分辨率视频传输需求。

解决方案

端云协同的视频压缩处理方式可提升效率和质量。技术方案主要由两部分构成：第一部分针对监控视频场景调整编码器GOP结构，并且根据图像信息自适应的调整QP来合理分配码率，以追求较高的视频压缩比。第二部分结合深度学习技术，在解码端采用卷积神经网络对重构视频进行滤波处理，从而去除压缩噪声并提高视频质量，以满足重构视频的客观质量要求。

案例亮点/优势

P帧质量的提升，在PSNR上带来6%-9%增益的同时带来了成倍的码流增长；分层P帧的设置在保证码率增加可接受范围内有效提高了PSNR。此外，神经网络滤波器的使用能够有效改善重构P帧的质量，提高编解码器整体性能，满足企业需求。

案例相关图片

GOP结构设置

测试程序编码结构示意图

卷积神经网络结构设计