@InProceedings{2023_afro1093,
	author = "Pierre-Alain AFRO and Loïc STRUS and Laurent BONNAUD and Alice CAPLIER and Frédéric ROBIN",
	title = "Optimisation débit-distorsion de la quantification dans un encodeur vidéo par apprentissage profond de faible complexité",
	booktitle = "29° Colloque sur le traitement du signal et des images",
	year = "2023",
	publisher = "GRETSI - Groupe de Recherche en Traitement du Signal et des Images",
	number = "2023-1093",
	pages = "p. 129-132",
	month = "Aout # 6 - Sept # 9",
	address = "Grenoble",
	doi = "",
	pdf = "2023_afro1093.pdf",
	abstract = "L'optimisation débit-distorsion de la quantification ou RDOQ (Rate Distorsion Optimized Quantization) est un outil important présent dans différents codecs vidéo comme H.265/HEVC ou AV1. Même si cette fonction réduit significativement le débit, sa complexité limite son usage dans des solutions d'encodage matériel. Plusieurs études ont cherché à la simplifier notamment dans le modèle HM, l'implémentation logicielle de référence d'H.265. Cependant sa structuration itérative et séquentielle liée au calcul du débit reste difficilement compatible pour une mise en oeuvre matérielle. Avec l'émergence du machine learning, plusieurs modèles de réseaux de neurones ont été proposés afin d'imiter le comportement de la RDOQ et de pouvoir paralléliser cette fonction. Mais les réseaux proposés restent très complexes avec des performances assez éloignées du modèle simplifié de référence HM-RDOQ. En vue d'une implémentation matérielle, nous proposons une solution minimisant la complexité, tant au niveau du nombre de paramètres que de l'architecture du réseau. Notre modèle possède moins de 2000 paramètres et atteint 2.90 % de réduction de BD-rate sur la luminance par rapport à l'algorithme HM sans RDOQ dépassant même les résultats de HM-RDOQ..pdf",
}