来源：papers/iVc/DVC_讲解全文.md · 原始 Markdown

DVC 讲解全文

论文与整理范围

• 论文：DVC: An End-to-end Deep Video Compression Framework，Guo Lu、Wanli Ouyang、Dong Xu、Xiaoyun Zhang、Chunlei Cai、Zhiyong Gao，CVPR 2019。
• 原始材料：主论文（10 页）；补充材料（3 页）。页码均指 PDF 页面序号；正文印刷页 11006—11013。
• 整理日期：2026-10-15（Asia/Shanghai）。本次执行项目内 paper-lecture-export skill。
• 收录范围：本聊天前 7 轮论文讲解与实质性答疑的原始完整回复，5 条进度消息中的实质性说明，以及此前单独编写的学习笔记全文。 讲解主文按实际发生顺序排列；已有笔记单独列为附录，不用它替代历史回复。
• 历史恢复情况： 本聊天可访问会话记录中，这 7 轮公开回复均已恢复，没有仅凭摘要补写。工具日志、推理过程、其他聊天、纯文件交付与 skill 操作说明不收录；排除清单单独保存。不能由此宣称恢复了其他会话或未保存的材料。
• 实际阅读状态： 已讲过压缩基础、DVC 方法与实验，以及 GDN / 光流 / 概率模型和代码；尚未建立逐自然段的全文精读覆盖。原回复的“精读”“讲完”措辞保留，并以勘误 K01说明其边界。本次整理不推进阅读进度。
• 适用证据类别：原文数据与结构属于【论文事实】；作者对贡献的定位属于【作者主张】；“我的判断 / 解读”、自设数值例子、推导与教学代码属于【独立分析 / 补充讲解】；原文未证明或尚未核实的内容保留【待验证问题】。不将教学代码当成作者原始实现。
• 资源：原图截取、原交互演示、全部静态状态、教学代码及固定版本参考源码均保存在旁边的 DVC_讲解资源/。复制时请一并复制资源目录与两份原 PDF；原文件没有改动。HTML 阅读本身不访问网络，外部来源链接在主动打开时才需要网络。

导航目录

讲解全文（按实际讲解顺序）

第 1 轮｜初次论文介绍

用户问题：| [Lu_DVC_An_End-To-End_Deep_Video_Compression_Framework_CVPR_2019_paper.pdf]( 读这个论文

来源：本聊天 01a13ae4-6cb2-7f23-b09c-942490bf8387，公开回复记录第 66 行，2026-10-14 22:54:24 +08:00。

可核实定位：主文第3—4节；图2、图6—7、表1；补充材料表1。

当时的完整回复

我读完了这篇 CVPR 2019 的 DVC 主文，也核对了补充材料。它的核心贡献是：保留视频压缩的“预测＋残差”结构，用神经网络实现主要模块，并用同一个率失真目标联合训练。

原文：DVC 主论文

视频相邻帧通常很相似，所以可以先根据上一帧预测当前帧，再传输预测不准的部分。DVC 围绕这个思路工作：

1. 估计运动。 输入当前原始帧 x_t 和上一帧的重建结果 \hat{x}_{t-1}，用光流网络估计像素如何移动。
2. 压缩运动。 用一个编码器把光流变成潜变量，量化并编码；解码后得到有损光流 \hat{v}_t。这样避免直接传输庞大的逐像素光流。
3. 生成预测帧。 根据解码后的光流，对上一帧进行变形，再用运动补偿网络修正变形产生的伪影，得到预测帧 \bar{x}_t。
4. 压缩残差。 计算 r_t=x_t-\bar{x}_t，用另一个编码器压缩残差，再解码得到 \hat{r}_t。
5. 重建当前帧。 将预测和残差相加： \hat{x}_t=\bar{x}_t+\hat{r}_t 这个重建结果会成为下一帧的参考。

这里要区分三个东西：原始帧 x_t、预测帧 \bar{x}_t、最终重建帧 \hat{x}_t。运动补偿负责预测，残差负责补上预测遗漏的信息。使用上一帧的重建结果作参考，则保证编码端和解码端拥有一致的参考信息。

整套网络的训练目标是：

L=\lambda\,d(x_t,\hat{x}_t) +H(\hat{m}_t)+H(\hat{y}_t)

其中，d 是重建误差，论文采用 MSE；后两项分别估计压缩运动和残差需要的比特数。网络同时考虑“图像有多准确”和“传输需要多少比特”。 \lambda 越大，训练越重视重建质量，通常也会使用更多码率。

为了让量化过程能够训练，作者在训练时用添加均匀噪声来近似量化，推理时直接取整；通过学习潜变量的概率分布来估计码率，实际编码时采用熵编码。

最值得理解的是：用于压缩的好光流，不一定最接近真实运动。 在颜色均匀的区域，即使运动估计不完全准确，预测出的像素仍可能很接近原图。网络因此可以选择更容易压缩的运动表示，把比特留给更有价值的信息。

主文表 1 支持了这个观点：

联合训练后，运动信息更省比特，解码光流产生的预测也更准确。这是整篇论文很有说服力的一组证据。

实验使用 Vimeo-90k 训练，在 UVG 和 HEVC 测试序列上评估。补充材料表 1 给出了 HEVC 所列序列上的平均结果：

这些数据来自：DVC 补充材料

因此，论文结果应理解为：DVC 平均优于论文配置下的 H.264；与 H.265 相比，PSNR 结果仍有差距，MS-SSIM 结果更有竞争力。 对比中的传统编码器采用 FFmpeg 的 veryfast 配置，结论需要结合这个实验条件理解。

消融实验还显示，去掉运动补偿网络，PSNR 约下降 1 dB；去掉运动压缩网络，则下降超过 2 dB。这说明仅仅接入光流网络并不够，运动本身的压缩和预测结果的修正都很关键。

我的判断是，这篇论文最有价值的地方在于让运动估计、运动压缩和残差压缩围绕最终的率失真表现协作。阅读时建议重点看图 2 的整体流程、公式（1）的训练目标，以及图 6、图 7 的消融与光流分析；这几处串起来，就能理解 DVC 的主要思想。

第 2 轮｜H.264 学习范围

用户问题：我需要学h.264的算法吗

来源：本聊天 01a13ae4-6cb2-7f23-b09c-942490bf8387，公开回复记录第 87 行，2026-10-14 23:48:47 +08:00。

可核实定位：传统预测编码前置知识；外部标准链接。

当时的完整回复

需要掌握核心原理。以你现在理解 DVC 为目标，先学到能讲清楚一帧如何被压缩、再如何被重建，就可以继续读论文。

DVC 继承了传统视频编码的“预测→残差→变换→量化→熵编码”思路。理解这条流程，才能看懂它为什么设置运动网络和残差网络。H.264 标准中的预测编码说明

建议按下面的顺序学习：

其中，运动估计、运动补偿、残差和率失真优化，应当优先学透。 DVC 的主要创新就围绕这些模块的联合训练展开。

CABAC 的具体编码步骤、完整码流语法、各种预测模式和编码器源码，可以等到你需要复现、改进传统编码器时再深入。

一个合适的学习验收标准是：你能解释清楚这三个问题：

• 为什么编码端也要重建当前帧？
• 为什么预测越准确，通常越容易压缩残差？
• 为什么更准确的运动估计，未必带来更好的整体压缩效果？

能回答这些问题，再回看 DVC 的图 2 和损失函数，就会容易很多。

第 3 轮｜视频基础、预测与残差

用户问题：先教我基础知识

来源：本聊天 01a13ae4-6cb2-7f23-b09c-942490bf8387，公开回复记录第 145 行，2026-10-14 23:54:29 +08:00。

可核实定位：讲解辅助交互演示；原自查问题。

当时的完整回复

我们先学最基础的一层：视频为什么能压缩，以及“预测”和“残差”是什么。

一张数字图像，可以理解为一张像素表。以常见的 8 位灰度图为例，每个像素用一个 0～255 的数字表示亮度：0 是黑，255 是白。彩色图像还需要表示颜色。

视频则是一系列按时间播放的图像，每张图像叫一帧。30 fps 表示每秒播放 30 帧。每一帧都包含大量像素，直接保存所有像素会需要很多数据。

视频压缩能省空间，是因为画面中存在大量重复或可以预测的信息，也叫“冗余”：

• 空间冗余： 同一帧里的相邻像素往往很相似，例如一大片天空。
• 时间冗余： 相邻帧往往很相似，例如背景没变，只有一个人向右移动。

先看时间冗余。假设上一帧里有一个亮块，当前帧里它向右移动了一点。我们可以根据上一帧，生成一张对当前帧的猜测，这张猜测叫预测帧。

接着计算：

\text{残差}=\text{当前帧}-\text{预测帧}

“残差”就是预测错了多少。接收端只要拥有相同的预测帧，就可以恢复当前帧：

\text{当前帧}=\text{预测帧}+\text{残差}

下面用一行像素演示。你可以切换预测方式，观察残差如何变化。

交互演示：预测方式与残差

演示在打印中的全部三种状态

预测越准确，残差通常越容易压缩。 “沿用上一帧”已经能利用重复信息；根据运动调整上一帧，往往能得到更准确的预测。不过，运动参数也需要传输，因此还要考虑它消耗多少比特。演示中的非零数量用于帮助理解，不能直接当成真实码率。

这里就引出了两个容易混淆的概念：

• 运动估计： 找出画面中的内容移动了多少，例如“向右移动一格”。
• 运动补偿： 根据这个移动量调整参考帧，生成预测帧。

到这里，预测和残差相加可以精确恢复原图。常见的有损压缩还会加入量化：把一些数值近似表示。例如，把 101 和 103 都近似为 100，表示会更简单，但细微差别丢失了。这就是重建图像与原图出现误差的一个主要原因。

