本文整理自腾讯高级技术专家鲍金龙在LiveVideoStack线上分享上的演讲。他通过自身的实践经验，详细讲解了高性能视频推理引擎优化技术。

文 / 鲍金龙

整理 / LiveVideoStack

大家晚上好，非常荣幸又有这个机会来LVS，与大家一起探讨一些问题。我第一次参加LVS应该是2017年，现在已经接近4年的时间了。

今天的内容是推理引擎优化技术，当然有一个前提，主要是在端上。冯诺依曼体系的存储矛盾，几十年以来一直都是存在的主要矛盾。对于这个问题，如果是在Nvidia显卡上，或者是国内的燧原NPU上，他们的解决方案是用最快的HBM内存、HBM2.5 3D堆叠的内存来增加总线的带宽，中间加上36层的Cache。但是在端上这么做其实是有问题的，比如端上的芯片的功耗，以及面积来出发的话，无论是GPU，还是DSP，L2的Cache基本是1 M左右，同时内存是所有的芯片共享的，还有LPDDR3、LPDDR4，功耗非常低，但是性能跟台式机DDR和HBM内存差1020倍。所以，在端上的优化，还是需要从推理引擎的总体设计、算子本身的执行速度上，还有算子本身的可替换性上来入手，即从软件开发上来进行优化，因为硬件短时间内想提高10倍、20倍，实际上是非常困难的。

01.优化思路

目前的优化思路，虽然有五项，实际上可以分为三类。

第一类是从Framework角度来说，比如第一、二项，思路是改变一下数据排列，使计算流水线执行得更加有效。这是从Cache的利用率角度来做优化，可以降低总线访问，同时也能降低功耗。第三项就是算子本身做些优化，在不改变算子算法原理的情况下，看能不能执行得更快。第四项是旁路优化，就是通过等效替换的原理来进行。这里只列了两点，更复杂的优化还有，但目前时间有限，我们探讨不了太复杂的内容。第五项是，如果想使用运动补偿，那么就有运动向量从哪里来的问题，后面附加有一个运动向量的估计。

第一部分就是数据排列。这是一个非常基本的问题，视频数据是一个在时间上连续的二维图像序列，在空域上即单帧图像上，有水平和垂直两个方向的维度，在时间上和内容上有大量的冗余。视频数据有一个很强烈的特点就是，在帧内，比如分块的二维数据块内相关性比较强，比如平坦块都是平坦块，如果有纹理的话纹理都是连续的。第二个特点就是，临近的二维数据块相关性也比较强。第三个特点是，帧和帧之间，通过运动向量关联起来，它实际上就是一个Patch，三维数组相关性比较强。那么相关性强的表现是，不只纹理特征相似，还有高频和低频信号也分别相似（就是频谱特征相似）。这里是从时域和空域两个角度来看的。相关性就造成了可以让算法加速的很多机会，后面将逐渐展开讲解这些内容。

目前见到的常规推理引擎数据处理方式实际是Planar结构，它可能是多通道的，比如RGB，也可能是三个Channel，比如YUV、420格式、444格式。执行方式是行扫描，一行从左执行到右，然后第二行从左到右，跟早年电视机的扫描方式是一样的，扫描到一帧图处理完。这个方式是通用的，不管是什么类型的数据都可以执行完。但它也有一些问题。第一，这是按行执行的，那么数据局部的相关性没法从这种处理方式得到照顾。第二，这是整张图扫完，那么数据的吞吐量非常大。整张图扫描的方式可以理解为整张图是一个块，这个块就是最大块。一般来说，如果图比较大，比如Y通道数据有1~2 M大小，L2 Cache基本上就1 M，这就是一个很典型的Cache颠簸现象，就是说，处理完一个Filter的时候，接着处理下一个Filter的时候，你上次读的数据已经完全刷出去了，你需要重新再load进来。那么，问题相对来说比较严重了，无论是速度还是功耗，表现都非常差。

