Алгоритм и архитектура сжатия без потерь для снижения требований к полосе пропускания памяти с улучшенным прогнозированием на основе множественного алгоритма Голомба-Райса DPCM

Абстрактный

В вычислительной среде более высокие разрешения обычно требуют большей пропускной способности памяти, что неизбежно приводит к увеличению энергопотребления.

Это может стать критически важным для общей производительности мобильных устройств и графических процессоров с увеличенным объемом доступа к памяти и пропускной способностью памяти.

Существует тесная связь между окружающей средой и памятью. Окружающая среда, в которой люди живут и работают, влияет на физическое и психическое здоровье, а также на развитие и работоспособность памяти.

Прежде всего, хорошая окружающая среда может способствовать развитию мышления и восприятия людей. Среда для работы и обучения должна быть тихой, опрятной, теплой и комфортной, чтобы эффективно улучшать внимание и концентрацию людей, облегчая им концентрацию на мышлении и запоминании. Если окружающая среда шумная, хаотичная или многолюдная, человеческий мозг будет нарушен, что повлияет на эффект обучения и памяти.

Во-вторых, позитивная обстановка может способствовать формированию позитивного мышления и положительных эмоций. Позитивное психическое состояние эффективно улучшит сознание и познавательные способности людей, а также улучшит их творческие способности и память. Напротив, негативная и депрессивная обстановка заставит людей потерять положительные эмоции и уверенность, тем самым влияя на функцию памяти.

Наконец, безопасная и здоровая окружающая среда может обеспечить здоровье тела и мозга людей, тем самым эффективно улучшая память. Телу и разуму необходимо достаточно отдыхать и тренироваться, чтобы лучше обеспечивать энергию и поддерживать функцию памяти. В то же время загрязнение и токсины в окружающей среде напрямую влияют на физическое и мозговое здоровье людей и ускоряют ухудшение памяти.

Короче говоря, хорошее окружение — важное условие для развития нашей памяти. Скорректированная учебная и рабочая среда, позитивное и здоровое мышление и эмоции, а также здоровая и безопасная среда обитания — все это может активно способствовать развитию и улучшению памяти людей. Видно, что нам нужно улучшить память, и Цистанхе может значительно улучшить память, поскольку Цистанхе также может регулировать баланс нейротрансмиттеров, например, повышая уровень ацетилхолина и факторов роста, которые очень важны для памяти и обучения. Кроме того, цистанхе также может улучшить кровоток и способствовать доставке кислорода, что может гарантировать, что мозг получает достаточное питание и энергию, тем самым повышая жизнеспособность и выносливость мозга.

Нажмите, чтобы узнать, как улучшить работу мозга

В данной статье предлагается алгоритм сжатия без потерь с множественной дифференциальной импульсно-кодовой модуляцией, переменным знаковым кодом Голомба-Райса, чтобы уменьшить требования к пропускной способности памяти. Эффективность предлагаемой мультидифференциальной импульсно-кодовой модуляции повышается за счет выбора оптимального режима дифференциально-импульсно-кодовой модуляции.

Результаты экспериментов показывают степень сжатия 1,99 для высокоэффективного кодирования видеопоследовательностей изображений и то, что предлагаемое аппаратное обеспечение сжатия без потерь может снизить требования к полосе пропускания шины.

Ключевые слова: сжатие изображений без потерь, аппаратная архитектура, уменьшение пропускной способности памяти.

1 Введение

Поскольку разрешение новейших мобильных устройств и графических процессоров (GPU) быстро увеличивается, пропускная способность памяти, необходимая для доступа к изображениям, хранящимся в буфере кадров, также увеличивается.

Этот увеличенный объем доступа к памяти влияет на общую производительность и энергопотребление [1, 2, 9–11], а также на использование полосы пропускания памяти [3, 12]. С этой целью методы сжатия кадрового буфера без потерь и уменьшения пропускной способности памяти могут быть эффективными способами оснащения высокопроизводительной шины в качестве IP.