H.264 的基本流程可以先这样记：

生成预测 → 计算残差 → 变换 → 量化 → 熵编码

其中，变换把残差换成更适合压缩的表示；熵编码把这些符号编码成比特。接收端再通过相应的解码过程重建图像。H.264 标准中的基本编码说明

实际编码时，预测使用的是已经重建的参考帧。因为接收端也只有重建结果，两端必须从相同的信息出发，才能生成相同的预测。

先检查一个小例子：某个像素的预测值是 100，真实值是 108，那么残差是多少？如果压缩后解码出的残差变成了 6，最终重建值又是多少？

讲解辅助演示的打印内容（全部交互状态）

上一帧：[20, 20, 100, 100, 20, 20, 20, 20]；当前帧：[20, 20, 20, 100, 100, 20, 20, 20]。

这是已讲过的自构造示例，不是论文图表。非零数量不能替代实际码率。

第 4 轮｜H.264 流程与算法

用户问题：讲完他,适当讲解算法

来源：本聊天 01a13ae4-6cb2-7f23-b09c-942490bf8387，公开回复记录第 218 行，2026-10-15 00:06:22 +08:00。

可核实定位：分块、SAD、变换、量化、熵编码、RDO、重建与I/P/B。

原进度消息中的实质性补充（记录第 205 行）

需要特别分清：预测、变换和熵编码各有不同作用；量化才是这条流程中引入损失的主要环节。我会用数字例子说明这些步骤，再把它们连成完整的编解码流程。

当时的完整回复

可以。下面把 H.264 的核心编解码流程讲完整，并穿插必要的算法，让你能看懂它与 DVC 的对应关系。

上一题的答案是：残差为 108-100=8；如果解码出的残差为 6，重建值就是 100+6=106。

先统一三个符号：X 表示原始图像块，P 表示预测块，E=X-P 表示残差。下面主要以亮度像素为例。

1. 先把图像分成块，分别处理不同区域。

一幅图像中，背景可能静止，人物可能运动，人物的手和身体还可能往不同方向运动。因此，编码器需要在局部区域选择合适的预测方法。

H.264 以包含 16\times16 个亮度像素的宏块作为基本组织单位。运动补偿时，可以进一步使用 16\times8、8\times16、8\times8 等分块，最小可到 4\times4。

大块需要描述的运动信息少，小块能更细致地适应局部运动，却需要更多分块和运动信息。如何分块，本身也是压缩中的选择题。 帧间预测与分块说明

2. 帧内预测：利用同一帧中已经重建的邻居。

假设一个块上方的四个像素是：

text 100 102 104 103

如果当前区域主要沿竖直方向保持相似，可以把这行数值向下复制，作为整个块的预测。这叫竖直预测。

其他方法包括从左侧向右复制的水平预测、使用邻居平均值的 DC 预测，以及沿不同方向延伸的预测。

编码器尝试不同预测方式，选出合适的一种，然后编码：

E=X-P

接收端根据传来的预测模式，用相同的邻居生成 P，再加上解码出的残差。

帧内编码也有预测，也需要残差。 它利用的是当前帧内部的信息。帧内预测说明

3. 帧间预测：先搜索运动，再根据运动取出预测块。

对当前块，编码器到已经重建的参考图像里寻找相似区域。两个位置之间的偏移，用运动向量表示：

v=(d_x,d_y)

一个基础搜索方法是比较候选块与当前块的 SAD，即绝对差之和：

\operatorname{SAD}(d_x,d_y) =\sum_{i,j} \left|X(i,j)-P_{d_x,d_y}(i,j)\right|

SAD 越小，候选块越接近当前块。教学用的穷举搜索可以写成：

```text 最小误差 = 无穷大

遍历搜索范围内所有合法偏移 (dx, dy): 从参考图像取出候选块 误差 = 当前块与候选块的绝对差之和

   如果误差更小:
       保存这个误差
       保存偏移 (dx, dy)

返回保存的偏移 ```

寻找偏移叫运动估计；根据偏移生成预测块叫运动补偿。

穷举搜索计算量很大，实际编码器会采用更快的搜索策略，并考虑运动信息所需的比特数。H.264 亮度运动补偿还支持 1/4 像素精度：小数位置的像素通过插值得到。

运动向量本身也可以预测。例如邻块预测的向量为 (9,2)，当前向量为 (10,2)，就可以传输差值 (1,0)。亚像素补偿与运动向量预测

4. 变换：把残差换成更容易压缩的表示。

相邻残差也可能相似。我们可以把它们分解成“整体变化”和“局部差异”。

用两个数演示：

E=[10,12]

做一个简单的求和、求差变换：

T=[10+12,\ 10-12]=[22,-2]

第一个数描述整体水平，第二个数描述两个位置的差异。如果原来是 [10,10]，变换后就是 [20,0]，差异项变成了零。

这里使用的是教学变换。H.264 常用的 4\times4 变换采用整数运算，是对 DCT 的近似；其核心运算可以通过加法和移位高效完成。H.264 变换设计论文

变换本身没有减少数值的数量；它为后面的量化和熵编码创造条件。

5. 量化：用近似值换取更少的编码数据。

一个简化的量化模型是：

q=\operatorname{round}(T/\Delta)

其中 \Delta 是量化步长。接收端进行反量化：

\hat T=q\Delta

接着刚才的例子，令 \Delta=5：

[22,-2]\rightarrow[4,0]\rightarrow[20,0]

原来的细微差异丢失了。通过逆变换：

\hat E= \left[ \frac{20+0}{2}, \frac{20-0}{2} \right] =[10,10]

残差从 [10,12] 变成了 [10,10]。

H.264 使用量化参数 QP 控制量化粗细。对于常见的 8 位编码，亮度 QP 通常在 0～51；QP 每增加 6，量化步长加倍。QP 越大，通常码率越低、失真越大。实际运算还包含缩放和舍入规则，上面的除法模型用于理解原理。变换与量化说明

6. 熵编码：把符号无损地变成比特。

量化后，经常出现大量零和小数值。如果每个符号都用同样长的编码，会浪费空间。熵编码利用符号的概率，让常见情况占用更少的平均比特。

H.264 中两种重要的方法是 CAVLC 和 CABAC。CABAC 可以从三个步骤理解：

• 把系数、运动差值等信息转换成二元决策。
• 根据邻近已编码信息等“上下文”，选择和更新概率模型。
• 使用二进制算术编码，将这些决策编码成比特流。

算术编码可以理解为不断缩小一个数值区间：概率大的结果分到较大的子区间，概率小的结果分到较小的子区间，最终用足够的比特指出落在哪个区间。

熵编码能够精确恢复输入符号。它不会修复量化丢失的信息，也不会进一步损失这些符号。 CABAC 设计者的算法说明

7. 率失真优化：决定采用哪一种编码方案。

编码器面临许多选择：怎样分块、选哪个参考图像、使用哪种预测模式，以及量化多粗。

一个常用的目标是：

J=D+\lambda R

D 是重建失真，R 是需要的比特数，\lambda 控制比特成本的权重。编码器比较候选方案，倾向选择 J 更小的方案。

看一个自设例子：

当 \lambda=0.1，A 的成本为 20，B 为 22，选择 A。

当 \lambda=1，A 的成本为 110，B 为 40，选择 B。

所以，残差更小的预测方案，可能因为运动或模式信息太贵，整体反而不划算。 这就是率失真优化的作用。率失真编码器控制研究

8. 编码器也要重建图像，再把它作为后续参考。

延续数字例子：原始像素为 [110,112]，预测为 [100,100]，解码残差为 [10,10]，那么重建结果是：

\hat X=P+\hat E=[110,110]

接收端得到的是这个结果。因此，编码器预测后续图像时，也必须从同样的重建信息出发。

编码器内部会执行反量化、逆变换和重建。H.264 还对重建图像应用环内去块滤波，减轻分块处理造成的边界伪影；滤波后的图像可以用于后续帧间预测。H.264 总览中的重建与环内滤波

下面这张图体现了编码器中的两个分支：

mermaid flowchart TB A["原始块 X"] --> B["减去预测块 P"] P["由已重建信息生成预测 P"] --> B B --> C["残差：变换 → 量化"] C --> D["熵编码"] D --> E["输出比特流"] C --> F["反量化 → 逆变换"] F --> G["解码残差"] G --> H["加上预测 P"] P --> H H --> I["重建与环内滤波"] I --> J["存储，供后续帧间预测"]

9. 最后把这些块放回视频序列，理解 I、P、B 的作用。

入门时，可以这样理解：

常见 B 帧例子是同时参考播放顺序中前面和后面的帧。假设播放顺序是：

text I0 → B1 → B2 → P3

如果 B1、B2 都依赖 P3，那么可以先解码：

text I0 → P3 → B1 → B2

再按播放顺序输出。因此，解码顺序和播放顺序可以不同。严格说，I/P/B 是切片类型；把它们当作帧类型，是入门时常用的简化。参考关系与图像顺序说明

你现在回到 DVC，可以直接对照这些模块：

DVC 写的是 L=\lambda D+R，上面讲的是 J=D+\lambda R，权重放的位置不同。对正的权重而言：

\lambda D+R =\lambda\left(D+\frac{1}{\lambda}R\right)

所以 DVC 的 \lambda 越大，越重视画质；上面 D+\lambda R 中的 \lambda 越大，越重视省比特。阅读公式时，要先看权重乘在哪一项上。

这些对应关系见原文：DVC 主论文

第 5 轮｜DVC 方法、训练与实验（原请求为精读）

用户问题：精读论文

来源：本聊天 01a13ae4-6cb2-7f23-b09c-942490bf8387，公开回复记录第 280 行，2026-10-15 00:14:40 +08:00。

可核实定位：主文第1—5节的专题讲解；图2—8、表1；补充图3、表1。

整理时核对发现 · 勘误 K01： 原回复使用“精读”或“讲完”的措辞；其实际形式是专题讲解，未按原文逐段提供英文摘录、翻译与讲解，不代表全文精读完成。下文保留历史原话。

原进度消息中的实质性补充（记录第 270 行）

图 2 有一个关键约束：运动补偿必须使用“压缩后再解码的光流”，这样接收端才能生成相同的预测。补充实验还显示，DVC 的优势随指标和视频内容变化，并不是每个序列都优于 H.264。

当时的完整回复

我们精读的是 DVC: An End-to-end Deep Video Compression Framework（CVPR 2019）。这次重点看清三件事：每个模块为什么存在、最终损失如何影响它们，以及实验究竟证明了什么。

主文：DVC 主论文

补充材料：DVC 补充材料

1. 读 Introduction，要抓住“运动也需要付出编码成本”这个问题。

作者先回顾传统视频编码：根据参考帧预测当前帧，再编码运动信息和预测残差。你已经学过这条流程。

深度图像压缩可以用网络学习变换，那么视频压缩能否也采用神经网络？难点在于，视频多了一种需要传输的信息：运动。

光流能够描述逐像素运动，但一张 H\times W 的光流图有 2HW 个数值。如果直接传输，可能把预测节省的比特又花掉。

因此，作者提出的核心问题是：

如何学习一种运动表示，使它既有助于预测，又容易压缩，并与残差编码共同获得好的率失真表现？

精读时要纠正一个容易产生的误解：传统编码器已经使用率失真优化。DVC 的新意在于，把多个可学习模块放进同一个率失真训练目标。

Related Work 中的对比也围绕这一点展开：一些已有方法只替换传统编码器的某个模块；作者特别强调，DVC 同时学习运动估计、运动压缩、运动补偿和残差压缩。

2. 进入第 3 节，先把符号分清，否则图 2 会越看越乱。

这里有两组必须区分：

光流 v_t 描述运动；潜变量 m_t 是网络为压缩运动而生成的表示。

残差 r_t 是像素域的预测误差；潜变量 y_t 是网络变换后的残差表示。

帽子通常表示量化或重建结果；横线表示预测结果。

3. 图 2 的运动分支，可以拆成“估计→编码→量化→解码”。

为了说明流程，下面用 F,E_m,D_m 分别表示光流网络、运动编码器和运动解码器。这些函数名是我为讲解添加的记号。

v_t=F(x_t,\hat x_{t-1})

光流网络观察当前原始帧与上一帧重建结果，估计两者之间的运动。该模块使用论文引用的空间金字塔光流网络作为基础，并用预训练权重初始化。

随后：

m_t=E_m(v_t),\qquad \hat m_t=Q(m_t),\qquad \hat v_t=D_m(\hat m_t)

运动补偿使用的是 \hat v_t，即压缩后再解码的光流。

这是整个框架中的重要约束。接收端只能从码流恢复 \hat m_t，再得到 \hat v_t。编码端必须用同样的光流生成预测，才能与解码端保持一致。

图 3 给出了运动编码器的具体结构：四层步长为 2 的卷积，将空间尺寸连续缩小，并使用 GDN 非线性变换。其尺寸变化为：

H\times W\times2 \rightarrow \frac H{16}\times\frac W{16}\times128

例如，输入光流为 256\times256\times2，运动潜变量为 16\times16\times128。

空间尺寸缩小，通道数增加，是把运动信息重新组织到特征空间中。实际节省多少比特，还取决于量化结果和符号概率，不能只看张量尺寸。 图 3 中黑白格子的特征图也只是示意，不表示每个潜变量只有一位。

4. 第 3.4 节的运动补偿有两步：先变形，再修正。

首先，按照解码光流对参考帧进行变形：

\tilde x_t=w(\hat x_{t-1},\hat v_t)

可以把它理解为：对当前画面中的每个位置，按照光流指定的位置，到参考帧中取像素。

但变形结果仍可能存在伪影。预测问题本身就可能遇到遮挡、新露出的区域和插值误差，光流压缩还会带来额外误差。

作者因此把三种信息拼接后送入修正网络：

\bar x_t= C\!\left( \operatorname{concat} [\,\tilde x_t,\hat x_{t-1},\hat v_t\,] \right)

在 RGB 情况下，输入包含变形图像的 3 个通道、参考图像的 3 个通道，以及光流的 2 个通道，共 8 个通道。

补充材料图 3 展示了这个网络：它使用残差块、两次下采样和两次上采样，并连接不同尺度的特征。

读这一节时，注意修正网络没有输入当前原始帧 x_t。这些输入在解码端都能获得，所以解码端能够生成相同的预测。

5. 第 3.5 节的残差分支，负责补上预测没有解释好的内容。

先计算：

r_t=x_t-\bar x_t

再经过残差编码、量化和解码：

y_t=E_r(r_t),\qquad \hat y_t=Q(y_t),\qquad \hat r_t=D_r(\hat y_t)

最后：

\hat x_t=\bar x_t+\hat r_t

作者采用已有深度图像压缩工作中的非线性网络来处理残差。它承担了传统变换编码中“把残差转到适合压缩的表示”的作用。

一个教学例子：当前像素为 120，预测为 115，原始残差为 5。如果残差解码后变成 4，最终重建就是 119。

这里有一个重要推论：预测不必完美，残差可以补偿预测误差；但补偿需要花比特。

省略熵编码的内部细节，解码端的主体过程可以写成：