那么我们要解决这个问题，可以按照视频的编解码一样将数据分块，常规的分块就是8x8。一般来说，8x8 的块能够充分照顾到纹理，有局部性，同时它内部也包含足够多的特征。块过大或者过小都各有利弊。那么，一般的分块存放是有跨度的。如果是 8x8 的块，第一个8个像素是在第一行，依次有一个很大的跨度，如果用现在的适合人工智能、大并发的指令来处理，比如AVX512，一次能做64个int 8的乘法，DSP就更大了，一般有128~768个像素，768的数据组织是RGB 16x16的分块，有三个通道，一次就能处理完。还有更多的，比如32x32。我们常常在网上看到一些NPU的设计，如马斯克的汽车导航用的NPU，或者是谷歌的TPU-1、2、3代，并发程度都一直在改进，但基本上都停留在这个水平上，不会太大，也不会太小。如果你是用420格式下有跨度地来读取，会发现这个效率是非常低的。比如一个8x8的块，需要8次寻址，8次读入，每次读入8个字节，只执行了一次计算指令，有8次写出。这样的效率其实非常非常低。那如何改进呢？

其实这很简单。改进方式就是，将8x8的块取消跨度，连续存放。比如将8个行连续放到64个字节里，后面的7个行都取消了，即这一行放了8行的数据。这样处理的优势是，比如处理8x8的块，只需要1次寻址，而且寻址是非常整齐的对齐地址，然后需要1次读入，1次计算，1次写出，这个速度就会快了7、8倍。但是，一般来说，我们达不到7、8倍的速度。原因就是，TILE格式数据想达到高效的处理，还要有数据转换、堆叠过程，运算过程中还有数据重排（后面依次会讲到）。

TILE格式是需要数据重排的。首先，输入的数据都是常规Planar格式的、RGB或YUV 420格式的，要转换就是取消跨度。但是一般的推理引擎都是需要复制一次，它不会在原始数据上直接处理，需要Pad-边界填充，同时可能也存在格式转换，重排可以和这个融合起来。转换函数permutation是一个执行非常快的指令，整个过程跟memcpy一样快，就是说，融合起来的代价就可以忽略了。其次，运算时候的数据并不是永远地址对齐的，有可能需要对运动向量地址不对齐的情况去做重排。上面这个图指示的就是如何在输入格式转换的时候重排得更高效。重排的时候，并不是一次读8个字节，或者一次读8行，而是一次读64字节8行，经过重排以后，形成为8个88的数组。那么这个效率就是最高的，指令并行度都是饱和的、最大的。接下来看一个地址重排的例子，这是最简单的例子。更多例子的大家有机会去试试。

当前假设A块地址是(0,0)，相邻的是B、C、D，它们的间隔都是8，地址是对齐的。需要访问G块，地址是(6,5)，所以，有一个运算向量。如果是420格式下，做一个不对齐的访问就可以了，或者做一个对齐的简单拼接。但是在TILE格式下，要多做一些工作。首先需要拼接到E，就是在A、C两块之间拼接E块，B、D两个块之间拼接出F块。但是这两个块跟G块还是有区别，它们位于一个水平线上的区域内，还要进行X坐标的重排。目前，AVX512的指令是这样的，移动64位，用三条指令来完成。如果以后有更先进的指令一次完成，那就更好。但很明显，设计AVX512的时候，没考虑到TILE格式。同时，注意，指令的后缀加了x，意思就是有个扩展。基本的Intel指令，比如c= 5，就是常量，但常量的效率太低了，一般用的是变量。下面有一个等价的实现，是通过另外一个permute、a,b两个向量重排之后，形成一个等价的变量align过程。

如果在高通的HVX上，就容易得多。高通的执行同样也是5行指令，但是前4个都是一类指令valign，它既支持常量，也支持变量，执行动作完全是一样的。最后，是类似AVX512 Blend的一个vswap操作，融合生成一个块。这些指令都是低延时指令，访存要快得多，所以代价基本上非常小。如果后续执行有进一步优化，可以把代价分散一下，那效果就会更好。

02.计算流水线

接下来，我们看第二部分。想要计算的时候需要一个新的方式Framework，原来是一帧、一个Filter在整帧上以raster scan的方式执行完，比如s0、s1、s2、s3、s4执行完，实际上Cache是永不命中的状态，Cache在移动端的速度非常慢。一般来说，根据我们实验数据，DDR内存访存的功耗，比芯片计算指令功耗的数据更大。要解决这个问题，我们想把所有这些过程的中间数据压缩到最小，比如Cache利用率，能提高一些。那怎么做呢？要设计一个超级流水线。就是说，在从s0到s4的多个步骤，这些Filter可以在Pipeline上并行执行。并行指的是数据的处理顺序从原来的每帧顺序依赖，转换为每行顺序依赖，这样从帧的角度来看，数据处理就是并行的。这样，数据基本都在Cache中，读取的时候并不进行过多的总线访问，功耗也非常小。

