企业官网建设流程全解析

引言：帧间预测是P/B帧压缩的"引擎"

如果说帧内预测是I帧的灵魂，那么帧间预测就是P/B帧的引擎。视频序列中相邻帧之间存在极强的时间相关性，帧间预测通过运动估计找到参考帧中最佳匹配块，仅编码残差和运动信息，可将P/B帧的码率降低80-90%。

H.266/VVC在HEVC的帧间预测基础上，引入了更精细的运动信息推导机制（AMVP/Merge）、更丰富的Merge候选（MMVD/CIIP/TPM）、更精准的子块级运动补偿（GPM/PROF）、以及更智能的运动矢量细化（DMVR），使帧间编码效率较HEVC提升约10-20%。

但工具越多，运动搜索和模式决策的计算量也越大。VVC中帧间编码耗时约占总编码时间的40-50%，其中运动估计和Merge候选构建占据了绝大部分。如何在保持压缩效率的同时降低帧间决策复杂度，是工程编码器的核心挑战。

本文从算法原理到工程落地，系统梳理VVC帧间预测的关键技术，并给出可复用的优化策略与配置模板。

AMVP与Merge：运动信息推导的双轨制

核心思想

VVC中每个PU的运动信息通过两种方式之一获得：

• AMVP：编码器通过运动估计找到最优MV，将MVP索引和MVD编码到码流中，解码端用MVP+MVD重建MV
• Merge：编码器从候选列表中选择一个已有的运动信息（MV+参考帧索引+预测方向），仅编码Merge索引，不传MVD

关键区别：AMVP需要编码MVD（有码率开销），但MV更精确；Merge不编码MVD（零码率），但MV受限于候选列表。编码器通过RDO在两者之间选择最优方案。

Merge候选列表构建

VVC的Merge候选列表最多包含6个候选，按以下顺序构建：

1. 空间候选：从当前PU的5个空间相邻块（A1、B1、B0、A0、B2）获取运动信息，最多取4个
2. 时间候选：从共位PU（Collocated PU）获取时间方向的运动信息，最多取1个
3. 历史候选：从之前已编码CU的运动信息中获取（HMVP机制），最多取5个，但总列表不超过6个
4. 双向候选：由两个单向候选组合生成（仅B帧）
5. 零MV候选：MV=(0,0)的兜底候选

HMVP机制：VVC引入了基于历史的MVP候选（History-based MVP），维护一个FIFO队列，存储最近编码的CU的运动信息。HMVP显著提升了Merge候选的质量，贡献约0.3-0.5% BD-rate增益。

AMVP候选列表构建

AMVP候选列表最多包含2个候选：

1. 空间候选：从当前PU的相邻块获取MVP，优先选择与当前PU参考帧相同的相邻块
2. 时间候选：从共位PU获取时间方向的MVP
3. 零MVP候选：MV=(0,0)的兜底候选

工程优化：AMVP候选数量少（仅2个），但每个候选都需要进行运动估计。VVenC的优化策略：

• 对空间候选进行去重（相同MV仅保留一个）
• 优先搜索高质量候选（与当前PU参考帧相同的候选）
• 对小PU（≤8×8）跳过AMVP，直接使用Merge

MMVD/CIIP/TPM：Merge模式的三大增强

MMVD：Merge模式下的运动矢量细化

MMVD（Merge Mode with Motion Vector Difference）在Merge模式的基础上，允许对选定的Merge候选进行小幅MV修正，兼具Merge的零MVD优势和AMVP的MV精度优势。

MMVD的工作流程：

1. 从Merge列表中选择基础MV（Base MV）
2. 从预定义的MV偏移表中选择一个偏移量（步长+方向）
3. 将偏移量加到基础MV上，得到修正后的MV
4. 仅编码MMVD索引（基础MV索引+步长索引+方向索引）