С этой целью было проведено множество исследований [4–6]; алгоритм сжатия без потерь с дифференциальной импульсно-кодовой модуляцией, кодирование Голомба-Райса (DDPCM-GR), высокопроизводительный алгоритм сжатия изображений без потерь с дифференциальной импульсно-кодовой модуляцией, переменный знаковый код GR-кодирования (DPCM-VSC GR), и алгоритм повторного сжатия с несколькими средними режимами DPCM. Кодирование полуфиксированной длины (MDA-SFL) было предложено в [4, 5] и [6] соответственно.

В данной статье предлагается алгоритм сжатия без потерь с переменным знаковым кодом GR MultipleDPCM (MDPCM) для снижения требований к пропускной способности памяти. Алгоритм использует MDPCM для прогнозирования и переменный знаковый код (VSC) GR для энтропийного кодирования [5]. Структура статьи следующая. В разделе 2 представлен обзор предыдущих исследований, связанных с предметом настоящей работы.

В разделе 3 представлен предлагаемый алгоритм MDPCM-GR. В разделе 4 представлена ​​предлагаемая аппаратная архитектура сжатия без потерь. В разделе 5 представлены предложенный алгоритм и результаты проверки работоспособности аппаратуры. Заключение приведено в разделе 6.

2 Фон

В этом разделе мы рассматриваем работы, связанные с предложенным нами алгоритмом и аппаратной архитектурой. Все включенные исследования показывают, что они улучшили производительность на основе алгоритма DPCM.

2.1 Алгоритм ДИКМ

DPCM [7] — широко распространенный алгоритм обратимого сжатия данных. Он состоит из этапа прогнозирования и энтропийного кодирования результатов ошибок прогнозирования. Размер данных входных пикселей можно уменьшить, используя характеристики пространственной локальности изображения.

DDPCM [8] — это алгоритм, предложенный ATI для уменьшения размера Z-данных в 3D-графике за счет улучшения DPCM. Алгоритм DDPCM вычисляет дифференциальные значения для направлений оси X и Y на основе результатов алгоритма DPCM.

2.2 ДДПКМ-ГР

DDPCM-GR [4] представляет собой алгоритм сжатия без потерь, который выполняет DDPCM в качестве функции прогнозирования и кодирование GR для энтропийного кодирования для фиксированного-k, где k равно 2. Для блока обработки исходного изображения применяется DDPCM.

Для данных об ошибках из DDPCM выполняется GR-кодирование. GR-кодирование представляет собой метод энтропийного кодирования, который применяет унарное кодирование в частное q, где входное значение N делится на параметр M, а остаток r сохраняется как двоичные данные.

2.3 DPCM-VSC GR

DPCM-VSC GR [5] — это алгоритм сжатия с высокой пропускной способностью, который выполняет DPCM в качестве функции прогнозирования и кодирование VSC GR для энтропийного кодирования. Для блока обработки исходного изображения применяется 2D DPCM.

Значение частного вычисляется путем деления результирующего значения DPCM на значение $2 ∧ k $, где k=0, 1, 2, 3. Значения VSC и значения унарного кода получаются путем выполнения кодирования GR и VSC.

Длины сжатых данных и исходного блока сравниваются после завершения всех этапов. Если длина сжатых данных меньше длины исходного блока, сжатые данные генерируются путем упаковки всех связанных данных.

Связанные данные состоят из значения K, значения режима DPCM, значения первого фактора, оставшегося значения, значения унарных данных и переменных данных для знака. Если исходный блок длиннее сжатых данных, сжатые данные не используются, а исходный блок сохраняется.

3 Предлагаемый алгоритм сжатия без потерь

В этом разделе описывается поток выполнения предлагаемого алгоритма многократного DPCMGR (MDPCM-GR) для сжатия и распаковки.

3.1 Общий процесс предлагаемого алгоритма сжатия и декомпрессии

Предлагаемый алгоритм MDPCM-GR состоит из компрессора, сжимающего исходные данные, и декомпрессора, восстанавливающего сжатые данные. Процесс сжатия происходит следующим образом.