```text 从运动码流恢复量化运动潜变量 从残差码流恢复量化残差潜变量

解码光流 = 运动解码器(量化运动潜变量) 变形图像 = warp(上一帧重建结果, 解码光流) 预测帧 = 运动补偿网络(变形图像, 参考帧, 解码光流)

解码残差 = 残差解码器(量化残差潜变量) 当前重建帧 = 预测帧 + 解码残差

保存当前重建帧，作为后续参考 ```

解码端无需重新估计光流，也无需看到当前原始帧。

6. 公式（1）是论文最重要的部分：三个成本一起优化。

L= \lambda\,d(x_t,\hat x_t) +H(\hat m_t) +H(\hat y_t)

第一项是最终重建失真，论文使用 MSE；后两项分别表示运动和残差的编码成本。

这个目标要求网络同时考虑：

• 最终图像是否准确。
• 描述运动是否昂贵。
• 修正预测误差是否昂贵。

所以，光流网络不能只追求预测准确。它还要考虑自己生成的运动是否容易编码，以及这个运动会留下怎样的残差。

用一个自设例子理解：某种运动表示多花了 0.01 bpp，却使残差少花 0.03 bpp，且最终失真相同，那么总码率减少了 0.02 bpp，这种变化值得采用。

这就是模块之间的协作。

论文在这个损失中没有加入真实光流的监督项。光流网络经过初始化之后，服务于最终的视频压缩目标。

同时注意，\lambda 乘在失真上：它越大，训练通常越重视画质。作者分别训练了 \lambda=256,512,1024,2048 的四个模型，得到不同的率失真工作点。

7. 第 3.6 节还要解决两个训练障碍：量化和码率如何参与反向传播。

普通取整几乎处处梯度为零，无法直接提供有效的训练信号。作者在训练时，用添加均匀噪声来替代取整：

\tilde y_t=y_t+\eta

给定采样噪声后，这个表达式对 y_t 的导数为 1，梯度能够传回编码器。推理时则使用：

\hat y_t=\operatorname{round}(y_t)

运动潜变量采用相同思路。这里我用波浪号区分训练时的连续近似，避免把它与实际整数符号混淆。

对码率，作者通过概率估计网络建模潜变量分布。一个符号 s 的理想码长估计为：

\ell(s)\approx-\log_2p(s)

例如，概率为 1/2 时对应约 1 bit；概率为 1/8 时对应约 3 bits。因此可以把编码成本理解为：

R_m\approx\sum_i-\log_2p_m(\hat m_{t,i})

残差编码成本同理。

网络学习的不只是“怎样重建”，还包括“怎样生成容易被概率模型编码的符号”。

这里的端到端训练使用量化和码率的可微近似。 实际推理仍需要离散量化与熵编码。图 8(a) 比较了估计码率和算术编码得到的实际码率，两者相近，为训练中的码率估计提供了支持。

8. 缓存重建帧，是作者为训练效率做的一项具体设计。

当前帧依赖 \hat x_{t-1}，而它又依赖更早的重建帧。如果每次都从前面重新编码，训练会增加计算和显存开销，也不利于一个批次包含多样样本。

作者采用在线缓存：编码完一帧后保存其重建结果，以后编码后续帧时读取缓存，并在训练中不断更新。

这既减轻了计算负担，也让训练能够接触已经带有压缩误差的参考图像。

作者还比较了另一种训练方式：直接使用上一帧原始图像作为参考。缓存重建帧的方案在相同 bpp 下约有 0.2 dB 优势。

我的解读是，这个实验支持训练时使用接近实际解码条件的参考图像。论文没有据此证明整段长视频经过展开、跨所有历史帧反向传播；精读时应区分当前帧网络的联合训练与长序列优化。

9. 看图 5 和补充表 1，要同时看指标、基线和序列差异。

实验采用 Vimeo-90k 训练，在 UVG 和 HEVC Class B/C/D/E 上评估。训练裁剪为 256\times256，批次大小为 4，使用 Adam，初始学习率为 10^{-4}。