我们现在是以TILE或ROW，如果是420格式的也可以采用超级流水线，那么就是一行为一ROW。如果是TILE格式，那么除了行ROW，还需要一个二级结构TILE。

我们首先讲的是引擎的优化，但是，无论是普通引擎，还是优化的、特殊的、紧密堆积的引擎，数据预取是非常重要的。因为移动芯片上数据Cache非常小，如果数据不预取，基本都是不命中的状态。常规下，我们看到行扫描下的也是一种流水线结构。首先在循环开始之前，需要预取一行的数据，然后循环中首先要预取下一行的数据，然后处理当前行的数据。process_row函数处理时间比较长，一般都会有1000个Clock以上。那么一个数据从总线开始加载到Cache中去，时间一般粗略认为是100个Clock，有可能更慢，好一点机器可能是80个Clock，差一点机器是150个Clock。所以如果process_row执行过快，那么预取的效率就不够。比如处理的时候，prefecth_row并没有预取到，那么预取就失败了。但是如果处理一行，时间完全是够的。如果有很多很多种Filter同时进行，流水线有多级，数据预取跟raster scan相比效率就好多了。如图中所示，这个预取是依次执行的，比如黑色的一行，把预取和数据load放在一块，那么预取就做一次，后面都不需要做预取了，因为中间数据很小。原来你做了n次预取，现在实际上只做了第一次预取。如图所示，预取指针指向了绿色行，后面红色处理的要比它Delay 1行，后面黄色的就是处理过的。所以预取非常重要，如果没有预取，那么引擎就不可能达到很高的性能。

接下来是超级流水线的设计。如图所示，看看我们现在这个比较简单的例子，有四级。第一级是预取一个 1x1 的load，绿色是 5x5 的卷积，蓝色是3x3的反卷积（你就认为有就可以了），然后黄色是7x7的后处理。这显然对前方有一个数据依赖，如果其Tap条件不满足，后续的操作基本上不能继续。这里需要一个处理逻辑。看看上图中的代码，一次处理一个行，实际上就是使用4个process函数的指针，每次依次从上往下执行，比如执行load一行之后马上执行第二个。那么数据完整性显然不能满足。因为第二级Filter是5x5的，需要第5步处理完之后，第6步才能执行，所以它就Fail了 。那么一直走到5之后再去6执行，就发现数据完备了，那就6执行了。6执行后，下一级再处理了，尝试到9，那9显然不行。那么就从6直接break，返回到执行7，处理完之后，8就完备了。那再继续尝试的时候，发现9完备。之后就是下一级到15，15并不完备，然后又返回到11。11之后是12，12完了之后发现13和14都产生了。因为这是一个上采样操作，所以处理两行，这时候15就可以执行了。执行之后，20还没满足，返回到16。这个逻辑就是依次循环下去。实际上，这里执行效率比原来的、整张处理的效率要高得多，同时代码也非常简单。大家可以看一下，代码其实是很优美的，越优美的代码效率越高。

前面并没有明确讲是420格式还是TILE格式，无论哪种格式，数据依赖关系是一样的。TILE是一种特殊的格式，有一些特殊性。首先，预取就不应以行来执行，而是按照TILE块来执行。如图所示，绿色的是预取指针，红色的是处理指针指的是后面一块，黄色的块是已经处理过的。所以这里一个函数process_tile_row处理一行的时候，实际上是在循环外，预取第一个TILE，然后取下一个TILE，处理当前TILE，循环就执行完了。依赖性判断是，因为一个TILE是 8x8，最大支持一个Filter的Tap是17，这很容易算出来，中心点加上两翼8+8。无论是卷积核还是滤波器都没有这么大，7x7、9x9 就是极限了，一般是 3x3、5x5 就足够了。所以，这个判断比较简单，只需要看前面Filter的下一个TILE处理没有，没有处理就返回Fail，处理了就继续执行下去。

TILE格式下，一个TILE相当于原来的ROW的8行，Cache的消耗更大。一般来说，一个1080P单通道，在前面的流水线下，消耗是50 k。这个例子里只消耗50 k，这个应该远远超过大家的想象。我知道很多引擎在处理数据的时候，动辄消耗2、300 M的数据缓冲。如果设计这么一个引擎，只消耗了50 k的数据，那就是很惊人了。但实际上，这里有一个格式转换、输入输出转换，还最少需要2帧的缓冲。前面说过，（int数据类型的话）Cache算是50 k，但是数据类型有可能是浮点的、或者是int 32的，50x4 = 200 k就相对来说大一些，如果再乘8，就超过了L2的容量。那这个情况的处理很简单，在执行的时候，把数据分为多个TILE，现在把它叫作Segment。现在这一个Segment就是原来的四分之一，那么流水线的消耗自然也是四分之一，即压到了L2 Cache消耗范围内。这是一个很简单的变换操作。

