Совместно адаптируемая энтропийная модель и оптимальное распределение битов в перцептивном аудиокодеке
Авторы пересматривают две связанные части классического перцептивного кодека: оценку реальной стоимости символов после энтропийного кодирования и распределение битов между частотными полосами. Вместо фиксированных гистограмм декодер и кодировщик синхронно дообучают вероятностную модель на уже декодированных блоках, а выбор точности по 50 ERB-полосам решают как задачу «искажение–скорость» на данных конкретного блока.
Метод. Сигнал кодируется MDCT с блоком 1024 отсчёта; для каждой пары «полоса–точность» заранее строится фронт Парето. Точная динамическая программа выбирает сочетание вариантов под битовый бюджет, а более дешёвая лагранжева аппроксимация приближает это решение. Гистограммы арифметического кодирования обновляются одинаково на обеих сторонах по декодированным данным, поэтому передавать параметры модели не нужно.
Результаты. При строгом поблочном бюджете учёт энтропии снижает целевое искажение на 15,0% при 64 кбит/с на канал и на 23,7% при 80 кбит/с; совместная адаптация добавляет ещё 3,3–3,6%. С резервуаром размером в один блок преимущество резко сжимается до 1,4–1,8% и 0,3–0,4%. В MUSHRA на 20 слушателях при 80 кбит/с на канал точная статическая схема получает 76,6 балла, адаптивная — 80,0, прирост 3,4 балла статистически значим (p=0,035).
Ограничения. Это прототип на Python с шестью фрагментами SQAM и 20 слушателями; каналы стерео кодируются независимо, служебные 1,7–1,8 кбит/с на канал не включены в основной битрейт. Точный алгоритм слишком дорог для готового кодека, а мгновенная скорость прототипом жёстко не ограничивается.
Фишка из статьи. Большая часть выигрыша исчезает, как только кодеку дают резервуар битов; при этом почти всё качество точной оптимизации сохраняет гораздо более дешёвая лагранжева схема.
| Режим | Относительное искажение при 80 кбит/с | Время кодирования относительно water-filling |
|---|---|---|
| Water-filling | 100,0 | 1,0× |
| Лагранжев, статическая модель | 66,0 | 4,2× |
| Точный, статическая модель | 65,7 | около 88× |
| Лагранжев, совместная адаптация | 63,7 | 4,2× |
| Точный, совместная адаптация | 63,5 | около 88× |
Как это читать: точная динамическая программа улучшает лагранжев вариант лишь примерно на 0,3 пункта относительного искажения, но требует на порядок больше вычислений. Практическая идея статьи — скорее адаптивная энтропийная модель плюс приближённое распределение битов, чем дорогой точный решатель.
Источники. страница arXiv; PDF статьи. Оригинальное название: Co-Adaptive Entropy Modeling and Optimal Bit Allocation for Perceptual Audio Coding.