低码率生成式无人机视频编码算法

空天地海复杂环境下海量的视频数据给有限的传输带宽和存储设备带来了巨大的压力，因此如何提高视频编码技术在低码率条件下的编码效率显得尤为关键。近年来，基于深度学习的视频编码算法取得了良好的进展，却因优化目标与感知质量失配、训练数据分布偏差等问题，降低了极低码率下的视觉感知质量。生成式编码通过学习数据分布有效提升了低码率下的纹理与结构复原能力，缓解了深度视频压缩的模糊伪影问题。然而，现有研究仍存在两大瓶颈：一是时域相关性建模不足，帧间关联缺失；二是动态比特分配机制欠缺，难以实现关键信息的自适应提取。为此，提出一种基于条件引导扩散模型的视频编码算法（Conditional guided diffusion model-video compression， CGDM-VC），旨在改善低码率条件下视频感知质量的同时，加强帧间特征建模能力和保留关键信息。具体地，该算法设计了隐式帧间对齐策略，利用扩散模型捕获帧间潜在特征，降低估计显式运动信息的计算复杂度。同时，设计的自适应时空重要性编码器可动态分配码率优化关键区域的生成质量。此外，引入感知损失函数，结合感知图像块相似度（Learned perceptual image patch similarity， LPIPS）约束，以提高重建帧的视觉保真度。实验结果表明，与DCVC（Deep contextual video compression）等算法相比，该算法在低码率（