03.算子

我们很快将TILE格式和流水线讲完了，下面进入第三部分。首先是算子合并。计算量非常小的算子的读取和写出的代价相对于计算来说是太大了。这里要做一个格式转换，比如int 8变成了int 32，float变成了int。比如简单的加减，甚至开方，有的软件模拟性的开方指令的计算量是比较大的，但是一般是硬件指令，这个Delay就很小。这种情况下，我们思路是，这个函数是一个加，执行就是一个循环，原来的算法是按行执行，这一行作为加写出。指令load a需要5个周期，load b需要5个周期，add只需要1个周期，写出store需要5个周期。效率确实很慢。实际上，如果load的时候，没有预取，那么周期可能就是50个或100个，这就是非常恶劣的情况，我们在很多工程代码里都看到。如果预取了，那么就是5个周期的损失。图的右边是一个开方函数，也进行了类似的操作，读取、计算，然后写出。那么，我们认为开方需要消耗6个周期。这里，我们进行三个计算，对a和b分别进行开方计算，再将a和b开方的结果加起来，那么指令的代价加起来是48。

那么我们重新选一个函数，把这些操作都合并了，简简单单写成一行代码。这种情况下，我们再看一下代价，load a和load b都是5，一共是27，这样快了一倍。这是很简单的思路。

类似的还有一个多通道。通常，卷积是8组、16组、32组。如果我们做一个卷积，比如用AVX512、DPBUSD，在3x3的情况下，是不对称的，所以均匀分布到3个向量里，占用每个向量的Slot里面的低3位。数据也是要同样进行组织，每个向量经过DPBUSD计算，执行三次得出SUM。同时还有其他的代价，如读入。所以要尽可能一次将所有卷积和全做完，因为排阵方式是有代价的。需要Swap重排，重排了之后最好把它放在寄存器中，一次用完。这里的例子是8个，卷积核可以认为是const数组，一次一个循环就全做完了。完成之后直接输出。

前面说的算子融合，我们可能会有一个问题。我们在做模型的时候，一个Element、一个运算，单独是一个函数，是一个静态的依次执行。如果合并的话，那么排列组合非常非常多。假设我们现在支持180种运算，里面至少有90种是合并的，这个排列组合就是天文数字了，静态引擎是不可能的。在读入模型的时候，为每个模型单独构建一个执行代码。从时机来说，构建分三种。第一，在开发端上，比如用Mac笔记本，或者用服务器来编译的时候，直接生成一个SO，发行的时候把SO导到APK里面去。第二种，我们把模型放在端上，譬如手机端用ARM CPU来执行编译过程，将源代码算子合并，最后调用LLVM编译器，生成优化代码，让ARM CPU来完成。第三种，是在Device上完成，OpenCL就是在GPU上编译的，在DSP上也是可以的，实际上，这完全看你自己的选择。从安全性角度来说，我们才需要区分Host和Device，否则Host就可以了。但是，这里有一个问题，因为大家都用过OpenCL，在端上需要编译代码，编译代码的时间实际上比较长，一般是几百毫秒。一般我们在做A/B实验的时候，APP启动多出来几百毫秒，这是比较致命的。如果你觉得这个比较费劲，那么还有另一种办法。第二条我建议的是，优化好的二进制不需要用编译器来编译了，直接把每个算子变成二进制unsigned char数据，然后在运行前根据模型把这些算子unsigned char数据直接拼起来，这时候就不需要优化过程。假设拼接代码优化水平很高的话，拼接代价是可以忽略的，一般拼接速度快到千分之一秒。

