静态 HDR 和动态 HDR 有什么区别？
What is the difference between Static HDR and dynamic HDR?
HDR 是一种高动态范围技术，广泛应用于视频设备，以提供更好的观看体验。
静态HDR和动态HDR有什么区别？
动态 HDR 可以在各种环境下实现更高的 HDR 媒体质量
显示。
以下演示文稿：SMPTE ST 2094 and Dynamic Metadata 总结了动态元数据的主题：
Dynamic Metadata for Color Volume Transforms (DMCVT)
- Can preserve the creative intent in HDR media across a variety of displays
- Carried in files, video streams, packaged media
- Standardized in SMPTE ST 2094
一切从数字开始量化。
假设您需要仅使用 1000 个可能的值来近似 0 到 1,000,000 之间的数字。
您的第一个选择是使用均匀量化：
范围 [0, 999] 中的值映射到 0，范围 [1000, 1999] 映射到 1，[2000, 2999] 映射到 2，依此类推...
当需要还原原始数据时，无法准确还原，需要得到平均误差最小的值。
0 映射到 500（到范围 [0, 999] 的中心）。
1 映射到 1500（映射到范围 [1000, 1999] 的中心）。
当您恢复量化数据时，您会丢失大量信息。
您丢失的信息称为 "Quantization error"。
普通 HDR 视频每个颜色分量应用 10 位（Y 分量 10 位，U 分量 10 位，V 分量 10 位）。或者 10 位红色，10 位绿色和 10 位蓝色 RGB 颜色 space.
10 位可以存储 1024 个可能的值（范围 [0, 1023] 中的值）。
假设您有一台非常好的显示器，可以显示 1,000,001 种不同的亮度级别（0 最暗，1000000 最亮）。
现在您需要将 1,000,001 个级别量化为 1024 个值。
由于人类视觉系统对亮度水平的响应不是线性的，所以上面说明的均匀量化是次优的。
在应用伽马函数后执行量化为 10 位。
伽玛函数示例：将每个值除以 1000000（新范围为 [0,1]），计算每个值的平方根，并将结果乘以 1000000。
在伽马函数之后应用量化。
结果是：在较亮的值范围内保持较暗值的准确性。
监视器执行相反的操作（反量化和反伽马）。
在应用伽马函数后执行量化会为人类视觉系统带来更好的质量。
实际上，平方根并不是最好的 gamma 函数。
共有三种标准 HDR 静态伽马函数：
- HLG - Hybrid Log Gamma
- PQ - Perceptual Quantizer
- HDR10 - 静态元数据
我们可以做得更好吗？
如果我们可以 select 每个视频帧的最佳 "gamma functions" 会怎么样？
动态元数据示例：
考虑图像中所有亮度级别都在 [500000, 501000]:
范围内的情况
现在我们可以将所有级别映射到 10 位，无需任何量化。
我们需要做的就是发送 500000 作为最低级别，并在图像中发送 501000 作为最低级别 metadata.
我们可以从每个值中减去 500000，而不是量化。
接收图像、读取元数据并知道向每个值添加 500000 的监视器 - 因此存在完美的数据重建（没有量化错误）。
假设下一张图像的级别在 400000 到 401000 之间，因此我们需要（动态）调整元数据。
- DMCVT - 颜色体积变换的动态元数据
DMCVT 的真正数学比上面的例子复杂得多（也比量化多得多），但它基于相同的原理——根据场景和显示器动态调整元数据，可以获得比静态伽玛更好的质量（或静态元数据）。
如果您还在阅读...
我真的不确定 DMCVT 的主要优点是减少量化误差。
（举一个减少量化误差的例子就简单多了）。
减少转换错误：
从输入的数字表示（例如 BT.2100 到显示器的最佳像素值（如像素的 RGB 电压）的精确转换需要 "heavy math".
转换过程称为 颜色体积转换。
Displays 用数学近似代替繁重的计算（使用查找表和插值[我想]）。
DMCVT 的另一个优势是将 "heavy math" 从显示转移到视频 post 制作过程。
视频post-制作阶段的计算资源比显示资源高出一个数量级。
在 post 生产阶段，计算机可以计算元数据，帮助显示器执行更准确的色体积转换（使用更少的计算资源），并大大减少转换错误。
来自 presentation 的示例：
为什么"HDR static gamma functions"调用静态？
与 DMCVT 相反，静态伽马函数在整个电影中是固定的，或者在整个 "system".
中固定（预定义）
例如：大多数 PC 系统（PC 和显示器）都使用 sRGB 颜色 space（不是 HDR）。
sRGB 标准使用以下固定伽马函数：
.
PC 系统和显示器都预先知道它们在 sRGB 标准下工作，并且知道这是使用的伽马函数（不添加任何元数据，或添加一个字节的元数据将视频数据标记为 sRGB） .