MV偏移表包含8个步长（1/4、1/2、1、2、4、8、16、32像素）和4个方向（上/下/左/右），共32种偏移组合。

压缩增益：MMVD贡献约0.3-0.5% BD-rate增益，主要受益场景：

• 小幅运动（摄像机抖动、物体微动）
• 低码率场景（MVD码率开销大，MMVD的索引编码更高效）
• 小PU（运动估计精度受限，MMVD可提供亚像素级修正）

工程实现：MMVD的32种偏移组合需要逐一进行RDO搜索，计算量较大。VVenC的优化策略：

• 仅对Merge列表前2个候选启用MMVD
• 对小步长（≤1像素）进行SATD预筛选
• 对大PU（≥32×32）跳过MMVD（增益极小）

CIIP：帧内帧间融合预测

CIIP（Combined Inter and Intra Prediction）对PU同时使用帧间预测和帧内预测，将两者加权融合：

PCIIP=w⋅Pinter+(1−w)⋅PintraPCIIP​=w⋅Pinter​+(1−w)⋅Pintra​

其中 PinterPinter​ 为帧间预测值， PintraPintra​ 为帧内预测值（使用Planar模式）， ww 为融合权重。

CIIP的工作流程：

1. 从Merge列表中选择运动信息，生成帧间预测 PinterPinter​
2. 使用Planar模式进行帧内预测，生成 PintraPintra​
3. 根据PU与相邻块的编码模式关系，选择融合权重 ww ：
   • 相邻块均为帧间模式： w=1/4w=1/4 （偏帧间）
   • 相邻块均为帧内模式： w=3/4w=3/4 （偏帧内）
   • 其他情况： w=1/2w=1/2 （等权融合）

压缩增益：CIIP贡献约0.2-0.4% BD-rate增益，主要受益场景：

• 遮挡区域（帧间预测失效，帧内预测可补偿）
• 物体边缘（帧间块效应明显，帧内平滑可改善）
• 低码率场景（帧内预测的平滑效果更显著）

工程实现：CIIP需要额外进行帧内预测，计算开销中等。VVenC对CIIP全量启用，x266默认关闭（增益/复杂度比不够高）。

TPM：三角形划分模式

TPM（Triangle Partition Mode）将CU沿对角线划分为两个三角形区域，每个三角形独立使用不同的Merge候选进行帧间预测，然后在边界处进行自适应加权融合。

TPM的工作流程：

1. 选择划分方向（对角线或反对角线）
2. 为两个三角形区域分别从Merge列表中选择运动信息
3. 对两个三角形区域分别进行运动补偿
4. 在三角形边界处进行加权融合（权重从边界向两侧衰减）

压缩增益：TPM贡献约0.3-0.5% BD-rate增益，主要受益场景：

• 物体边界（两个物体沿对角线分隔）
• 旋转运动（不同区域运动方向不一致）
• 中等码率场景

工程实现：TPM的搜索空间较大（2种划分方向 × Merge候选组合）。VVenC的优化策略：

• 仅对≥8×8的CU启用TPM
• 用SATD预筛选划分方向
• 对每个三角形仅搜索Merge列表前4个候选

GPM：广义双向预测

核心思想

GPM（Generalized Bi-Prediction）是HEVC中双向预测的扩展。HEVC的双向预测对L0和L1参考帧的预测值进行等权平均，而GPM允许对两个双向预测候选进行加权融合，权重由编码器通过RDO选择。

GPM的工作流程：

1. 从Merge列表中选择两个不同的双向预测候选
2. 对两个候选的预测值进行加权融合：

PGPM=w⋅P1+(1−w)⋅P2PGPM​=w⋅P1​+(1−w)⋅P2​

1. 权重 ww 从预定义的权重表中选择（共64种权重组合）

与TPM的区别：TPM是空间划分（不同区域用不同MV），GPM是全CU加权融合（整个CU用两个MV的加权和）。两者可以组合使用。

压缩增益

GPM贡献约0.2-0.4% BD-rate增益，主要受益场景：

• 光照变化（两个参考帧亮度不一致，加权可补偿）
• 半透明物体（两个参考帧的内容混合）
• 中等码率场景

工程实现：GPM的64种权重组合需要逐一进行RDO搜索，计算量较大。VVenC的优化策略：

• 仅对双向预测PU启用GPM
• 用SATD预筛选Top-8权重组合
• 对大PU（≥32×32）跳过GPM

IBC：屏幕内容的"帧内帧间"

核心思想

IBC（Intra Block Copy）是一种特殊的帧间预测模式，参考帧不是时间上的前一帧，而是当前帧中已重建的区域。IBC本质上是在当前帧内进行"块复制"，特别适合屏幕内容中大量重复的文本、图标、UI元素。