04.算子旁路优化

接下来是算子旁路优化。前面首先讲的是如何让Cache利用率更高，功耗更低，然后是让算子执行效率更高，但是算子本身并没有进行算法优化。旁路优化有一个基本原则。一方面是处理的简单特征，梯度方向，当前8*8的块分为两部分区域，梯形的一个Edge，这些特征可以通过简单快速算法获取，不需要比较复杂的模型，性价比比较高。另一方面，复杂特征想要进行计算，只有用深度方法。这两方面是相辅相成的，在一定条件下，它们可以互换，快速算法可以替换深度算法。也就是说，某些数据块用简单算法的输出，误差可以接受，或者是零误差，那么局部替换就是可行的，即一块变化了，整个网络输出不会受影响。一般来说，判断替换需要一个算法。比如运动向量，残差是否是0，预判算法都是有代价的，代价比收益要低很多才行。如果替换了之后，速度提升了3倍，同时有百分之十的代价，那么这两部分比较，收益还是比较大的。否则，这件事就不用做了。我有一个亲身经历，对一个算法做了纹理复杂性的预判，用TV（Totally Variance）方法，但实现有问题。比如一个720的图需要判断其代价是36ms，如果算法不进行任何旁路全走一遍，在36 ms内也走完了，而经过预判后，速度反而更慢了。

接下来我们看看纹理复杂度分析。常规复杂度实际上也是一个TV算法，但是它的实现方式可以非常快，代价没有多大。比如一个8x8的块，首先要判断它是平坦的，算一个平均值avg。如果它是一个平坦块，每个点跟平均值的方差，或者等价的abs，代价小于一个值或者就是0，那么纹理就是平坦的。这样做的好处是，比如一个卷积运算，每个点需要做一个乘法，但在平坦情况下，它会退化，avg值都是一样的，所以提出来之后，等号右边的参数和就变成一个常量，o(n * * 2)或者o(n * * 3)的运算退化为o(1)了。当然还有其他更复杂的情况，思路是类似的，先要判断，在旁路成立的情况下进行等价替换。我们看看下面的例子：梯度方向的判断，就是在一个方向上进行TV运算。比如在45度的方向取了8个点，8个点跟平均值的方差非常小，或者是0，这个方向显然是一个边界。也可以计算多个方向的梯度，用Sobel算子、拉普拉斯算子，但是从可靠性角度来说，还是推荐用TV的方法。

平坦性纹理可以有一个很明显的退化。跟它类似的还有一个明显的o(1)的退化，即运动补偿。编解码只有一个像素补偿，但是深度推理引擎必须各个环节都做，不能因为像素复制了，周围的网络中间数据就不计算了，网络输出就不等价了。所以在各个层次上都需要做足运动补偿。第一个是像素补偿。两个数据块残差为0，我们对这两个块分别做滤波器处理，可以认为这两个块的结果也是残差为0。做完F(b0)后，F(b1)就不用做了，直接复制过来就可以了。这实际上也是o(1)的操作。第二个是卷积补偿。卷积有中间输出结果，如果只是做了运动补偿，中间数据空了，那么卷积像素是有依赖的，网络的输出结果就不正常了，所以，卷积的中间结果也就是等价滤波器的中间结果，也需要进行运动补偿。同时输出的重要中间数据，比如featuremap，也需要补偿。这些补偿都是有代价的，要估算一下复制的代价，或者直接硬算的代价。一般来说，在PC上，或者没有功耗压力、带宽比较高的情况下，运动补偿的收益是非常大的。在移动平台上，如果是内存总线非常慢的情况下，要衡量一下替换多复杂的滤波器。一般有一个平衡点，过了平衡点就是有收益的，如果不到的话，那么运动补偿就是失败的。

05.快速运动估计

下面进入到最后一部分，我们介绍快速运动估计。运动补偿都需要一个Block Match的过程，或者是光流，每一个像素都需要一个运动向量，一般我们就使用8x8块的运动向量。通常，我们的算法跟解码器相结合，可以获得一个运动向量，但是编解码的时候都是有残差的，这可能对你的算法的干扰非常大，导致大多数情况的运动向量并不能使用。这种情况下，你需要自己获取这个运动向量。如果是常见的编码器上的运动估计，代价是特别庞大的，会比你本身的深度算法还要慢，所以没有必要用这种方法来获取。但是，近年来涌现了一些快速算法，就是快速运动估计，这个算法有几个特征。第一，跟原来算法都使用一个大的搜索窗口相比，快速算法窗口上有初始化的预测运动向量，因为这个预测运动向量的存在，窗口可以变得很小。我们假设匹配的目标如上图所示，原来没有优化过的搜索算法要使用一个很大的搜索窗口，而快速算法有了预测向量后，窗口可以做得很小，即搜索次数很小，就可以收敛了。因为预测向量是通过不同渠道获取的，它不一定符合，它有各种变化，跟像素的复制不一样，向量不能直接用，你要重新执行搜索过程，但是这个搜索比没有预测的窗口要快得多。

