静态HDR和动态HDR有什么区别？

Question

HDR是高动态范围，广泛用于视频设备中，以提供更好的观看体验。 静态HDR和动态HDR有什么区别？

Answer 1

动态HDR可以在各种 显示。

以下演示文稿：SMPTE ST 2094 and Dynamic Metadata总结了动态元数据的主题：

  

用于色彩量转换（DMCVT）的动态元数据
  -可以在各种显示器上保留HDR媒体中的创意意图
  -携带文件，视频流，打包媒体
  -在SMPTE ST 2094中标准化

这一切都始于数字化的量化。
假设您只需要使用1000个可能的值来近似介于0到1,000,000之间的数字即可。
您的第一个选择是使用统一量化：
范围[0，999]中的值映射为0，范围[1000，1999]中的值映射为1，[2000，2999]中的值映射为2，依此类推...

当您需要还原原始数据时，您无法准确地还原它，因此您需要以最小的平均误差来获取值。
0映射到500（到[0，999]范围的中心）。
1映射到1500（到[1000，1999]范围的中心）。
还原分类后的数据时，您正在丢失大量信息。
您松散的信息称为“量化错误”。

常见的HDR视频对每个颜色分量应用10位（Y分量为10位，U分量为10位，V分量为10位）。或在RGB色彩空间中，红色代表10位，绿色代表10位，蓝色代表10位。
10位可以存储1024个可能的值（范围为[0，1023]的值）。

假设您有一台非常好的显示器，可以显示1,000,001个不同的亮度级别（0最暗，1000000最亮）。
现在您需要将1,000,001个级别量化为1024个值。

由于人类视觉系统对亮度水平的响应不是线性的，因此上述均匀量化是次优的。

应用伽马函数后，将量化为10位。
伽玛函数的示例：将每个值除以1000000（新范围是[0,1]），计算每个值的平方根，然后将结果乘以1000000。
在伽玛函数之后应用量化。
结果是：在较暗的值和较宽的较亮值上保持更高的准确性。
监视器执行相反的操作（反量化和反伽马）。
应用伽马函数后执行量化会为人类视觉系统带来更好的质量。

实际上，平方根并不是最好的伽玛函数。
标准的 HDR静态伽玛函数共有三种类型：

• HLG-Hybrid Log Gamma
• PQ-Perceptual Quantizer
• HDR10-静态元数据

我们可以做得更好吗？
如果我们可以为每个视频帧选择最佳的“伽玛函数”怎么办？

动态元数据的示例：
考虑图像中所有亮度级别都在[500000，501000]范围内的情况：
现在我们可以将所有级别映射到10位，而无需进行任何量化。
我们要做的就是在图像元数据中发送500000作为最低级别，并发送501000作为最低级别。
代替量化，我们可以从每个值中减去500000。
接收图像，读取元数据并知道向每个值添加500000的监视器-这样就可以进行完美的数据重建（没有量化错误）。
假设下一张图片的级别在400000到401000之间，因此我们需要（动态）调整元数据。

• DMCVT-用于色彩量转换的动态元数据
  DMCVT的真实数学比上面的示例复杂得多（并且远远超过量化），但是它基于相同的原理-根据场景和显示动态调整元数据，与静态伽玛（或静态元数据）。

---

如果您仍在阅读...

---

我真的不确定DMCVT的主要优势是减少量化误差。
（给出一个减少量化误差的例子就更简单了）。

减少转换错误：
从输入的数字表示形式（例如BT.2100到显示器的最佳像素值（如像素的RGB电压）的准确转换需要“大量数学运算”。
转换过程称为色彩量转换。
显示用数学上的近似值代替了繁重的计算（使用查找表和内插法[我想]）。

DMCVT的另一个优点是将“大量数学”从显示转移到视频后期制作过程。
视频后期制作阶段的计算资源要比显示资源高几个数量级。
在后期制作阶段，计算机可以计算元数据，从而帮助显示器执行更准确的颜色体积转换（使用较少的计算资源），并显着减少转换错误。

---

presentation中的示例：

---

为什么“ HDR静态伽玛函数”称为静态？
与DMCVT相反，静态伽玛函数固定在整个影片中，或者固定（预定义）在整个“系统”中。
例如：大多数PC系统（PC和显示器）正在使用sRGB色彩空间（而非HDR）。
sRGB标准使用以下固定的伽玛功能：
。
PC系统和显示器都事先知道它们正在sRGB标准下工作，并且知道这是所使用的伽玛功能（不添加任何元数据，也没有添加一个字节的元数据来将视频数据标记为sRGB）。 。