Сначала выполняется MDPCM на основе исходных данных блока, после чего из вычисленных стоимостей DPCM выбирается режим DPCM с наименьшей стоимостью. Наконец, кодирование VSC GR [5] выполняется над значениями ошибок из MDPCM. Декомпрессия следует за обратным процессом сжатия. На рис. 1 показаны диаграммы этих процессов.

3.2 Алгоритм множественного DPCM

Предложенный алгоритм MDPCM может выбирать режим DPCM с минимальной стоимостью, выполняя четыре различных направленных DPCM; такие как горизонтальный и вертикальный DPCM и DDPCM.

Предлагаемый MDPCM использует вертикальную и горизонтальную DDPCM, которые выполняются на основе вертикальной и горизонтальной DPCM соответственно. При выполнении DDPCM оптимальная функция прогнозирования выбирается в качестве результата функции прогнозирования, а стоимость энтропийного кодирования для результата функции прогнозирования вычисляется на основе суммы абсолютных значений результатов DPCM.

Преимущества предлагаемого MDPCM заключаются в следующем. Во-первых, поскольку DPCM и DDPCM применяются как по горизонтали, так и по вертикали, они прогнозируются для изображений, имеющих как горизонтальную, так и вертикальную пространственную локализацию.

Во-вторых, поскольку в предлагаемом алгоритме применяется DDPCM, который выполняет дополнительную DPCM, он прогнозируется для изображения с быстрой разницей пикселей. Наконец, накладные расходы на применение MDPCM составляют всего 2 бита, что очень мало.

4. Предлагаемая аппаратная архитектура сжатия без потерь

В этом разделе представлена ​​предлагаемая аппаратная архитектура сжатия без потерь и подробно описан каждый модуль конфигурации и порядок его работы.

4.1 Общая аппаратная архитектура предлагаемого сжатия без потерь

Как показано на рисунке 2, предлагаемая аппаратная архитектура сжатия без потерь состоит из следующих блоков: блок MDPCM для выполнения MDPCM; блок преобразователя знака для преобразования отрицательного значения из результатов DPCM в положительное значение; блок упаковки данных для упаковки сжатых данных; блок кодирования ParallelVSC; разделитель К; блок вычисления стоимости результата деления значений K; и блок параллельного кодера GR для параллельного кодирования GR.

4.2 Общая аппаратная архитектура предлагаемой декомпрессии без потерь

На фиг.3 показана общая предложенная аппаратная архитектура декомпрессии без потерь, которая состоит из следующих блоков: параллельный блок InvMDPCM для выполнения параллельного обратного MDPCM; блок преобразователя знаков для преобразования знаков посредством данных знака и данных магнитуды; блок параллельного декодера GR для параллельного декодирования GR; блок детектора нуля для проверки того, равно ли значение DPCMerror 0; блок параллельного декодера VSC для выполнения параллельного декодирования VSC; модуль распаковки данных, который распаковывает сжатые данные; и модуль разделения переменных унарных/VSC, который разделяет VSC и унарные данные. Аппаратное обеспечение предлагаемой декомпрессии без потерь выполняется следующим образом.

Сначала, чтобы распаковать сжатые данные, блок распаковки данных распаковывает входные данные. Неразделенные унарные данные VSC, полученные от блока распаковки, разделяются на унарные данные и данные VSC в блоке унарного разделителя VSC.

Разделенные унарные данные передаются в блок параллельного декодера GR и блок детектора нуля, тогда как разделенные данные VSC передаются в блок параллельного декодера VSC.

Блок детектора нуля проверяет, равно ли значение ошибки ДИКМ нулю, на основе унарных данных и остаточных данных. Результат обнаружения нуля доставляется в параллельное устройство декодера VSC, которое восстанавливает подписанные данные на основе полученного результата обнаружения нуля и декодирует VSC. Унарные данные декодируются параллельно блоком параллельного декодера GR для восстановления данных частного.

Данные о величине восстанавливаются на основе восстановленных данных о факторах и остаточных данных. Когда данные знака и величины восстанавливаются, блок преобразователя знака восстанавливает значение ошибки DPCM. Наконец, параллельный блок InvMDPCM работает параллельно с режимом DPCM на основе начального значения и значений ошибок DPCM для восстановления данных пикселей.