那么，预测向量如何获取呢？我们假设有一个序列，从frame0到frame1，mv1已经通过了搜索的方式获取了。我们可以预测，比如从frame0到frame2做一次搜索，那么就可以认为当前这个块是匀速运动的，那就把这个运动向量引申到frame2上，mv2就是很简单，mv1乘以2就可以了，在此基础上确定这个窗口，再重新进行搜索。但是，还有其他的方法，比如反向搜索，从frame1到frame0。这个点所在的Block就可以用这个运动向量，运动向量反向指向frame0的搜索，同时frame2也是可以用的，也可以反向进行。可能性很多，在新版本VVC里应该有类似的算法，这并不复杂。

接下来是第二种获取方法，即Ankor（锚）。什么是Ankor？如图中所示，数据分了很多TILE，但不是所有的TILE都进行搜索，我们只搜索隔行隔列，是总数的四分之一，再将这四分之一的TILE作为Ankor，进行运动搜索。剩下的四分之三，就使用临近的Ankor获得的运动向量作为预测向量。不同的体系结构，Ankor的选取和执行顺序有变化。比如是GPU，那么Ankor之间没有时间依赖，同时搜索就可以了。如果是DSP CPU，可以用raster scan，那么下一个Ankor可以用前一个Ankor，这样就更快些。如果是并行，也没有任何问题，四分之一数量Block搜索的代价比较小。

接下来还有一个问题，失败的可能性有两种。第一，预测的基本向量方向不对。第二，窗口不够大。这两种情况都可能造成Ankor搜索失败。一般，我们不会放大窗口，或者原地转圈换方向的操作，而是在低分辨率上进行完全一样的搜索，就是搜索算法不变。但是因为分辨率是四分之一，实际上等价窗口是2x2，在低分辨率的TILE进行搜索，把运动向量乘以2，就作为当前TILE的初始化。我们获得新的窗口，避免使用速度比较慢的较大的搜索窗口。实际上，可以将其看作是2级的金字塔，更复杂的会有3级。但因为我们有三种预测方法，那么3级的收益就不是很大了，用2级就可以了。

最后一点是搜索。我们现在有运动向量，有窗口了，那么搜索怎么进行呢？传统的raster scan就是一行一行地搜索，16x16的结构，要搜索256次，这显然是不可以接受的。我们引出了下山法搜索，用变步长。第一次步长是4。比如16x16的窗口下，搜索13个点的菱形，第一次搜索13个点，然后用残差最小的点作为新的方向。第二次换成步长2，就是蓝色的区域变成新的搜索窗口，如果得到一个非常荒唐的结果那就失败了。如果残差继续缩小，步长换为1，就是绿色的窗口，最后输出最小残差的运动向量。

06.优化收益数据

到此为止，快速的运动估计就介绍完了。前面讲了三种优化方法，更多方法这次没有讨论。一般这三种优化方法都做的话，会得到一个很明显的收益。比如，第一种方法有3倍收益，第二种方法也有3倍收益，第三种方法有4倍收益。如图所示，这里举了两个例子。第一个是超分辨率。如果是用传统的420格式，AVX2指令优化，那就不到200 fps。因为这个算法是面向移动端的。如果在PC上，数据是比较吓人的。但是优化之后，比如使用了TILE格式，没有使用纹理分析运动补偿的情况下，速度非常快，到1000 fps以上。那么，再进一步，把纹理分析、旁路分析都加入的时候，速度又拔升了百分之四十到百分之六十。第二个例子是传统算法VBM3D，它的收益也很夸张，因为我们用了快速运动估计算法。它的主要运算都是在Block Match上，我们把Block Match进行加速之后，收益非常明显。如果是420格式下，网上的开源实现，用5帧序列，AVX2优化，1080的数据的性能是1 fps，如果是8x8 AVX512，那么就是超过100 fps。如果是加上Early Skip 模式，跟运动补偿不一样，这个不是运动参考的方式。这个模式是指进行DCT三维变换的时候，某些情况下可以超前处理一部分数据。Early Skip也会产生1倍的收益，最终在1080p上达到220 fps。这基本上认为已经达到实时的程度。一个非常缓慢的1 fps的视频算法，提升到220 fps，就是从离线场景进入到实时场景这个过程。

今天的分享就是这些内容。谢谢大家。