GTC 2024 | 使用NVIDIA GPU和VMAF-CUDA计算视频质量

来源：GTC 2024 演讲题目：VMAF CUDA: Running at Transcode Speed 主讲人：Cem Moluluo，Jorge Estrada 视频链接：https://www.nvidia.com/en-us/on-demand/session/gtc24-s62417/ 博客链接：https://developer.nvidia.com/blog/calculating-video-quality-using-nvidia-gpus-and-vmaf-cuda/ 内容整理：阳浩宁 VMAF（视频多方法评估融合）已成为视频质量评估领域的一个著名标准，与 PSNR 和 SSIM 等传统指标相比，它更接近人类的感知。该质量衡量标准由 Netflix 开发，目前仍作为开源项目由 Netflix 维护。通过 NVIDIA 开源的 CUDA 加速 VMAF，延迟时间可以缩短 50 倍，为优化实时转码的 VMAF 铺平了道路，同时与基于 CPU 的解决方案相比，在功耗和成本方面也具有显著优势。NVIDIA GPU 配备了编码（NVenc）和解码（NVdec）专用硬件。对于 Snap 而言，CUDA 加速的 VMAF 可通过 NVdec 实现完全基于 GPU 的流水线，从而大大降低云实例的成本。除了节省约 50% 的计算成本外，Snap 现在还将 HEVC NVenc 与 CUDA 加速的 VMAF 结合使用，为其记忆功能提供了一种经济高效的转码、分析输出质量和根据 VMAF 调整编码选项的方法。

VMAF简介

传统的视频质量评价指标包括 PSNR 和 SSIM 等。而 VMAF 由 Netflix于 2017 年提出，是一种全参考的视频质量评价指标，分数范围由 0 到 100，越高代表质量越好。VMAF 试图准确地捕捉人类的感知，将人类视觉建模与不断发展的机器学习技术相结合，使其能够适应新的内容，在与人类视觉感知保持一致方面表现出色。VMAF 现在已经被 Netflix，Snap，V-Nova等公司采用。

VMAF-CPU

图1展示了 VMAF 在 CPU 上的实现方式。VMAF 使用参考图像和失真图像的几个关键指标来衡量视频质量，包括：（1）视觉信息保真度（VIF）：量化原始内容的保存情况，反映感知到的信息损失 （2）加性失真测量（ADM）：评估结构变化和纹理退化。它对噪音等加性失真特别敏感。（3）运动特征：对评估动态场景中的运动渲染质量至关重要。

图1 VMAF-CPU实现方式

这些指标被用作支持向量机（SVM）回归器的输入特征，该回归器对这些指标进行整合，计算出最终的 VMAF 分数。这种方法可确保全面、准确地反映人眼感知到的视频质量。VIF 和 ADM 等特征提取器不需要任何先验信息，它们只需要一个参考帧和一个失真帧作为输入。与其他两种不同的是，运动特征的提取还需要之前运动特征提取器迭代的信息（即具有帧间依赖性）。在 CPU 上计算 VMAF 时，可以将每幅图像的上述特征计算分配给多个线程。因此，VMAF 计算可以从更多的 CPU 内核中获益。在 CPU 上计算 VMAF 分数取决于必须提取的最慢特征。此外，运动特征得分的计算与时间有关，因此不能使用多线程。因此，每帧的 VMAF 分数延迟与可使用的线程数无关。性能分析表明，VIF 通常需要更多时间来计算，因此成为主要的限制。不过，线程数量越多，以 FPS 为单位的 VMAF 的吞吐量就越大。

图2 VMAF并行计算示意图

VMAF-CUDA

VMAF 的 CUDA 实现中为特征提取器设置了 CUDA 核心，并针对 GPU 进行了优化，计算流程也从为特定的特征提取器分配部分 GPU 计算资源以进行并发计算改成了为每个特征分配整个 GPU 计算资源并按顺序进行计算，如图3所示。此外，VMAF-CUDA还引入了帧并行计算，CUDA 核心数会随着帧的分辨率增高而增多。

图3 VMAF-CUDA实现方式

使用 CUDA 计算时，输入图像可以位于 CPU 或 GPU 上。CPU 上的图像在计算时会被迅速上传至 GPU，而 GPU 上的图像可从 NVENC/NVDEC 或 CUDA 内核等来源获得。整个 GPU 实现包括特征提取器的计算和进出 GPU 的内存传输，它相对于 CPU 异步工作，只需要一个线程来运行。VMAF-CUDA 可以作为 VMAF-CPU 即插即用的替代。在实际的计算过程中，单个流程并不会占用全部的 GPU 资源，因此可以同时执行这些操作，更有效地利用资源。