IBC的工作流程：

1. 在当前CTU左侧和上方的已重建区域中搜索最佳匹配块
2. 将匹配块的位置编码为块矢量（BV）
3. 用匹配块作为预测值，仅编码残差

关键特性：IBC在码流中被标记为帧间模式（使用Merge/AMVP机制），但参考帧是当前帧，因此被称为"帧内帧间"。

压缩增益

IBC对屏幕内容贡献约3-5% BD-rate增益，是屏幕内容编码中增益最大的工具之一。但对自然视频增益极小（<0.1%），因此通常仅在屏幕内容模式下启用。

工程实现：IBC的运动搜索范围受限于当前CTU的左侧和上方区域（通常限制为当前CTU左侧2个CTU宽度的区域）。VVenC的优化策略：

• 使用哈希匹配加速搜索（对4×4子块预计算哈希值）
• 对自然视频自动关闭IBC
• BV编码使用与AMVP相同的MVD机制

DMVR：解码端运动矢量细化

核心思想

DMVR（Decoder-side Motion Vector Refinement）允许解码端对双向预测的MV进行小幅修正，无需编码器传输额外的MVD信息。编码器在编码时假设解码端会进行DMVR细化，因此编码器端的RDO也使用细化后的MV计算率失真代价。

DMVR的工作流程（解码端）：

1. 对双向预测PU，从初始MV出发
2. 在初始MV周围搜索25个点（5×5网格，步长1像素）
3. 对每个搜索点，计算L0和L1预测块之间的匹配代价（SAD）
4. 选择匹配代价最小的点作为细化后的MV
5. 用细化后的MV进行双向预测

关键特性：DMVR在解码端执行，不增加码率开销，但提升预测精度。

压缩增益

DMVR贡献约0.3-0.5% BD-rate增益，主要受益场景：

• 双向预测PU
• 中等码率场景
• 运动复杂的区域

工程挑战：DMVR在解码端执行，增加了计算复杂度。VVenC的优化策略：

• 仅对≥8×8的双向预测PU启用DMVR
• 对平坦区域跳过DMVR（增益极小）
• 用SIMD加速SAD计算

PROF：子块级双向光流

核心思想

PROF（Prediction Refinement with Optical Flow）在双向预测的基础上，使用光流模型对预测值进行子块级修正，补偿局部运动的不一致性。

PROF的工作流程：

1. 对双向预测PU，将CU划分为4×4子块
2. 对每个子块，计算L0和L1预测值之间的光流修正量：

ΔP=∂P∂x⋅Δvx+∂P∂y⋅ΔvyΔP=∂x∂P​⋅Δvx+∂y∂P​⋅Δvy

其中 ∂P∂x∂x∂P​ 和 ∂P∂y∂y∂P​ 为预测值的梯度， ΔvxΔvx 和 ΔvyΔvy 为L0和L1 MV的差值
3. 将修正量加到双向预测值上

关键特性：PROF对双向预测的预测值进行后处理修正，不改变MV本身，因此解码端可以独立执行。

压缩增益

PROF贡献约0.2-0.3% BD-rate增益，主要受益场景：

• 旋转运动（子块级运动不一致）
• 形变运动（物体局部运动差异大）
• 高码率场景

工程实现：PROF涉及梯度计算和光流修正，计算开销中等。VVenC对PROF全量启用，x266默认关闭。

运动估计加速策略

分层搜索

运动估计是帧间编码中最耗时的操作。VVC采用分层搜索策略：

1. 整数像素搜索：使用菱形搜索或六边形搜索，在整数像素精度下找到最佳匹配
2. 半像素搜索：在整数像素最佳点周围进行半像素精度的搜索
3. 四分之一像素搜索：在半像素最佳点周围进行1/4像素精度的搜索

工程优化：VVenC使用改进的钻石搜索（Diamond Search），将搜索点数从HEVC的9个减少到5-7个，加速比约1.5×。

早期终止

在运动搜索过程中，若当前搜索点的代价已超过已知最优代价的(1+θ)倍，则提前终止搜索：

if (current_SAD > best_SAD × (1 + θ)): skip_remaining_search()

θ的取值取决于预设：

内容自适应搜索范围

根据PU的运动特征动态调整搜索范围：

• 小运动（相邻块MV小）：缩小搜索范围（±16像素）
• 大运动（相邻块MV大）：扩大搜索范围（±128像素）
• 平坦区域（方差低）：跳过运动估计，直接使用零MV
• 纹理区域（方差高）：全范围搜索

