運動估計

運動估計是很有價值的。一般需要發(fā)現(xiàn)將像素從輸入圖像中的一個位置挎貝到融合后的圖像上的這種融合，以便融合后的圖像與該幀實際圖像間的差異盡可能小。首先，像素塊之間的相似性指標(biāo)需要被定義，通常是SSD(差值平方和)或SSA(絕對差值和)。然后使用這種相似性指標(biāo)測試各個候選源塊的位置，以確定良好的匹配。

有兩點需要注意。第一，如果有較強的運算能力，那么可以測試較多的候選位置，從而可能找到更好的匹配，并提高壓縮率?？梢杂眠\算能力的增強來降低帶寬要求，反之亦然。其次，相似性指標(biāo)是非線性的。這意味著使用多分辨率等技巧來加快相似性匹配速度是不合適的。低分辨率時的最佳匹配不一定是高分辨率時的最佳匹配。

這里有兩個基本點：數(shù)據(jù)位置和并行體系。首先，GPU是具有很高性能的處理器，但目前位于PCI Express卡上，這些卡有自己的存儲器。因此為了壓縮視頻流，數(shù)據(jù)需要傳送到視頻卡上的存儲器中，然后將壓縮結(jié)果傳回來。這一過程需要以流的形式完成，而這種流式處理與運算隨時交疊，因此數(shù)據(jù)傳送不會成為瓶頸。RapidMind平臺正常情況下可自動管理數(shù)據(jù)，而且(能在內(nèi)部硬件API支持的地方)提供深層分析功能來管理這種重疊式流處理。GPU存儲器架構(gòu)的其它意義還在于互相依賴的一系列步驟應(yīng)盡可能保持在相同的存儲器空間中。

最大程度的加速

通常在考慮一個應(yīng)用是否能被加速時，人們首先會分析應(yīng)用程序的各個單元，判斷每個單元上需花多長時間，并利用阿姆達爾定律估計可能的加速程度。

舉例來說，考慮到某個應(yīng)用程序在單元A上要花10%的時間，在單元B上要花75%的時間，單元C上花5%的時間，單元D上花10%的時間。該應(yīng)用程序的流程是A運行一次，然后B和C輪流多次反復(fù)運行(取決于彼此關(guān)系)，最后才是運行D。

同時假設(shè)單元A估計能加速1.5倍，B能加速20倍，C能加速2倍，D不能做任何加速。

這樣理論上的最大時間縮短值是：

0.1/1.5+0.75/20+0.05/2+0.1/1=0.23

相當(dāng)于加速1/0.23(正好超過4)倍。值得注意的是，雖然單元B(75%的運行時間)的加速系數(shù)達到了很大的20，但只有使所有加速步驟對總運行時間的影響比較接近的情況下才能取得最好的效果。

事實上，如果只是以B為目標(biāo)，并設(shè)法使之無限加速，但總的性能仍將受限于其余單元。

使用GPU

進一步考慮使用GPU。大家可以看到B和C是反復(fù)進行的。如果只是在GPU上加速B，而讓C留在主機上，那么需要不斷地從主機那兒來回傳送數(shù)據(jù)，從而嚴(yán)重影響性能。因此，即使單元C的加速幅度很小，但根據(jù)阿姆達爾定律，它對總的加速效果影響也很小。事實上，我們可能也想把C移動到GPU上以避免這些傳送。

這正是視頻編碼所面臨的境況。即使運動估計是視頻壓縮中最昂貴的成分，我們也不能忽略其它因素，尤其是單幀壓縮和解壓縮，因為運動估計的其它階段還需要這些結(jié)果。在考慮這些因素后，階段優(yōu)化工作量就需要正比于它對總體性能的影響程度。

RapidMind平臺

RapidMind平臺能夠用來快速實現(xiàn)和測試算法，并將算法應(yīng)用于GPU或?qū)嶋H上多內(nèi)核的CPU。如果有大量依附于數(shù)據(jù)的算法單元，Rapid實現(xiàn)就相當(dāng)重要，因為所有單元必須移動到加速器的存儲空間，以避免出現(xiàn)上述數(shù)據(jù)搬移問題。然而，根據(jù)它們的總體影響，優(yōu)化所有這些單元可能不具成本效益，或沒有太大作用。優(yōu)化工作容易使代碼復(fù)雜化，并且更難維護。

RapidMind通過公共特性集向所有支持的硬件目標(biāo)提供可移植性。僅使用這組公共特性也可能獲得優(yōu)異的性能。然而，RapidMind還提供了深層機制來訪問特殊硬件特性，這種深層機制對優(yōu)化可能有用，但也會影響可移植性。因此推薦的做法是軟件項目首先只用公共特性實現(xiàn)所有必要的單元，然后(在實現(xiàn)完整功能后)對單元進行剖析以確定瓶頸及最有可能的改進之處，最后調(diào)整特殊單元，可能的話調(diào)整應(yīng)保持在內(nèi)核可移植功能集中。如果有必要進行特殊硬件的深層分析，使用RapidMind的提取功能可以隔離它的影響，原始的內(nèi)核特性參考實現(xiàn)也可以用于實現(xiàn)可移植性。