横轴 bpp 表示每像素所需比特数，越小越省；纵轴 PSNR 或 MS-SSIM 越高，表示对应指标下重建越好。比较曲线时，应在相同码率下比较质量，或者在相同质量下比较码率。

补充表 1 给出了所列 16 个 HEVC 序列的平均 BD-BR：

负数代表相对基线节省码率。因此，平均结果支持：

DVC 优于论文配置下的 H.264；与 H.265 相比，PSNR 结果仍有差距，MS-SSIM 结果更有竞争力。

29.32% 的基线是 H.264，不能把它读成“相对 H.265 节省 29.32%”。

而且，平均优势不代表每个序列都胜出。例如 BQMall 的 PSNR BD-BR 为 +26.13%，说明该序列上 DVC 相对 H.264 需要更多码率。

传统编码器使用 FFmpeg 的 veryfast 配置，所以性能结论需要与这些设置一起理解。论文对 Wu 等人方法的比较还涉及不同预测结构：DVC 使用一个过去的参考帧，而对方使用两个邻近参考帧。

10. 图 6、表 1、图 7 的消融，比“网络更强”更能解释论文贡献。

| 改动 | 论文报告的影响 |
|---|---|
| 冻结光流网络，不参与联合训练 | 压缩性能下降 |
| 去掉运动补偿修正网络 | 相同 bpp 下 PSNR 约下降 1 dB |
| 去掉运动编码器、解码器 | PSNR 下降超过 2 dB |
| 不使用运动，每帧独立处理 | PSNR 下降超过 2 dB |
| 训练参考改用上一帧原始图像 | PSNR 约下降 0.2 dB |

主文表 1 尤其值得看：

| 方案 | 光流编码成本 | 变形图像 PSNR |
|---|---:|---:|
| 冻结光流网络 | 0.044 bpp | 27.33 dB |
| 联合训练 | 0.029 bpp | 28.17 dB |

联合训练后，运动编码成本约减少了 34%，变形图像的 PSNR 还提高了 0.84 dB。

这里的 PSNR 衡量的是**变形图像**，不是最终加上残差后的重建帧。两者不能混用。

图 7 则提供了机制上的线索：联合训练后的重建光流出现更多零运动区域。对一些纹理均匀的区域，运动值即使偏离真实运动，采样得到的像素仍可能很接近。

**这组结果说明，用于压缩的运动表示可以优先保留对预测有价值、又容易编码的信息。** 但“零光流更多”只是可压缩性的一个解释，实际码率仍由潜变量与概率模型决定。

图 8(b) 还显示，随着 \lambda 增大，总码率上升，运动信息所占比例从 38.8% 降至 26.9%。比例下降并不等于运动的绝对码率下降，要同时看分母如何变化。

11. 最后评估论文贡献与边界，避免把实验结论扩大。

    我的判断是，DVC 最有价值的贡献是：把可学习的运动表示及其编码成本，纳入运动补偿和残差编码共同参与的率失真优化。 光流、压缩变换和概率建模都有已有工作的基础，作者的重要工作在于把它们组成有效的视频压缩系统。

    论文还留下几个值得继续研究的问题：

    • 时间信息利用有限。 主网络只使用一个过去的重建参考帧，多参考帧和双向预测仍有扩展空间。
    • 码率调节依赖多个模型。 四个 \lambda 对应分别训练的模型，论文没有由此建立一个完整的连续码率控制机制。
    • 首帧与完整码流细节没有在主网络图中展开。 复现完整视频编码系统时，还需要明确首帧编码、必要附加信息和总比特统计方式。
    • 运行速度具有具体实验条件。 论文在 352\times288 视频上报告约 24.5 fps 编码、41 fps 解码，不能直接据此推断高分辨率实时表现。

    回到图 2，最值得你亲自追踪的一条依赖关系是：

    \boxed{ \text{光流} \rightarrow\text{运动潜变量} \rightarrow\text{解码光流} \rightarrow\text{预测} \rightarrow\text{残差} \rightarrow\text{最终重建} }

    改变前面的光流，不仅改变运动码率，还会改变残差码率和最终失真。公式（1）把这三个后果一起反馈给网络，这就是理解整篇 DVC 的关键。

第 6 轮｜“讲完了吗”与实际覆盖范围

用户问题：讲完了吗

来源：本聊天 01a13ae4-6cb2-7f23-b09c-942490bf8387，公开回复记录第 298 行，2026-10-15 16:31:54 +08:00。

可核实定位：原短答完整保留；整理勘误K01。

整理时核对发现 · 勘误 K01： 原回复使用“精读”或“讲完”的措辞；其实际形式是专题讲解，未按原文逐段提供英文摘录、翻译与讲解，不代表全文精读完成。下文保留历史原话。

当时的完整回复

论文的核心内容已经讲完了：研究动机、网络流程、损失函数、训练方法、实验、消融和局限。

刚才达到的是“理解整篇论文”的深度。GDN、光流网络、概率模型的内部推导，以及代码实现，还没有展开讲。

第 7 轮｜GDN、光流、概率模型及代码

用户问题：GDN、光流网络、概率模型的内部推导，以及代码实现 这些展开讲

来源：本聊天 01a13ae4-6cb2-7f23-b09c-942490bf8387，公开回复记录第 463 行，2026-10-15 16:48:14 +08:00。

可核实定位：补充推导；后续PyTorch源码；本地独立教学实现。

原进度消息中的实质性补充（记录第 346 行）

发现了一个需要先说明的区别：作者原始仓库公开的是测试代码，明确未提供熵编码模块，特征以 .pkl 保存并报告估计码率。我会结合它链接的 PyTorch 实现讲解，并补一份可运行的教学代码，区分“估计比特数”和“真正生成压缩码流”。

原进度消息中的实质性补充（记录第 399 行）

代码里有几处与论文图示不同：这份后续 PyTorch 实现用四层金字塔估计光流，残差概率采用 Laplace 分布；运动压缩使用 LeakyReLU，运动补偿网络接收变形图与参考图。它还显式统计旁信息 z 的码率。接下来的推导会标明这些区别，避免把论文和重实现混在一起。

原进度消息中的实质性补充（记录第 422 行）

教学代码已跑通，并通过了 GDN 解析梯度、半像素采样、CDF 单调性与归一化、各模块反向传播，以及编码端和独立重建端一致性的检查。它使用合成图像验证数学和数据流；没有训练权重，码率是概率估计值，不代表论文的压缩性能。

当时的完整回复

可以。这次深入到公式为什么这样写、梯度怎样传播，以及源码中对应哪几行操作。

我已经准备并运行了完整教学代码。它包含 GDN、金字塔光流、可学习概率模型、超先验和率失真训练。代码使用较小通道数和随机初始化，方便学习；尚未训练成具有实用压缩效果的模型。

先说明依据：下面对照的是作者原仓库链接的 PyTorch 重实现。它与论文图示存在部分结构差异，我会逐处注明。

1. GDN：用特征的“局部能量”调节特征幅度。

假设卷积层在某个空间位置输出 C 个特征：

\mathbf{x}=[x_1,x_2,\ldots,x_C]

GDN 对第 i 个通道进行变换：

\boxed{ y_i= \frac{x_i} {\sqrt{\beta_i+\sum_j\gamma_{ij}x_j^2}} }

其中，\beta_i>0，\gamma_{ij}\geq0，它们都是可学习参数。求和发生在同一空间位置的不同通道之间。GDN 原始压缩论文，公式（3）

为什么分母要看其他通道？

卷积后的特征可能共同受到某种因素影响。例如，局部对比度变强时，多个通道的响应幅度会同时增大。这意味着它们之间仍有统计依赖，分别编码会损失效率。

用一个简化模型说明：

x_i=s\,a_i,\qquad s>0

s 表示共同的幅度因素。暂时忽略较小的 \beta_i，则：

y_i\approx \frac{sa_i}{\sqrt{\sum_j\gamma_{ij}s^2a_j^2}} = \frac{a_i}{\sqrt{\sum_j\gamma_{ij}a_j^2}}

共同幅度 s 被抵消了。这解释了除法归一化为什么能够削弱一部分依赖。实际网络保留 \beta_i，并通过率失真训练决定合适的变换强度；它不保证所有特征完全独立。

与 BatchNorm 相比，理解上的重要区别是：GDN 使用当前位置的特征和共享的可学习参数，不依赖当前批次统计量。

再看梯度。令：

s_i=\beta_i+\sum_j\gamma_{ij}x_j^2, \qquad y_i=x_i s_i^{-1/2}

根据乘法和链式法则：

\boxed{ \frac{\partial y_i}{\partial x_k} = \frac{\delta_{ik}}{\sqrt{s_i}} - \frac{x_i\gamma_{ik}x_k}{s_i^{3/2}} }

