Recent Advances in Complexity Reduction Methods for VVC Inter Coding: A Review
Notice bibliographique
Résumé
Video traffic continues to surge, pushing codecs toward higher efficiency at the cost of sharply increased complexity. The H.266/Versatile Video Coding (VVC) standard roughly halves bitrate relative to HEVC at comparable quality but increases encoder complexity substantially. This paper surveys algorithm-level complexity-reduction methods for VVC inter-frame coding, grouping them by decision module—coding unit (CU) partitioning, inter-mode selection, and motion estimation (ME)—and by approach—heuristic/statistical, machine learning (ML), and deep learning (DL). We provide quantitative comparisons of reported complexity–efficiency trade-offs (encoder time vs. BD-rate), and discuss observed trends and potential areas for improvement. Across the literature, CU partitioning is the most heavily targeted module, followed by ME; reported encoder time savings span approximately 10–55% with typically no more than about 3% BD-rate increase, depending on module and method. It is observed that DL methods generally achieve the largest time savings (often around 50% or higher) by predicting partition structures or mode decisions end-to-end, at the expense of training data and inference cost. Heuristic methods remain lightweight and hardware-friendly with small BD-rate impact, and ML methods provide balanced trade-offs. To the best of our knowledge, this is the first comprehensive survey of VVC inter-frame coding, distilling practical lessons and outlining open directions—especially hybrid pipelines that combine inexpensive filters with learned predictors—to guide more efficient VVC implementations and future standards.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».