HDR 是一种高动态范围技术，广泛应用于视频设备，以提供更好的观看体验。 静态HDR和动态HDR有什么区别？
动态 HDR 可以在各种环境下实现更高的 HDR 媒体质量 显示。
以下演示文稿：SMPTE ST 2094 and Dynamic Metadata 总结了动态元数据的主题：
Dynamic Metadata for Color Volume Transforms (DMCVT)
- Can preserve the creative intent in HDR media across a variety of displays
- Carried in files, video streams, packaged media
- Standardized in SMPTE ST 2094
一切从数字开始量化。
假设您需要仅使用 1000 个可能的值来近似 0 到 1,000,000 之间的数字。
您的第一个选择是使用均匀量化：
范围 [0, 999] 中的值映射到 0，范围 [1000, 1999] 映射到 1，[2000, 2999] 映射到 2，依此类推...
当需要还原原始数据时，无法准确还原，需要得到平均误差最小的值。
0 映射到 500（到范围 [0, 999] 的中心）。
1 映射到 1500（映射到范围 [1000, 1999] 的中心）。
当您恢复量化数据时，您会丢失大量信息。
您丢失的信息称为 "Quantization error"。
普通 HDR 视频每个颜色分量应用 10 位（Y 分量 10 位，U 分量 10 位，V 分量 10 位）。或者 10 位红色，10 位绿色和 10 位蓝色 RGB 颜色 space.
10 位可以存储 1024 个可能的值（范围 [0, 1023] 中的值）。
假设您有一台非常好的显示器，可以显示 1,000,001 种不同的亮度级别（0 最暗，1000000 最亮）。
现在您需要将 1,000,001 个级别量化为 1024 个值。
由于人类视觉系统对亮度水平的响应不是线性的，所以上面说明的均匀量化是次优的。
在应用伽马函数后执行量化为 10 位。
伽玛函数示例：将每个值除以 1000000（新范围为 [0,1]），计算每个值的平方根，并将结果乘以 1000000。
在伽马函数之后应用量化。
结果是：在较亮的值范围内保持较暗值的准确性。
监视器执行相反的操作（反量化和反伽马）。
在应用伽马函数后执行量化会为人类视觉系统带来更好的质量。
实际上，平方根并不是最好的 gamma 函数。
共有三种标准 HDR 静态伽马函数：
- HLG - Hybrid Log Gamma
- PQ - Perceptual Quantizer
- HDR10 - 静态元数据
我们可以做得更好吗？
如果我们可以 select 每个视频帧的最佳 "gamma functions" 会怎么样？
动态元数据示例：
考虑图像中所有亮度级别都在 [500000, 501000]:
范围内的情况
现在我们可以将所有级别映射到 10 位，无需任何量化。
我们需要做的就是发送 500000 作为最低级别，并在图像中发送 501000 作为最低级别 metadata.
我们可以从每个值中减去 500000，而不是量化。
接收图像、读取元数据并知道向每个值添加 500000 的监视器 - 因此存在完美的数据重建（没有量化错误）。
假设下一张图像的级别在 400000 到 401000 之间，因此我们需要（动态）调整元数据。
- DMCVT - 颜色体积变换的动态元数据
DMCVT 的真正数学比上面的例子复杂得多（也比量化多得多），但它基于相同的原理——根据场景和显示器动态调整元数据，可以获得比静态伽玛更好的质量（或静态元数据）。
如果您还在阅读...
我真的不确定 DMCVT 的主要优点是减少量化误差。
（举一个减少量化误差的例子就简单多了）。
减少转换错误：
从输入的数字表示（例如 BT.2100 到显示器的最佳像素值（如像素的 RGB 电压）的精确转换需要 "heavy math".
转换过程称为 颜色体积转换。
Displays 用数学近似代替繁重的计算（使用查找表和插值[我想]）。
DMCVT 的另一个优势是将 "heavy math" 从显示转移到视频 post 制作过程。
视频post-制作阶段的计算资源比显示资源高出一个数量级。
在 post 生产阶段，计算机可以计算元数据，帮助显示器执行更准确的色体积转换（使用更少的计算资源），并大大减少转换错误。
来自 presentation 的示例：
为什么"HDR static gamma functions"调用静态？
与 DMCVT 相反，静态伽马函数在整个电影中是固定的，或者在整个 "system".
中固定（预定义）
例如：大多数 PC 系统（PC 和显示器）都使用 sRGB 颜色 space（不是 HDR）。
sRGB 标准使用以下固定伽马函数：
PC 系统和显示器都预先知道它们在 sRGB 标准下工作，并且知道这是使用的伽马函数（不添加任何元数据，或添加一个字节的元数据将视频数据标记为 sRGB） .