\delta_{ik} 在 i=k 时为 1，否则为 0。

第一项来自分子 x_i，第二项来自分母。第二项也说明：改变一个通道，会通过归一化影响其他通道。

教学代码中的核心操作只有几行：

```python beta = F.softplus(self.beta_raw) + 1e-6 gamma = F.softplus(self.gamma_raw)[:, :, None, None]

norm = F.conv2d(x.square(), gamma, bias=beta).sqrt() output = x / norm ```

这里的 1\times1 卷积实现了：

\beta_i+\sum_j\gamma_{ij}x_j^2

softplus 保证参数为正。它定义为：

\operatorname{softplus}(a)=\log(1+e^a)

原重实现采用的是“平方重参数化＋LowerBound”，与教学版的正值参数化不同。原 GDN 实现

LowerBound 的反向传播也有设计：参数低于下界时，如果梯度会推动它回到允许区域，仍然放行。因为更新为 p\leftarrow p-\eta g，当 g<0 时参数会增大。

解码器中的 IGDN 则使用乘法：

\hat x_i= y_i\sqrt{\hat\beta_i+\sum_j\hat\gamma_{ij}y_j^2}

IGDN 是学习得到的近似逆变换，不是把 GDN 的同一组参数拿来就能精确求逆。 编码、解码两侧有各自的参数，并共同接受最终重建损失的训练。

2. 光流网络：先在小图上处理大运动，再逐层修正。

先明确光流是什么。它给每个位置一个二维位移：

v(x,y)=(u(x,y),v(x,y))

在教学代码里，我们把它定义为：当前输出位置应该到参考图像的哪个位置取样。

光流估计的一个基础出发点是亮度恒定假设：

I(x,y,t)\approx I(x+u,y+v,t+1)

对右侧作一阶展开：

I(x+u,y+v,t+1) \approx I(x,y,t)+I_xu+I_yv+I_t

得到：

I_xu+I_yv+I_t\approx0

这是一个约束，却有 u,v 两个未知数，因此单个像素的信息通常不够。网络需要观察邻域、纹理和上下文来估计运动。

SPyNet 的结构进一步解决了“大运动难估计”的问题：原图中移动 32 个像素，在缩小至 1/8 的图像中只移动约 4 个像素。

它从粗到细进行计算。在第 k 层，先把上一层光流放大：

\tilde V_k=2\,\operatorname{Upsample}(V_{k-1})

再变形参考图像：

W_k=w(I_k^{\mathrm{ref}},\tilde V_k)

网络只估计剩余的光流修正量：

\Delta V_k= G_k\!\left( \operatorname{concat} [I_k^{\mathrm{cur}},W_k,\tilde V_k] \right)

最后：

\boxed{V_k=\tilde V_k+\Delta V_k}

每一层学习的是修正量。 金字塔处理大尺度位移，网络负责改善当前估计。SPyNet 原论文，第 3 节

上采样之后为什么还要乘 2？因为光流的单位也是像素。粗图上移动 2 个像素，对应尺寸加倍的细图上移动 4 个像素。

每层修正网络的输入有：

3\text{ 通道当前图} +3\text{ 通道变形参考图} +2\text{ 通道已有光流} =8\text{ 通道}

对照的源码使用五层 7\times7 卷积，通道依次为：

8\rightarrow32\rightarrow64\rightarrow32\rightarrow16\rightarrow2

最后一层不加 ReLU，以便输出正、负方向的位移。原 SPyNet 论文使用五级金字塔，这份 DVC 重实现使用四级。 对应光流源码

其中还藏着一个重要问题：warp 为什么能够传梯度给光流？

因为它使用双线性插值。若采样位置落在四个像素之间，水平、竖直小数部分分别为 \alpha,\rho，则：

\begin{aligned} w={}&(1-\alpha)(1-\rho)I_{00} +\alpha(1-\rho)I_{10}\\ &+(1-\alpha)\rho I_{01} +\alpha\rho I_{11} \end{aligned}

在一个插值单元内部，对水平位移求导：

\frac{\partial w}{\partial u} =(1-\rho)(I_{10}-I_{00}) +\rho(I_{11}-I_{01})

因此，图像误差可以通过采样坐标传回光流网络。对一片完全均匀的区域，这个梯度可能很小，也呼应了“局部外观不足以唯一确定运动”。

教学代码使用 grid_sample，并显式设置坐标转换与 align_corners=True 一致。还要注意符号：正的水平位移表示向参考图像右侧取样，不能直接解释成物体向右运动。

原 SPyNet 训练会使用真实光流的端点误差：

\operatorname{EPE} =\frac1{HW}\sum_{x,y}\|V(x,y)-V^*(x,y)\|_2

DVC 在此基础上继续优化的是视频压缩目标。因此，预训练光流和为压缩而调整后的光流，优化目的有所不同。

3. 概率模型：学习符号概率，再把概率转成编码成本。

先分清三个对象：

• 编码器产生连续特征 y。
• 量化得到整数符号 \hat y=\operatorname{round}(y)。
• 概率模型估计这些整数符号出现的概率。

假设符号的真实分布是 q，我们使用的编码分布是 p。理想平均码长为：

\mathbb E_{s\sim q}[-\log_2p(s)]

将它展开：

\boxed{ \mathbb E_q[-\log_2p] = H(q)+D_{\mathrm{KL}}(q\|p) }

右侧第一项是数据本身的熵，第二项是概率模型不匹配带来的额外成本。这解释了为什么改善概率模型能够降低码率。超先验论文对编码成本的定义

接下来最容易犯的错误是：把连续概率密度值直接当成整数符号的概率。

如果量化结果是整数 k，说明量化前的值落在：

[k-\tfrac12,\ k+\tfrac12)

因此，若连续密度为 f，正确概率为：

p(\hat y=k) =\int_{k-1/2}^{k+1/2}f(t)\,dt

引入累积分布函数 F，就变成：

\boxed{ p(\hat y=k) =F(k+\tfrac12)-F(k-\tfrac12) }

对照源码，你会反复看到：

python probability = cdf(symbols + 0.5) - cdf(symbols - 0.5) bits = -torch.log2(probability.clamp_min(1e-9)).sum()

前一行求区间概率，后一行估计编码成本。

那么，CDF 本身怎么学习？

这份重实现中的 BitEstimator 为每个通道学习一条单调 CDF，在不同空间位置共用参数。其内部层可以写成：

u=h x+b,\qquad h=\operatorname{softplus}(h_{\rm raw})>0

g(u)=u+a\tanh(u), \qquad a=\tanh(a_{\rm raw})\in(-1,1)

最后一层通过 sigmoid，把输出限制到 0 与 1 之间。概率估计器源码

为什么这个结构是单调的？因为：

g'(u)=1+a\bigl(1-\tanh^2u\bigr)>0

正斜率仿射变换、上述单调函数和 sigmoid 连续复合，仍然单调。这样就能把网络输出解释为 CDF，并用两端之差获得非负概率。

残差潜变量还使用了尺度超先验。原因是，不同区域的特征幅度不同：平滑区域可能集中在零附近，复杂区域的分布可能更宽。使用一条固定分布难以同时适配。

实现过程为：

z=h_a(|y|),\qquad \hat z=Q(z),\qquad b=h_s(\hat z)>0

其中 \hat z 是要传输的旁信息，b 是为每个残差潜变量预测的分布尺度。

mermaid flowchart LR A["残差潜变量 y"] --> B["超编码器"] B --> C["量化旁信息 ẑ"] C --> D["超解码器"] D --> E["分布尺度 b"] A --> F["量化符号 ŷ"] E --> G["条件概率与熵编码"] F --> G

解码端必须先恢复 \hat z，才能得到相同的分布参数，再正确熵解码 \hat y。旁信息必须付出比特成本。

Ballé 2018 的尺度超先验使用零均值 Gaussian 描述条件分布；这份后续 PyTorch 实现实际调用的是 Laplace 分布。虽然源码把变量命名为 gaussian、sigma，仍应以创建的分布对象为准。实际概率计算

Laplace 分布的密度为：

f(t\mid b)=\frac1{2b}e^{-|t|/b}

积分得到 CDF：

F(t\mid b)= \begin{cases} \frac12e^{t/b}, & t<0\\ 1-\frac12e^{-t/b}, & t\geq0 \end{cases}

因而：

p(\hat y_i=k\mid\hat z) =F(k+\tfrac12\mid b_i)-F(k-\tfrac12\mid b_i)

这里 b_i 是 Laplace 的尺度，标准差为 \sqrt2b_i，不能直接套用 Gaussian 的标准差含义。

于是实现中的完整码率分成三项：

\boxed{ R=R_m+R_z+R_y }

R_m=-\sum_i\log_2p_m(\hat m_i)

R_z=-\sum_j\log_2p_z(\hat z_j)

R_y=-\sum_i\log_2p_y(\hat y_i\mid\hat z)

运动潜变量和超潜变量使用可学习 CDF；残差潜变量使用尺度条件分布。只统计 R_y 而漏掉 R_z，会低估码率。

训练时为什么它们能产生梯度？取任意一个连续训练符号 s：

R(s)=-\log_2p(s)

\frac{\partial R}{\partial s} =-\frac{p'(s)}{p(s)\ln2}

编码器因此会收到“怎样改变特征才能降低编码成本”的信号；概率模型同时学习怎样更准确地拟合这些特征。

4. 把代码连起来：一次前向计算同时产生重建误差和三种码率。

教学代码中的 MiniDVC 把上述模块连接起来。主要数据流可以压缩成下面这些操作：

```python # 运动分支 flow = model.flow(current, reference) m_hat = quantize(model.motion_encoder(flow), model.training) prediction, warped = model.predict(reference, m_hat)

# 残差与超先验 y = model.residual_encoder(current - prediction) z_hat = quantize(model.hyper_encoder(y.abs()), model.training) scale = F.softplus(model.hyper_decoder(z_hat)) + 1e-4 y_hat = quantize(y, model.training)

# 重建 reconstruction = prediction + model.residual_decoder(y_hat)

# 三种编码成本 R_m = estimated_bits(model.motion_cdf.likelihood(m_hat)) R_z = estimated_bits(model.hyper_cdf.likelihood(z_hat)) R_y = estimated_bits(laplace_mass(y_hat, scale)) ```

