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) .