图4 VMAF-CUDA的GPU使用情况

VMAF-CUDA 还可以加速 PSNR 计算。VMAF 和 PSNR 通常同时计算。我们的研究表明，如果 PSNR 与 VMAF-CUDA 一起在 CPU 上运行，那么 PSNR 将成为瓶颈，因为它需要通过 PCIe 总线从 GPU 内存中获取解码图像。PCIe 传输速度有限，会严重影响性能。为此，也可以使用 https://github.com/Netflix/vmaf/pull/1175 中的方法在 GPU 上计算 PSNR。

VMAF-CUDA的优势

VMAF-CUDA 可在编码过程中使用。NVIDIA GPU 可以在独立于 NVENC 和 NVDEC 的 GPU 内核上运行计算任务。NVENC 使用原始视频帧，而 NVDEC 则将输出帧解码到视频内存中。这意味着参考帧和失真帧都保留在视频内存中，并可输入 VMAF-CUDA。因此，由于 NVENC 不需要 GPU 计算资源，可以在编码过程中计算 VMAF。VMAF-CUDA 还可在转码过程中用于质量监控。将 H.264 比特流转码为 H.265 时，NVDEC 会对输入比特流进行解码，并将其帧写入 GPU VRAM（参考帧）。该参考帧使用 NVENC 编码为 H.265，可直接解码，从而产生失真的帧。这一过程将计算资源闲置，同时在 GPU 上进行转码，并将数据保存在 GPU 内存中。VMAF-CUDA 可以利用这些闲置资源计算分数，而无需中断转码，也无需额外的内存传输。因此，与 CPU 实现相比，VMAF-CUDA 是一种经济高效的选择。VMAF-CUDA 与 FFmpeg v6.1 完全集成，并支持 GPU 框架，以实现硬件加速解码。使用源代码链接 VMAF 和 FFmpeg 后，只需最新的 NVIDIA GPU 驱动程序即可执行，而且不需要事先了解任何 CUDA 知识。FFmpeg中的VMAF-CUDA相对于CPU异步执行GPU，使其自由执行其他任务。

VMAF评估

我们使用 VMAF-CUDA 测量了两个指标：（1）单帧 VMAF 延迟：计算三个特征提取器以获得单帧 VMAF 分数所需的时间 （2）总吞吐量：计算视频序列的VMAF分数的速度 用于测试的硬件是 56C/112T 双 Intel Xeon 8480 计算节点和单个 NVIDIA L4 GPU。

VMAF延迟改进

图5 NVIDIA L4与双 Intel Xeon 8480上单张图像的特征提取器相对加速

在较低的分辨率（如1080p）下，VMAF-CUDA没有完全利用 NVIDIA L4 的算力。所以在 4K 分辨率下能够看到更大的提升。

图6 计算单帧VMAF分数的延迟

NVIDIA L4 GPU 的延迟时间是每个特征提取器在 GPU 上按顺序运行时的平均运行时间之和。双 Intel Xeon 计算节点的平均延迟时间由最慢的特征提取器决定，因为它们在多个内核上并行运行。计算单帧的 VMAF 分数时，VMAF-CUDA 在 4K 和 1080p 下分别比双 Intel Xeon 8480 快 36.9 倍和 26.1 倍。

FFmpeg性能改进

我们通过计算 FFmpeg 中的 VMAF 来测量吞吐量（单位：FPS）。FFmpeg 可将编码后的视频直接读入 GPU 或 CPU RAM，而不是像 VMAF 工具那样从磁盘读取原始比特流。

图7 双 Intel Xeon 与 NVIDIA L4 在 FFMPEG 中计算 VMAF 分数时达到的 FPS

NVIDIA L4 在 4K 和 1080p 分辨率下分别达到 178 FPS 和 775 FPS，而双 Intel Xeon 8480 计算节点在 4K 和 1080p 分辨率下分别达到 64 FPS 和 176 FPS。在处理单个视频流时，4K 序列的速度提高了 2.8 倍，1080p 提高了 2.5 倍。

成本分析

在成本分析中，我们以数据中心常见的标准 2U 服务器为基础进行计算。图 8 展示了基于 2U 双 Intel Xeon 系统总计算性能的测试结果，该测试使用多个 FFmpeg 进程使 CPU 达到完全饱和。图中还显示了 2U 八 L4 服务器的 FPS 数值。

图8 充分利用设备的情况下计算VMAF分数实现的FPS

表1列出了 2U 服务器计算相同数量的视频帧的 VMAF 的成本。将 8 个 NVIDIA L4 与双 Intel Xeon 8480 相比，NVIDIA 系统可节省高达 75% 的成本。

表1 在一台配备 CPU 或 GPU 的 2U 服务器中计算 VMAF 的成本

成功案例

Snap

目前，Snap 正在将 VMAF-CUDA 用于 Snapchat Memories，以确定特定编码是否符合质量阈值，并在需要时重新转码。VMAF-CUDA 的引入优化了处理流程。以前，VMAF 计算的高计算成本阻碍了 Snap 使用最佳转码设置。但是，有了 VMAF-CUDA，他们可以在每次转码后评估 Snapchat Memories，并以极小的开销使用优化设置重新编码。