VTM vs VVenC/x266：帧间预测实现对比

关键洞察：帧间预测是VVC中工程裁剪空间最大的模块之一。VVenC通过候选预筛选+早期终止+SIMD加速，将帧间编码耗时降低约60%，BD-rate损失仅0.3-0.5%。

实战配置模板

低延迟直播场景

# VVenC参数 --preset fast --qp 32 # 目标码率 --mmvd 0 # 关闭MMVD（降低复杂度） --ciip 0 # 关闭CIIP --tpm 0 # 关闭TPM --gpm 0 # 关闭GPM --dmvr 0 # 关闭DMVR（解码端开销） --prof 0 # 关闭PROF --ibc 0 # 关闭IBC（自然视频） --hme 1 # 启用分层运动估计加速

高质量点播场景

--preset slower --qp 22 # 目标码率 --mmvd 1 # 启用MMVD --ciip 1 # 启用CIIP --tpm 1 # 启用TPM --gpm 1 # 启用GPM --dmvr 1 # 启用DMVR --prof 1 # 启用PROF --ibc 0 # 关闭IBC（自然视频） --hme 1 # 启用分层运动估计

屏幕内容场景

--scm 1 # 启用屏幕内容模式 --mmvd 1 # 启用MMVD --ciip 0 # 关闭CIIP（屏幕内容帧内已足够好） --tpm 0 # 关闭TPM（屏幕内容运动简单） --gpm 0 # 关闭GPM --dmvr 0 # 关闭DMVR --prof 0 # 关闭PROF --ibc 1 # 启用IBC（屏幕内容核心工具） --hme 0 # 关闭分层运动估计（IBC需要精确搜索）

动画/卡通内容场景

--mmvd 1 # 启用MMVD --ciip 1 # 启用CIIP（卡通边缘需要帧内补偿） --tpm 1 # 启用TPM（卡通物体边界清晰） --gpm 0 # 关闭GPM（卡通色彩均匀，双向加权增益小） --dmvr 1 # 启用DMVR --prof 0 # 关闭PROF（卡通运动刚性，光流增益小） --ibc 0 # 关闭IBC

帧间模式快速决策：工程编码器的核心战场

四级决策框架

工程编码器通常采用四级决策框架来加速帧间模式选择：

第一级：快速Skip/Direct检测

对每个PU，先检测是否可以直接使用Skip或Direct模式：

• 若相邻块均为Skip模式，且当前PU残差极小，则直接使用Skip
• 若当前PU为双向预测且MV接近零，则使用Direct

加速效果：约30%的PU可直接跳过后续搜索。

第二级：Merge候选快速筛选

对Merge候选列表进行SATD预筛选，仅对Top-3候选进行完整RDO：

SATD_cost = Σ|Hadamard(residual)|

第三级：AMVP快速运动估计

对AMVP模式，使用简化运动估计（缩小搜索范围+早期终止），仅当AMVP代价优于Merge时才进行完整运动估计。

第四级：增强模式条件启用

对MMVD/CIIP/TPM/GPM等增强模式，仅在基础模式代价较低时启用：

if (best_merge_cost < threshold): enable_MMVD/CIIP/TPM/GPM()

内容自适应决策

根据PU的局部特征动态调整搜索策略：

• 平坦区域（方差低）：仅使用Merge Skip，跳过运动估计
• 纹理区域（方差高）：全模式搜索
• 运动区域（相邻块MV大）：扩大搜索范围，启用MMVD/DMVR
• 静止区域（相邻块MV小）：缩小搜索范围，跳过增强模式

结语：帧间预测是时间相关性的极致挖掘

VVC的帧间预测工具箱已经从HEVC的AMVP/Merge扩展到AMVP/Merge + MMVD/CIIP/TPM/GPM + IBC + DMVR/PROF的多元体系，每一个工具都在试图更精准地捕捉视频的时间结构和运动规律。但工具越多，搜索空间越大，工程取舍就越重要。

建议建立"帧间工具增益画像"，针对不同内容类型（自然视频/屏幕内容/动画）、不同PU尺寸、不同QP范围，配置差异化的模式搜索策略。让编码器理解运动，而非盲目全搜。

帧间预测是P/B帧压缩的引擎，也是整个编码流水线的核心。愿每一位视频编码工程师，都能在运动矢量与光流修正之间找到