假设图像尺寸为 [B, 3, H, W]，则：

\operatorname{bpp} =\frac{R_m+R_z+R_y}{BHW}

分母使用原图的像素数量，不是潜变量数量，也不再乘 RGB 的通道数 3。

在 RGB 像素归一化到 [0,1] 的情况下，教学训练目标为：

python loss = 256 * F.mse_loss(reconstruction, current) + bpp optimizer.zero_grad() loss.backward() optimizer.step()

backward() 会沿着两类路径传播：

• 重建误差通过残差解码、运动补偿和可微采样，影响前面的网络。
• 编码成本通过概率模型和连续潜变量，影响特征表示及分布参数。

训练阶段，三个量化位置都使用：

\tilde s=s+\eta,\qquad \eta\sim\mathcal U(-0.5,0.5)

推理阶段则使用取整。实际代码为：

python def quantize(x, training): if training: return x + torch.empty_like(x).uniform_(-0.5, 0.5) return x.round()

另外，源码还包含几处值得对照阅读的实现选择：

其中，辅助训练目标对应：

L= \lambda\left[ D_{\rm recon} +w(D_{\rm warp}+D_{\rm prediction}) \right]+R

早期 w=0.1，后期为 0。训练脚本

我写的教学版使用纯率失真目标，没有加入这段辅助训练日程，也采用较小通道数与不同的正值参数化，因此不能直接加载原仓库权重。

还有一个实现边界要明确：计算 -log2(probability) 只是估计码率。 真正生成压缩文件，还需要熵编码器用相同的离散概率表编码符号，解码端再用同样的表恢复符号。

作者原始 TensorFlow 仓库明确未公开熵编码模块；后续 PyTorch 重实现包含 torchac 的实际比特分支，但默认 calrealbits=False。原仓库说明

在你当前环境中，可以直接运行：

& "D:\soft\py12\python.exe" "E:\Projects\research\paper-reading\dvc-internals\dvc_internals.py" --check --steps 3

我已验证解析 GDN 梯度、半像素采样及其梯度、CDF 单调性和归一化、Laplace 区间概率、各模块反向传播，以及从相同解码潜变量重建出相同图像。验证记录

读代码时按 GDN → warp → PyramidFlow → FactorizedCDF → MiniDVC.forward 的顺序走，最后追踪 loss.backward()：这样能把每一个公式与实际张量操作对应起来。

【整理时补充运行路径】上方保留当时机器上的原始命令。随本汇编复制的教学代码位于 DVC_讲解资源/code/dvc_internals.py。在汇编所在目录中，用装有 PyTorch 的 Python 运行：

python .\DVC_讲解资源\code\dvc_internals.py --check --steps 3

这只是路径适配；沿用原验证记录，不宣称本次重新训练。

附录｜此前单独整理的学习笔记全文

来源 N01：原文件 E:/Projects/research/paper-reading/dvc-internals/DVC_学习笔记.md。这是后续另行整理的表达，不是逐轮聊天记录；与上面各轮中的重复解释均保留，未静默合并。只将本地链接改为本资源目录，原命令中的历史路径保持原样。

DVC 视频压缩学习笔记

整理日期：2026 年 10 月 15 日。

DVC（CVPR 2019）沿用预测编码框架，把运动估计、运动压缩、运动补偿和残差压缩放进同一个率失真目标中训练。学习重点是理解这些模块如何共同决定最终画质和总码率。

本文将论文设计、作者原始 TensorFlow 仓库、作者链接的后续 PyTorch 重实现，以及本地教学代码分别说明。PyTorch 参考源码固定于提交 e9dafc2bccfa5d49f464e7b031f587a2225d3927；对应文件和来源见 source_manifest.json。

1. 视频压缩利用可以预测的信息，量化则通过近似表示降低数据量。

   一帧图像可以看作像素数组。常见的 8 位灰度像素取值为 0—255，视频是按时间排列的图像序列。空间冗余指同一帧中相邻像素的相关性；时间冗余指相邻帧之间的相关性。

   对原始块 X，先生成预测块 P，计算残差：

   E=X-P.

   如果精确传输残差，接收端可以通过 X=P+E 恢复原图。常见有损编码进一步变换、量化残差，再进行熵编码。

   操作	作用	需要区分的概念
   帧内预测	用同一帧中已重建的邻域预测当前块	帧内编码也有预测和残差
   运动估计	找到参考图像中合适的取样位置	编码器需要搜索或估计运动
   运动补偿	按运动信息生成预测图像	解码端根据收到的运动重建预测
   变换	把残差换成更适合压缩的表示	变换本身不直接减少数值数量
   量化	用较粗的数值近似原值	常见有损编码中引入失真的主要环节
   熵编码	利用符号概率编码为比特	能精确恢复输入符号，但不能找回量化损失

   教学例子：X=[110,112]，P=[100,100]，所以 E=[10,12]。使用一个两点求和、求差变换：

   T=[10+12,10-12]=[22,-2].

   若量化步长为 5，则 q=\operatorname{round}(T/5)=[4,0]，反量化为 \hat T=[20,0]，逆变换得到 \hat E=[10,10]，最终重建为 \hat X=[110,110]。这是说明原理的两点变换；H.264 常用的变换包括 4\times4 整数近似 DCT。

   H.264 的编码器通常还需要选择预测模式、分块和量化参数。常用率失真代价为 J=D+\lambda_R R。运动搜索可以用绝对差之和作为基础匹配指标：

   \operatorname{SAD}(d_x,d_y)=\sum_{i,j}|X(i,j)-P_{d_x,d_y}(i,j)|.

   SAD 最小的候选预测不一定使总编码成本最小，因为运动和模式信息也要占用比特。

   I、P、B 可分别理解为允许帧内预测、允许参考图像预测、允许两组参考列表组合预测的编码类型。严格说它们是切片类型。B 类型可以造成解码顺序与播放顺序不同；并非每个 B 块都必须同时使用前后两帧。

2. DVC 用运动分支生成预测，用残差分支补偿预测误差。

   主论文第 3 节及图 2 是整个方法的阅读中心。[P1]

   符号	含义
   x_t	当前原始帧
   \hat x_{t-1}	上一帧重建结果，作为参考
   v_t,\hat v_t	估计光流、压缩后解码光流
   m_t,\hat m_t	运动潜变量、量化运动潜变量
   \bar x_t	预测帧
   r_t,\hat r_t	像素域残差、解码残差
   y_t,\hat y_t	残差潜变量、量化残差潜变量
   \hat x_t	当前帧最终重建结果
   z_t,\hat z_t	实现中显式使用的超潜变量及其量化结果

   下面的函数名是为讲解定义的记号。运动分支为：

   v_t=F(x_t,\hat x_{t-1}),\quad m_t=E_m(v_t),\quad \hat m_t=Q(m_t),\quad \hat v_t=D_m(\hat m_t).

   论文的运动补偿先变形，再利用参考图、变形图和解码光流进行修正：

   \tilde x_t=w(\hat x_{t-1},\hat v_t),\qquad \bar x_t=C\!\left(\operatorname{concat}[\tilde x_t,\hat x_{t-1},\hat v_t]\right).

   残差分支为：

   r_t=x_t-\bar x_t,\quad y_t=E_r(r_t),\quad \hat y_t=Q(y_t),\quad \hat r_t=D_r(\hat y_t).

   最终：

   \boxed{\hat x_t=\bar x_t+\hat r_t}.

   运动补偿使用解码光流 \hat v_t，参考帧使用重建结果 \hat x_{t-1}。 编码端与解码端必须从相同的已知信息生成预测。解码端不需要当前原始帧，也不重新估计光流。

   论文图 3 的运动编码器经过四次空间下采样，将 H\times W\times2 光流变成 H/16\times W/16\times128 潜变量。潜变量通道不是图像颜色通道，量化后也不意味着每个数值只占一位。实际码率由符号及其概率共同决定。

3. 共同的率失真损失，让运动和残差围绕最终效果协作。

   论文公式（1）为：

   L=\lambda_D\,d(x_t,\hat x_t)+H(\hat m_t)+H(\hat y_t).

   d 使用 MSE；两个编码成本项分别对应运动和残差信息。传统编码已经使用率失真优化，DVC 的贡献在于联合学习多个模块的参数。

   光流改变后，运动码率、残差码率和最终失真都会变化。教学例子：若运动多花 0.01 bpp，却让残差少花 0.03 bpp，并保持最终失真不变，总码率就减少 0.02 bpp。

   DVC 的 \lambda_D 乘在失真项上，越大通常越重视画质。与 D+\lambda_R R 比较时，在度量和归一化一致的前提下，等价的权重关系是 \lambda_R=1/\lambda_D。论文分别训练了 \lambda_D=256,512,1024,2048 的四个模型。

   取整几乎处处梯度为零。训练时使用均匀噪声近似量化，推理时取整：

   \tilde s=s+\eta,\quad \eta\sim\mathcal U(-\tfrac12,\tfrac12); \qquad \hat s=\operatorname{round}(s).

   给定采样噪声，\partial\tilde s/\partial s=1，梯度可以传回编码器。概率模型提供可微的编码成本估计，实际熵编码不参与这种逐操作反向传播。

   论文训练还缓存已经重建的帧，供之后的训练迭代读取和更新，避免每次重新编码整段历史。该描述支持当前帧链路的联合训练，不能据此推断所有历史帧都展开并跨时间反向传播。

4. GDN 根据通道能量调节幅度，IGDN 学习近似逆变换。

   对同一空间位置的多个通道，GDN 定义为：[G1]

   y_i=\frac{x_i}{\sqrt{\beta_i+\sum_j\gamma_{ij}x_j^2}}, \qquad \beta_i>0,\quad\gamma_{ij}\geq0.

   分母中的加权平方和描述特征能量，\beta_i 保证数值稳定。参数通过压缩目标学习，不使用当前批次的均值或方差。

   若多个通道共享幅度因素 x_i=s a_i，其中 s>0，忽略较小的 \beta_i 时：

   y_i\approx\frac{s a_i}{\sqrt{\sum_j\gamma_{ij}s^2a_j^2}} =\frac{a_i}{\sqrt{\sum_j\gamma_{ij}a_j^2}}.

