HEVC(十七)：CQP-编程实验室

在视频编码（如 H.264/AVC、H.265/HEVC、H.266/VVC）的各种码率控制模式中，CQP（Constant Quantization Parameter，恒定量化参数）是最基础、最直接，同时也是数学上最纯粹的一种模式。它跳过了所有复杂的感官模型和带宽预测，直接作用于视频压缩的核心步骤——量化（Quantization）。

一图总结

一句话总结

CQP 是一种不考虑人眼视觉特性的纯数学编码模式，它通过将固定的量化步长（QP）死板地应用到所有画面中，追求绝对的客观失真度恒定，虽适合学术研究与标准跑分，但因无法动态优化码率而极易造成带宽和空间的巨大浪费。

什么是 CQP？

CQP，即恒定量化参数模式。在这种模式下，编码器被显式指定一个固定的量化参数（Quantization Parameter，简称QP）。

量化的物理本质

视频编码的核心流程通常包括：预测（帧内/帧外）→ \rightarrow→残差变换（DCT/DST）→ \rightarrow→量化→ \rightarrow→熵编码。

其中，变换后的残差系数是连续且精细的浮点数，而量化就是将这些连续的值除以一个量化步长（Quantization Step Size，简写为Q s t e p QstepQstep）并取整的过程。

QP 与 Qstep 的数学关系

在主流编码标准中，QP 是一个整数（通常范围为0 ∼ 51 0 \sim 510∼51）。QP 与实际的量化步长Q s t e p QstepQstep成指数正相关关系。以 H.264/H.265 为例，QP 每增加 6，量化步长Q s t e p QstepQstep就会翻倍：

Q s t e p = 0.625 × 2 Q P 6 Qstep = 0.625 \times 2^{\frac{QP}{6}}Qstep=0.625×26QP

当 QP 很小（如 10）时：Q s t e p QstepQstep极小，量化非常精细，保留了绝大部分残差高频细节，视频质量极高，但数据量巨大。
当 QP 很大（如 40）时：Q s t e p QstepQstep极大，大量微小的残差系数被直接除成 0（被过滤掉），数据量剧烈平滑，但画面会出现严重的块效应（Blockiness）和模糊。
当 QP = 0 时：代表无损量化（Lossless），残差完全不作丢弃。

在 CQP 模式下，用户指定的 QP 值会强制应用到视频的所有宏块/编码单元（CU）以及所有帧（I/P/B 帧，或根据配置微调）中，不再随画面的复杂度变化而动态调整。

CQP 的工作机制

CQP 的核心逻辑是完全不考虑人眼视觉特性（HVS），也不考虑网络带宽，它只追求数学空间上的失真度恒定。

无论画面如何，量化尺子不变

静态画面 vs. 剧烈运动：在一个静止的风景画面里，CQP 使用设定的 QP 压制；突然画面转切到爆炸、飙车的激烈动作场景，CQP依然使用完全相同的 QP压制。
平滑天空 vs. 复杂纹理：无论面对的是一片没有任何细节的纯色蓝天，还是一面写满密密麻麻文字的墙壁，CQP 对残差系数除以的Q s t e p QstepQstep都是完全一样的。

宏块级别的微调（IPB 帧差异）

虽然被称为“恒定”，但在实际的编码器（如 x264/x265）实现中，为了照顾视频序列的参考关系，CQP 允许对不同帧类型（I 帧、P 帧、B 帧）进行固定的 QP 偏移（Offset）：

I 帧（关键帧）：作为后续帧的参考基准，通常会获得最精准的 QP（即用户设定的基准 QP）。
P/B 帧（预测帧）：由于它们依赖 I 帧，其 QP 通常会被编码器自动加上一个微小的偏移量（例如Q P P = Q P I + 2 QP_P = QP_I + 2QPP=QPI+2,Q P B = Q P I + 4 QP_B = QP_I + 4QPB=QPI+4），以在保证参考质量的前提下轻微压缩体积。但这个偏移关系在整个编码过程中是死板、恒定不变的。

CQP 的优势与致命缺陷

优势：为什么算法研究员最爱 CQP？

客观失真度恒定（无噪干扰）：它是衡量编码器底层优化（如运动估计、帧内预测算法改进）最完美的基准线。排除掉动态码率控制算法的干扰后，CQP 能最纯粹地反应变换与量化阶段的性能。
编码速度快、开销小：编码器不需要花费 CPU 算力去分析宏块的时空复杂度，也不需要计算人眼视觉掩蔽效应（Masking），更不需要为了保码率而进行前向 lookahead 预测。残差出来后直接除以固定的Q s t e p QstepQstep，算法执行效率极高。
严格的可重复性：只要输入源和参数不变，编码出来的每一帧的数学失真和结构（PSNR/SSIM）高度可预测。

缺陷：为什么商业流媒体和日常压制绝不使用纯 CQP？

极低的码率效率（浪费带宽）：这是 CQP 无法用于商业的核心原因。对于高动态/高纹理画面，为了维持相同的数学 QP，编码器不得不输出天文数字般的暴涨码率；而事实上，这些画面由于运动太快，人眼根本看不清细节，高达80 % 80\%80%的码率是被白白浪费掉的。
完全无法预测和控制文件体积：与 CRF 类似，CQP 模式下最终的文件大小取决于视频源的复杂度。一段 10 分钟的动作片和 10 分钟的静态会议，在相同 CQP 下文件体积可能相差数十倍。
主观听觉/视觉的不平衡：人眼对平滑区域的噪点极其敏感，对运动区域的噪点很不敏感。CQP 在这两处一视同仁，导致主观体验上，静态画面表现一般，动态画面码率虚高，整体“性价比”极低。

CQP 与 CRF 的深度对比

很多人容易混淆 CQP 和 CRF，因为它们的数值范围完全一样（0 ∼ 51 0 \sim 510∼51），且都是 1-Pass（单次编码）。但两者的底层哲学完全相反：

特性维度	CQP (Constant QP)	CRF (Constant Rate Factor)
控制核心	数学空间上的物理量化步长恒定	人类视觉感知上的主观质量恒定
人眼视觉模型 (HVS)	完全忽略。宏块复杂度不影响 QP。	全面引入。根据空间/时间掩蔽效应动态调 QP。
复杂场景表现	码率暴增，以维持相同的数学精度。	QP 主动变大，允许引入肉眼难察的失真以省带宽。
简单/平滑场景	码率极低，但可能因为 QP 不够小而出现色带。	QP 主动变小，用足码率保护平滑人脸和天空。
主要应用场景	视频编码学术研究、编码器性能跑分、Debug。	离线影视压制、网络视频流媒体、高保真备份。