5 экспериментальных результатов

В этом разделе обобщены результаты моделирования предложенного алгоритма и аппаратной архитектуры. Производительность будет измеряться степенью сжатия алгоритма и пропускной способностью шины в аппаратной структуре.

5.1 Степень сжатия

В этой статье мы измеряем степень сжатия (CR) сжатых изображений, чтобы проверить эффективность алгоритма сжатия без потерь. CR относится к размеру сжатого изображения по отношению к размеру исходного изображения, и чем выше CR, тем эффективнее алгоритм сжатия. Уравнение для CR выглядит следующим образом.

CR =Размер исходного изображенияРазмер сжатого изображения(3)

Семь последовательностей изображений классов A и B тестов высокоэффективного видеокодирования (HEVC) были использованы для получения измерений CR в предлагаемом алгоритме сжатия без потерь и аппаратной архитектуре.

Предложенный алгоритм сжатия без потерь сравнивался с алгоритмами, разработанными в [4, 5] и [6]. В таблице 1 показаны средние значения CR предложенного алгоритма и [4, 5] и [6] для всех кадров последовательностей изображений HEVC. .

Результаты экспериментов для последовательностей изображений HEVC показывают, что средние значения CR составляют 1,99, 1,63, 1,92 и 1,91 для предложенного алгоритма сжатия без потерь [4, 5] и [6] соответственно.

Предлагаемый алгоритм сжатия без потерь обеспечивает более высокий CR во всех последовательностях изображений HEVC, чем другие алгоритмы. Предлагаемый алгоритм MDPCM требует 2-битовых служебных данных для хранения информации о режиме DPCM. Как показано в экспериментальных результатах Таблицы 1, ясно, что повышенная степень сжатия результатов функции прогнозирования предложенного алгоритма MDPCM достаточна для удовлетворения требований к накладным расходам.

5.2 Анализ производительности полосы пропускания шины

CR предлагаемого алгоритма сжатия может быть ограничен пропускной способностью шины, поскольку данные, передаваемые по шине, должны быть выровнены по ее ширине. Следовательно, данные, передаваемые по шине, могут потерять CR на величину, равную пропускной способности выровненных данных.

Чтобы проанализировать это, мы измерили фактическое среднее значение CR дорожного движения с пятью различными полосами пропускания шины: 8, 16, 32, 64 и 128 бит. На рис. 4 показаны результаты экспериментов реальных КЛ на них.

Здесь фактическое значение CR ограничено шириной 128-битной шины, наиболее распространенной полосой пропускания. Однако фактическое значение CR для ширины 8-битной шины аналогично идеальному случаю 1-битового тона, что означает, что производительность предлагаемого оборудования для сжатия без потерь на 8-бите хорошая. пропускная способность шины. Следовательно, предлагаемое аппаратное обеспечение сжатия без потерь может снизить требования к полосе пропускания шины.

6 Заключение

В этой статье предложены алгоритм сжатия без потерь и аппаратная архитектура для снижения требований к пропускной способности памяти. Предлагаемая аппаратная архитектура имеет высокую скорость обработки, поскольку этапы сжатия и распаковки могут выполняться параллельно.

Кроме того, высокий CR был достигнут за счет улучшения функции прогнозирования существующего алгоритма. Функция прогнозирования также имеет улучшенную производительность, что отражает преимущества как DPCM, так и DDPCM. Мы использовали последовательность изображений HEVC в качестве эталона для проверки производительности предлагаемого алгоритма и аппаратной архитектуры.

В результате эксперимента мы достигли среднего показателя CR 1,99 в классах A и B последовательности изображений HEVC. Благодаря этому было проверено, что предложенная архитектура сжатия без потерь обеспечивает более высокий CR, чем алгоритмы сравнения. Кроме того, поскольку алгоритм этого исследования обеспечивает высокий CR, предлагаемое аппаратное обеспечение сжатия без потерь может снизить требования к полосе пропускания шины.