   共同幅度因素被削弱，有助于减少某些统计依赖；这不是特征完全独立的保证。

   令 S_i=\beta_i+\sum_j\gamma_{ij}x_j^2，利用链式法则得到：

   \frac{\partial y_i}{\partial x_k} =\frac{\delta_{ik}}{\sqrt{S_i}} -\frac{x_i\gamma_{ik}x_k}{S_i^{3/2}}.

   第一项来自分子，第二项来自分母。\delta_{ik} 在 i=k 时为 1，否则为 0；因此一个通道也能通过归一化影响其他通道。

   教学代码使用正值重参数化和 1\times1 卷积：

   python beta = F.softplus(self.beta_raw) + 1e-6 gamma = F.softplus(self.gamma_raw)[:, :, None, None] norm = F.conv2d(x.square(), gamma, bias=beta).sqrt() output = x / norm

   IGDN 则为：

   \hat x_i=y_i\sqrt{\hat\beta_i+\sum_j\hat\gamma_{ij}y_j^2}.

   编码、解码两侧使用各自的可学习参数。IGDN 不是将同一组 GDN 参数直接代入就能获得的精确代数逆。

   原 PyTorch GDN 使用平方重参数化和自定义 LowerBound。参数低于下界时，如果梯度会使参数回到可行区域，反向传播仍然放行。教学版改用 softplus，保留正值约束，但不保证与原权重兼容。

   代码入口：教学 GDN、原 GDN。

5. 金字塔光流先处理粗尺度运动，再逐层学习修正量。

   亮度恒定假设给出：

   I(x,y,t)\approx I(x+u,y+v,t+1).

   对右侧作一阶展开，可得 I_xu+I_yv+I_t\approx0。一个像素只有一个约束却有两个位移未知量，所以需要邻域、纹理与先验信息。大运动还会削弱小位移近似的适用性。

   SPyNet 在图像金字塔上由粗到细估计光流。原图中移动 32 个像素，在缩小到 1/8 的图像中只移动约 4 个像素。[F1]

   第 k 层先放大已有光流，再变形参考图，最后估计修正量：

   \tilde V_k=2\operatorname{Upsample}(V_{k-1}),\qquad W_k=w(I_k^{\rm ref},\tilde V_k),

   \Delta V_k=G_k\!\left(\operatorname{concat}[I_k^{\rm cur},W_k,\tilde V_k]\right), \qquad V_k=\tilde V_k+\Delta V_k.

   上采样后乘 2 是为了转换位移单位：粗图上 2 个像素的位移，对应尺寸加倍的细图上 4 个像素。

   每层网络输入为 3 通道当前图、3 通道变形参考图和 2 通道光流，共 8 通道。卷积通道为 8\to32\to64\to32\to16\to2，卷积核为 7\times7，末层不加 ReLU。原 SPyNet 论文使用五级金字塔，对照的 DVC PyTorch 实现使用四级。

   本地代码采用反向取样约定：输出位置 (x,y) 到参考图像 (x+u,y+v) 取值。因此，正水平位移表示向参考图右侧取样，不能直接解释成物体向右运动。

   双线性插值让取样坐标可以接受梯度。令采样位置的水平、竖直小数部分为 \alpha,\rho，四个邻居为 I_{00},I_{10},I_{01},I_{11}：

   w=(1-\alpha)(1-\rho)I_{00}+\alpha(1-\rho)I_{10} +(1-\alpha)\rho I_{01}+\alpha\rho I_{11}.

   在同一个插值单元内部：

   \frac{\partial w}{\partial u} =(1-\rho)(I_{10}-I_{00})+\rho(I_{11}-I_{01}).

   因而图像误差能通过采样位置传给光流。均匀区域的梯度可能很小，也说明其运动难以仅靠局部外观唯一确定。教学版显式设置 grid_sample 的 align_corners=True，并使用与之匹配的坐标归一化。

   原 SPyNet 的监督训练使用光流端点误差；进入 DVC 后，光流还需要服务于最终的画质和编码成本。论文损失中没有额外的真实光流监督项。

   代码入口：采样与插值、教学光流网络、原光流网络。

6. 概率模型通过量化区间的概率计算编码成本，超先验提供分布的条件信息。

   设真实符号分布为 q，编码采用模型分布 p。理想平均码长是交叉熵：

   \mathbb E_q[-\log_2p]=H(q)+D_{\rm KL}(q\|p).

   模型不匹配会带来额外编码成本；压缩训练既学习特征，也学习其概率模型。[E1]

   连续特征 y 量化成整数 k，意味着它落在 [k-1/2,k+1/2)。若连续密度为 f、CDF 为 F，则：

   \boxed{p(\hat y=k)=\int_{k-1/2}^{k+1/2}f(t)\,dt =F(k+\tfrac12)-F(k-\tfrac12)}.

   连续密度值可以大于 1，不能直接当作整数符号的概率。代码需要计算区间概率，再计算 -\log_2 p。

   BitEstimator 为每个通道学习一条 CDF，参数在空间位置之间共享。其非末层可以写成：

   u=h x+b,\quad h=\operatorname{softplus}(h_{\rm raw})>0, \qquad g(u)=u+a\tanh u,\quad a=\tanh(a_{\rm raw})\in(-1,1).

   因为 g'(u)=1+a(1-\tanh^2u)>0，这些层保持单调。末层 sigmoid 将输出限制为 0—1，多层复合形成可学习 CDF。

   残差特征在不同位置具有不同幅度，因此使用超编码器提取旁信息：

   z=h_a(|y|),\quad \hat z=Q(z),\quad b=h_s(\hat z)>0.

   \hat z 先被编码和传输。接收端先恢复 \hat z，再预测分布尺度 b，最后用相同的条件概率解码 \hat y。一旦 \hat y 已经恢复，像素重建网络就不再需要 \hat z；这不代表熵解码时可以省略它。

   Ballé 2018 的尺度超先验使用零均值 Gaussian 描述条件分布；对照的 PyTorch 重实现实际使用 Laplace：

   f(t\mid b)=\frac1{2b}e^{-|t|/b},\qquad F(t\mid b)=\begin{cases} \tfrac12e^{t/b},&t<0,\\ 1-\tfrac12e^{-t/b},&t\geq0. \end{cases}

   b 是尺度参数，标准差为 \sqrt2b。源码虽然使用 gaussian、sigma 等变量名，仍应以创建的 Laplace 对象为准。

   实现将总成本分成三项：

   R_m=-\sum_i\log_2p_m(\hat m_i),\quad R_z=-\sum_j\log_2p_z(\hat z_j),\quad R_y=-\sum_i\log_2p_y(\hat y_i\mid\hat z).

   旁信息也要付出成本。对 [B, 3, H, W] 图像，总 bpp 为：

   \operatorname{bpp}=\frac{R_m+R_z+R_y}{BHW}.

   分母是原图像素数，不是潜变量数，也不再乘 RGB 通道数 3。训练时若 R(s)=-\log_2p(s)，则：

   \frac{\partial R}{\partial s} =-\frac{p'(s)}{p(s)\ln2}.

   该梯度把“特征如何变化能降低编码成本”的信号传给编码器；概率参数同时学习如何拟合特征分布。

   代码入口：可学习 CDF、Laplace 区间概率、原概率估计器、原残差概率计算。

7. 实验支持联合学习的价值，性能结论受指标、序列和编码配置影响。

   论文使用 Vimeo-90k 训练，在 UVG 和 HEVC Class B/C/D/E 上评估。训练裁剪为 256\times256，批次大小为 4，Adam 初始学习率为 10^{-4}。传统基线使用 FFmpeg 的 veryfast 配置。[P1][P2]

   率失真曲线应在相同 bpp 下比较质量，或在相同质量下比较 bpp。补充表 1 所列 16 个 HEVC 序列的平均 BD-BR 如下，负数表示相对 H.264 节省码率：

   质量指标	DVC 相对 H.264	H.265 相对 H.264
   PSNR	−19.22%	−25.06%
   MS-SSIM	−29.32%	−21.73%

   DVC 平均优于论文配置下的 H.264；与 H.265 相比，平均 PSNR 结果仍有差距，MS-SSIM 结果更有竞争力。29.32% 的比较基线是 H.264。序列差异也明显，例如 BQMall 在 PSNR 下的 DVC BD-BR 为 +26.13%，并非所有序列都胜出。

   主文表 1 对比了冻结与联合训练光流网络：

   光流训练方式	运动编码成本	变形图像 PSNR
   冻结预训练光流网络	0.044 bpp	27.33 dB
   联合训练	0.029 bpp	28.17 dB

   联合训练后，运动成本约降低 34%，变形图像 PSNR 提升 0.84 dB。这里测量的是变形图像，不是加上解码残差后的最终重建。

   图 6 的消融进一步显示：去掉运动补偿修正网络，相同 bpp 下 PSNR 约下降 1 dB；去掉运动压缩网络或不使用运动，下降超过 2 dB；训练时用原始参考帧代替缓存重建帧，约损失 0.2 dB。

   图 7 中联合训练后的重建光流有更多零运动区域。均匀区域即使使用不完全符合真实运动的光流，也可能生成接近的像素，因此压缩目标能够选择更容易编码的运动表示。最终码率仍取决于潜变量和概率模型。

   图 8 中，随 \lambda_D 增大，总码率上升，运动码率占比由 38.8% 降至 26.9%。占比下降不能直接推出运动的绝对码率下降。

   方法的研究边界包括：主网络只使用一个过去的参考帧；不同工作点使用分别训练的模型；论文在 352\times288 上报告约 24.5 fps 编码和 41 fps 解码，该速度不能直接用于推断高分辨率实时表现。

