A NOVEL INTEGER-PIXEL MOTION ESTIMATION ALGORITHM BASED ON QUADRATIC
PREDICTION（整像素搜索过程的优化工作）
这篇论文是一种基于二次预测的新型整数像素运动估计算法
利用当前搜索范围中某个位置的有限像素来构建二次模型，然后通过分析绝对差之和（SAD）分布来重复缩小搜索范围，直到获得最佳运动矢量（MV）。 所提出的算法可以应用于各种编码条件。 实验结果表明，与TZSearch方案相比，我们的方法可以节省56％的计算，编码质量的降低可以忽略不计。
在论文的研究中，测试了几个视频序列的绝对差值和（SAD）分布之和，并展示了图2中的典型值。 在分布图中，具有最小SAD的点是我们正在寻找的最佳MV，并且当搜索点接近该点时，表面变得更平滑并且更适合连续表面。 因此，我们可以计算最小点的生成范围，并建立连续曲面的二次模型来预测最优MV的坐标。
采用5参数的二次模型：
F（x，y）的值是具有坐标（x，y）的相关像素的SAD，并且假设该函数在搜索范围内是连续的。 要确定的五个参数α，β，γ，δ，ε直接影响误差表面。 我们选择五个点A（0,0），B（r/ 2,0），C（r / 2,0），D（0，r/ 2），E（0，r / 2） 当前搜索窗口如图3所示，其中r代表搜索范围。 将五个点的坐标和SAD插入二次函数可以生成五个参数。 为了便于计算，我们将它们的虚拟坐标（xi，yi）分配为（0,0），（ - 1,0），（1,0）（0，-1），（0,1）并简化函数 如公式2所示。
基于连续假设，可以分别用x和y对F（x，y）执行等式3中的微分运算。 微分等于0的最佳点（xb，yb）是具有最小误差的MV。 求解方程3，我们可以得到坐标（xb，yb），如公式4所示。
最终MV是（xb，yb）乘以搜索范围的一半的乘积，因为已经简化了前一计算中的坐标。
HM，默认情况下，搜索范围被指定为64.基于模型的预测不能很好地执行，因为范围太大。为了缓解这个问题，我们不止一次地建立了二次模型。图3显示了我们提出的算法的实现。第一次搜索：我们利用5点A，B，C，D，E构建二次模型以获得一般的MV AA'。第二次搜索：我们分配计算出的MV以上作为当前搜索窗口的中心点，将搜索范围缩小到一半，并利用点A'，B'，C'，D'，E'构建二次模型以获得MV A'A'' 。重复该过程直到预测的MV等于上次计算的MV，或者搜索范围缩小到8.该方案可以被视为提前终止，因为当预测满足上述条件时MV应该足够准确。最终搜索：我们通过搜索最终MV周围的8个像素来优化过程，以使我们的预测更准确。
在我们的预测中，二次模型最多建立4次，每次计算5个点的SAD。我们最多搜索29个点，这比TZSearch显着少，因此可以节省大量的计算。我们收集了几个视频序列的统计数据，并显示了我们的算法和图4中的TZSearch之间的搜索点数量的比较。从图4中，我们发现与TZSearch相比，我们的算法显着减少了搜索点的数量，尤其是视频内容中的运动非常激烈。例如，当编解码器编码序列RaceHorses时，TZSearch将平均每个块搜索180个以上的点，而我们的算法仅搜索其中的七分之一。
论文测试了从A类到E类的推荐序列，其量化参数为27,32,37和42，至少为150帧。 搜索范围固定为64，最大CU大小等于64，最大CU分区设置为4.表1是我们提出的算法与HM 14.0中采用的默认TZSearch算法之间的性能比较。 表中的BD速率（BDR）和BD-PSNR（BDP）是根据Bjontegaard度量[13]计算出来的，表示速率失真性能的平均差异。 节省时间（TS）定义为等式5，其中TimeHM和Timepro表示时间的编码时间
ME过程利用TZSearch和我们的算法。
提出了一种基于二次模型的快速整像素ME算法，用于确定最优MV。 我们重复使用二次函数来缩小搜索范围并获得最佳MV的最终坐标。 实验结果表明，该方法可以减少近56％的传统模式搜索算法的计算，质量下降可以忽略不计。 图5.算法的RD曲线