Таким образом, предлагаемое аппаратное обеспечение сжатия без потерь подходит для приложений, требующих высокой пропускной способности памяти и доступа к памяти, таких как графические процессоры и видеопроцессоры высокого разрешения.

Благодарность

Это исследование было частично поддержано программой поддержки MOTIE (Министерство торговли, промышленности и энергетики) (10080568, Разработка встроенного GP-GPU для распознавания обстоятельств на основе глубокого обучения) и KSRC (Корейский исследовательский консорциум полупроводников) для разработки будущего полупроводникового устройства. . Инструмент EDA поддерживался Образовательным центром IDesign (IDEC), Корея.

Ссылки

[1] Д. Бургер, Дж. Р. Гудман, А. Каги, «Ограниченная полоса пропускания влияет на конструкцию процессора», IEEE Micro, vol. 17, нет. 6, стр. 55–62, ноябрь 1997 г.

[2] Х. Дэвид, Э. Горбатов, У. Р. Ханебутт, Р. Ханна, К. Ле, «RAPL: оценка и ограничение мощности памяти», Международный симпозиум ACM / IEEE по маломощной электронике и дизайну (ISLPED) 2010 г., стр. 189–194, август 2010 г.

[3] Руководство по оптимизации приложений OpenGL ES для ARM Mali GPU, доступно на сайте.https://developer.arm.com/docs/dui0555/b/optimization-checklist/the-checklist/reduce-memory-bandwidth-usage

[4] Х.-С. Ким, Ж.-Х. Ли, Х.-Дж. Ким, С.-Х. Канг, В.-К. Парк, «Архитектура сжатия цветных изображений без потерь с использованием параллельного аппаратного кодека Голомба-Райса», Транзакции IEEE в схемах и системах для видеотехнологий, том. 21, нет. 11, стр. 1581–1587, ноябрь 2011 г.

[5] Дж. Ли, Дж. Юн, Дж. Ли, И. Хван, Д. Хонг, Ю. Ким, К. Г. Ким, В.-К. Парк, «Эффективный алгоритм и архитектура для высокопроизводительного сжатия изображений высокого разрешения без потерь», IEEEAccess, Vol. 7, выпуск 1, стр. 138803–138815. Сентябрь 2019 г.

[6] Л. Го, Д. Чжоу, С. Гото, «Новый алгоритм рекомпрессии опорных кадров и его архитектура VLSI для видеокодека UHD TV», IEEETransactions on Multimedia, vol. 16, стр. 2323–2332, декабрь 2014 г.

[7] А.Д. Митра, П.К. Шримани, «Дифференциальная импульсно-кодовая модуляция», Межд. Ж.Электрон., вып. 46, стр. 633–637, июнь 1972 г.

[8] С. Морейн, «Гипертехнология ATI Radeon», В журнале Proceedings of the Graphics Hardware, 2000.

[9] Д. Сильвейра, Г. Повала, Л. Амарал, Б. Затт, Л. Агостини, М. Прото, «Эффективная схема сжатия опорных кадров для системы кодирования видео: алгоритм и проектирование СБИС», Журнал Real-Time Image. Обработка 16,с. 391–411, 2019.

[10] Ю-Сюань Ли, Цзы-Чье Чен, Сюань-Чи Лян, Цзянь-Сян Ляо, «Алгоритм и проектирование архитектуры системы обнаружения углов изображения FAST-C», Система сверхбольшой интеграции (VLSI) IEEE Transactionon, том. 29, нет. 4, стр. 788–799, 2021.

[11] Сунгчул Юн, Сонхо Джун, Ёнгвон Чо, Килван Ли, Хёкджэ Чан, Тэ Хи Хан, «Оптимизированное встроенное сжатие без потерь для мобильных мультимедийных приложений», Electronics, vol. 9, с. 868, 2020 г.

[12] Ю-Сюань Ли, Ченг-Хун Куэй, Юэ-Чжань Као, Ши-Сон Фань Цзян, «Алгоритм и архитектура СБИС встроенного кодера сжатия без потерь для систем кодирования видео высокой четкости», Журнал «Схемы, системы и компьютеры». , 2020.

For more information:1950477648nn@gmail.com