8. 阅读实现时，先确定版本，再追踪张量和编码成本。

   项目	论文或引用方法	后续 PyTorch 重实现	本地教学代码
   运动压缩	图 3 使用四次下采样及 GDN/IGDN	八层卷积和 LeakyReLU	跟随重实现的数据流，缩小通道数
   运动补偿	参考图、变形图和解码光流共同输入	拼接参考图和变形图，预测修正量后加回变形图	跟随六通道输入与修正结构
   残差变换	引用深度图像压缩网络	GDN/IGDN，默认 N=64、M=96	默认 N=16、M=24
   条件分布	Ballé 2018 以 Gaussian 建模尺度超先验	实际使用 Laplace	使用 Laplace 区间概率
   训练参考	描述在线缓存重建帧	数据加载器直接读取参考图	合成图像对
   训练目标	主文公式为率失真目标	前 50 万步加入辅助预测损失	纯率失真目标
   首帧	主网络图未展开	README 要求先用 H.265 产生 I 帧	直接提供参考图像，不编码 I 帧
   熵编码	论文报告算术编码码率检查	有 torchac 分支，默认 calrealbits=False	估计码率，不生成熵编码码流

   作者原始 TensorFlow 仓库的 README 则采用学习式图像压缩处理帧内图像，并明确说明公开代码没有提供熵编码模块，特征保存为 .pkl，报告估计 bpp。[C1] 上表的 PyTorch 版本与该原始仓库不可直接混为一谈。

   本地教学模型没有预训练权重，与原仓库检查点不兼容。其 GDN 改用 softplus 参数化，超解码器也通过 softplus 保证尺度为正，并显式设置现代采样坐标约定。

   按以下顺序读代码：

   顺序	函数或类	需要追踪的问题
   1	GDN	跨通道平方和如何用 1×1 卷积实现
   2	warp	像素坐标如何转换为 grid_sample 坐标
   3	PyramidFlow	上采样与位移单位如何同步变化
   4	FactorizedCDF	单调性与区间概率如何保证
   5	laplace_mass	如何稳定计算量化区间概率
   6	MiniDVC.forward	两条压缩分支和旁信息如何连接
   7	self_check	数学约束和梯度是否得到验证

   教学代码的核心前向过程为：

   ```python flow = model.flow(current, reference) m_hat = quantize(model.motion_encoder(flow), model.training) prediction, warped = model.predict(reference, m_hat)

   y = model.residual_encoder(current - prediction) z_hat = quantize(model.hyper_encoder(y.abs()), model.training) scale = F.softplus(model.hyper_decoder(z_hat)) + 1e-4 y_hat = quantize(y, model.training) reconstruction = prediction + model.residual_decoder(y_hat)

   R_m = estimated_bits(model.motion_cdf.likelihood(m_hat)) R_z = estimated_bits(model.hyper_cdf.likelihood(z_hat)) R_y = estimated_bits(laplace_mass(y_hat, scale)) ```

   其中 model、current、reference 及函数定义来自教学文件；上面是主体流程摘录。训练步骤为：

   python B, _, H, W = current.shape bpp = (R_m + R_z + R_y) / (B * H * W) loss = 256 * F.mse_loss(reconstruction, current) + bpp optimizer.zero_grad() loss.backward() optimizer.step()

   原重实现的早期目标使用 D=D_{\rm recon}+0.1(D_{\rm warp}+D_{\rm prediction})，50 万步后去掉辅助项；原脚本还逐元素裁剪梯度。教学版使用梯度范数裁剪，不复现整套训练日程。

   当前机器可用以下 PowerShell 命令检查数学与数据流，并运行三步合成训练：

   powershell & "D:\soft\py12\python.exe" "E:\Projects\research\paper-reading\dvc-internals\dvc_internals.py" --check --steps 3

   已保存的 verification.json 记录了 CPU 上的验证：GDN 解析梯度、半像素插值及梯度、CDF 单调性与归一化、Laplace 区间概率、所有模块接受率失真梯度，以及从相同解码潜变量重建出相同图像。该记录使用 PyTorch 2.13.0+cu126，验证不代表真实数据集上的压缩性能。

   实际熵编解码还需要双方一致的离散概率表、符号范围、终止及尾部处理，并需要统计旁信息和必要头信息。-log2(probability)、.pkl 文件大小和真实压缩码流大小是三个不同概念。

9. 复习时用下面这些问题检查理解。

   问题	答案要点
   编码端为什么也要重建当前帧	后续参考必须与解码端一致
   为什么用解码光流生成预测	解码端只能获得压缩后恢复的光流
   预测准确是否保证总码率更低	还要计算运动、模式和残差的成本
   光流越接近真实运动越好吗	压缩评价需要考虑最终失真和总码率
   GDN 是否保证完全独立	不能保证，只学习有利于压缩的非线性表示
   IGDN 是否是精确逆	是学习的近似逆形式，参数独立
   连续密度能否直接当整数概率	应计算量化区间的概率质量
   BitEstimator 是否直接输出比特	输出 CDF，先作区间差，再取负对数
   超先验 z 为什么需要传输	解码端需要它恢复相同的条件概率模型
   为什么码率是三项	运动 m、旁信息 z、条件残差特征 y 都要编码
   光流放大为什么乘 2	图像像素单位随分辨率变化
   推理时还能依赖当前原始帧吗	编码端可以，解码端只能使用码流、参考与共享模型
   估计 bpp 是否等于真实码流大小	只是理想编码成本估计，实际编码还存在实现开销
   29.32% 是相对 H.265 的节省吗	是补充表 1 中相对 H.264 的平均结果

   能够从图 2 独立写出“运动潜变量→解码光流→预测→残差潜变量→解码残差→最终重建”，并补上 z 的条件解码关系、总 bpp 和损失函数，就建立了从论文到代码的对应关系。

资料与代码来源

• [P1] DVC 主论文：方法、损失、训练策略、主实验与消融。
• [P2] DVC 补充材料：BD-BR、传统编码器设置和运动补偿网络结构。
• [H1] H.264 AVC 总览论文：预测、变换编码、参考关系与环内滤波。
• [G1] End-to-end Optimized Image Compression：GDN、IGDN 与量化训练近似。
• [F1] Optical Flow Estimation using a Spatial Pyramid Network：金字塔、残差光流及网络结构。
• [E1] Variational image compression with a scale hyperprior：交叉熵、条件尺度模型、可学习 CDF 与旁信息。
• [C1] 作者原始 DVC 仓库：原始测试代码与熵编码公开范围。
• [C2] 固定提交的 PyTorch 重实现：本地 reference 文件的来源，许可证保存于 LICENSE。
• [C3] 本地教学代码及来源清单：小通道、无预训练权重的数学与数据流演示。

答疑与勘误索引

K01｜整理时核对发现：专题讲解不等于全文逐段精读

原用户问题是“精读论文”，其后原回复以方法、训练和实验的专题结构讲解；再回答“讲完了吗”时写了“论文的核心内容已经讲完了”。这些原话分别保留在第 5、6 轮，便于追溯。

按本项目当前精读规则，全文精读需沿原文顺序逐自然段提供允许范围内的英文摘录、中文翻译与必要讲解，并记录具体停止位置。本聊天没有这样的完整逐段链条。因此，准确状态是：已有专题讲解与模块答疑；连续全文精读覆盖未建立，不能登记为全文精读完成。

若随后恢复全文精读，应从主文 PDF 第 1 页标题、作者与摘要起建立连续记录；已经讲过的背景可引用，不应把它算作已经完成对应自然段。本次只整理旧讲解，不补讲新段落、不更改原话、不推测缺失进度。

编辑与图表处理说明

• 各轮原正文、列表、表格、公式、伪代码、例子、自查问题均保留；互动用语保留原样。只增加标题、来源定位、导航和明确标注的整理说明。
• 同一公开回复在会话中同时存在的消息副本只取 response_item 一份；不同轮次中重复的解释与后续笔记均保留。
• 聊天专用 PDF 引用改成对应本地 PDF 链接；逐轮的具体章节、图表、页码在来源表与图注中补明。代码链接改为资源目录，行号改用 #L行号。原始公开消息文本仍保存在来源快照中。
• 原交互图示恢复为本地可独立打开的演示，保留原脚本与数据；主文另列三种完整静态状态，打印不丢状态。原两段 Mermaid 源码保留，HTML 同时展示按其节点与连线生成的辅助流程图。
• 原图补入第 5 轮相应位置：主文图 2—8、主文表 1、补充材料表 1 与图 3。全部标为“整理时补入原图”，不是新增历史讲解。
• 本次未新增论文内容；未改动原 PDF、旧笔记与旧 HTML。参考源码及教学代码按已有文件复制；沿用当时验证记录，不把历史测试说成本次重新测试。

术语与公式索引

来源与收录核对表

来源均限于本聊天及其已生成文件。会话定位使用会话标识、时间和 JSONL 行号；不复制内部推理或工具日志。

详细证据：公开消息快照、来源清单、文本核对报告、图表清单、HTML 检查报告、阅读记录。

缺口与边界： 本聊天这 7 轮可获取的原始完整回复已全部收录，另收录 5 条实质性补充与 1 份既有笔记；没有仅凭压缩摘要恢复的正文。未讲过的逐段原文、未单独分析的参考文献与补充实验不能算已完成。原图属于整理时依据原文补入的资源，未冒充历史展示。此处的“讲解全文”指已实际给出的讲解全文，不表示论文全文逐段精读完成。