news 2026/7/10 17:14:38

ISP模式

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
ISP模式

H.266 / VVC中,ISP 模式指的是:

ISP = Intra Sub-Partitioning(帧内子分区预测)

它是VVC 相比 HEVC 新增的一项重要帧内预测工具,目标是:
👉提升细长 CU、强方向纹理区域的帧内预测精度


一句话先抓重点 🧠

ISP 的核心思想:
不是“一个 CU 用一个预测”,
而是“一个 CU 沿方向切成多块,每块单独做帧内预测”。


一、ISP 在解决什么问题?

在 HEVC / 传统帧内预测里:

  • 一个 CU(如 8×16、4×16)

  • 整块只选一个 Intra Mode

  • 对于:

    • 竖直条纹
    • 横向边缘
    • 强方向纹理

👉预测不够贴合


二、ISP 的基本做法

1️⃣ 适用对象

  • 帧内 CU

  • 通常是非方形、细长 CU

  • 如:

    • 4×16
    • 8×32
    • 16×4

2️⃣ 分区方式(重点)

ISP 只做一维切分,而且方向与预测方向一致

ISP 类型子分区方式
ISP-H沿水平方向切(多条横条)
ISP-V沿垂直方向切(多条竖条)

示意(ISP-V):

+----+----+----+ | | | | | | | | | | | | +----+----+----+

3️⃣ 每个子分区怎么处理?

每一个子分区

  • 使用同一个 Intra Mode

  • 但:

    • 独立生成预测
    • 独立做残差、变换、量化
  • 参考像素:

    • 左 / 上边界
    • 以及前一个已重建的子分区

👉 子分区有因果顺序


三、ISP 的 RD 优势来源(为什么有效)

ISP 提升 RD 的原因主要有 3 点:

✅ 1️⃣ 缩短预测距离

  • 每个子分区只预测一小条
  • 插值误差明显下降

✅ 2️⃣ 更好贴合方向纹理

  • 特别适合:

    • 垂直结构 → ISP-V
    • 水平结构 → ISP-H

✅ 3️⃣ 残差能量更集中

  • 残差更“尖”
  • 变换效率更高

四、ISP 的代价(为什么复杂)

⚠️ 编码复杂度高

  • 同一个 CU:

    • 普通 Intra
    • ISP-H
    • ISP-V
      → 都要试 RD

⚠️ 解码复杂度增加

  • 顺序重建
  • 依赖前子分区像素

⚠️ 实现复杂

  • 参考样本管理更复杂
  • 管线不好做并行

五、ISP 与其他 Intra 工具的关系(工程里很关键)

ISP vs MIP

ISPMIP
思想子分区模型预测
擅长强方向纹理低频/平滑
是否可共存❌ 同一 CU 不能同时用

👉ISP 和 MIP 互斥


ISP vs Intra 多方向模式

  • ISP不是新方向
  • 是对已有方向预测的结构增强

六、在 VTM / ECM

常见规律(经验):

  • 16x4→ ISP-H 命中率高
  • 4x16 / 8x16→ ISP-V 命中率高
  • 大方块(32×32) → 很少选 ISP

七、标准层面的位置

  • ISP 定义在VVC 帧内预测工具集

  • 编码器可选工具(非强制)

  • 通过 flag 信令:

    • 是否启用 ISP
    • ISP-H / ISP-V

八、一句工程总结(给做编码的人)

ISP 本质是:
用“空间顺序 + 局部预测”
换取“RD 增益”,
代价是“复杂度 + 实现难度”。


版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/7/1 8:22:54

Youtu-2B镜像部署优势:开箱即用的AI服务体验

Youtu-2B镜像部署优势:开箱即用的AI服务体验 1. 为什么Youtu-2B能成为轻量级LLM部署的新选择 你有没有遇到过这样的情况:想快速试一个大模型,结果光装环境就折腾半天——CUDA版本不对、依赖包冲突、显存不够跑不起来……最后干脆放弃。Yout…

作者头像 李华
网站建设 2026/7/1 5:05:24

GLM-4-9B-Chat-1M企业应用:研发团队本地化代码助手部署与提效案例

GLM-4-9B-Chat-1M企业应用:研发团队本地化代码助手部署与提效案例 1. 为什么研发团队需要一个“能读懂整个代码库”的本地助手? 你有没有遇到过这些场景? 新同事接手一个十年老项目,光看目录结构就花了三天; 线上报错…

作者头像 李华
网站建设 2026/7/4 22:38:21

腾讯混元图像3.0模型开源,登顶Arena Image Edit榜单

腾讯混元团队正式宣布HunyuanImage 3.0-Instruct开源,并成功跻身Arena Image Edit榜单全球 tier-1行列。作为被官方称为 “全球最强开源图生图(Image-to-Image)模型” 的新标杆,此次发布标志着高精度图像编辑能力向开源社区的全面…

作者头像 李华
网站建设 2026/7/1 8:22:59

mPLUG开源模型部署实战:Ubuntu 22.04 + CUDA 11.8 + PyTorch 2.1环境配置

mPLUG开源模型部署实战:Ubuntu 22.04 CUDA 11.8 PyTorch 2.1环境配置 1. 为什么需要本地部署mPLUG视觉问答模型? 你有没有遇到过这样的场景:手头有一张产品图,想快速知道图里有几个物体、主色调是什么、人物在做什么动作&…

作者头像 李华
网站建设 2026/7/8 5:38:41

MTools效果对比:关键词提取F1值实测(Llama3 vs. TF-IDF vs. YAKE)

MTools效果对比:关键词提取F1值实测(Llama3 vs. TF-IDF vs. YAKE) 1. 测试背景与目标 在文本处理领域,关键词提取是一项基础但至关重要的任务。无论是学术研究、内容分析还是信息检索,准确提取关键词都能大幅提升工作…

作者头像 李华
网站建设 2026/7/8 5:38:43

QwQ-32B开源大模型部署教程:基于ollama的免配置GPU推理环境搭建

QwQ-32B开源大模型部署教程:基于ollama的免配置GPU推理环境搭建 你是不是也试过为跑一个大模型,折腾半天环境、装CUDA、配PyTorch、调量化参数,最后卡在显存不足或报错信息看不懂上?别急——这次我们换条路:不用写一行…

作者头像 李华