关于 Apple ProRes

2023-12-11 14:49
文章标签 apple prores

本文主要是介绍关于 Apple ProRes,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Apple ProRes 编解码器提供独一无二的多码流实时编辑性能、卓越图像质量和降低的存储率组合。Apple ProRes 编解码器充分利用多核处理,并具有快速、降低分辨率的解码模式。

所有 Apple ProRes 编解码器都支持全分辨率的所有帧尺寸(包括 SD、HD、2K、4K 和 5K)。数据速率有所不同,具体取决于编解码器类型、图像内容、帧尺寸以及帧速率。Apple ProRes 包括以下格式。

//要让 RAW 媒体拥有与 Apple ProRes 相同的性能、质量和易用性,请使用 Apple ProRes RAW。 进一步了解 ProRes RAW。//

Apple ProRes 4444 XQ*

Apple ProRes 4444 XQ 是用于 4:4:4:4 图像源的最高品质的 Apple ProRes 版本(包含 alpha 通道)。此格式具有非常高的数据速率,可以保留目前最高质量数字图像传感器生成的高动态范围图像中的详细信息。Apple ProRes 4444 XQ 可以保留大于 Rec. 709 图像的动态范围数倍的动态范围。即使在经过极端的视觉效果处理之后也是如此,这种处理过程会使色阶的暗部或亮部都得到显著延伸。像标准 Apple ProRes 4444 一样,此编解码器支持每图像通道高达 12 位,alpha 通道高达 16 位。对于 1920x1080 和 29.97 fps 的 4:4:4 源,Apple ProRes 4444 XQ 具有大约 500 Mbps 的目标数据速率。

ProRes 4444 XQ 在 OS X Mountain Lion v10.8 或更高版本上受支持。

Apple ProRes 4444*

Apple ProRes 4444 是用于 4:4:4:4 图像源的最高品质的 Apple ProRes 版本(包含 alpha 通道)。此编解码器具有全分辨率、高质量 4:4:4:4 RGBA 颜色和与原始材料没有视觉区别的视觉保真度。Apple ProRes 4444 是一项高质量解决方案,用于储存和交换动态图形和复合视频,具有出色的多次编码性能和数学无损 alpha 通道(最高达 16 位)。与未压缩的 4:4:4 HD 相比,此编解码器具有卓越的低数据速率。对于 1920x1080 和 29.97 fps 的 4:4:4 源,具有大约 330 Mbps 的目标数据速率。它还提供到 RGB 和 Y’CBCR 像素格式的直接编码和解码。

Apple ProRes 422 HQ

Apple ProRes 422 HQ 是较高数据速率版本的 Apple ProRes 422,它可对 4:2:2 图像源保留与 Apple ProRes 4444 相同等级的视觉质量。随着视频后期制作行业广泛地采用 Apple ProRes 422 HQ,这种格式能在视觉上无损保留一个单链路 HD-SDI 信号可携带的最高质量专业 HD 视频。此编解码器支持全宽度、10 位像素深度的 4:2:2 视频源,同时通过多次解码和重编码保持了视觉无损状态。目标数据速率在 1920x1080 和 29.97 fps 时约为 220 Mbps。

Apple ProRes 422

Apple ProRes 422 是高质量的压缩编解码器,提供几乎所有 Apple ProRes 422 HQ 的优势,但是提供 66% 的数据速率,可实现更好的多码流实时编辑性能。目标数据速率在 1920x1080 和 29.97 fps 时约为 147 Mbps。

Apple ProRes 422 LT

Apple ProRes 422 LT 是比 Apple ProRes 422 更高度压缩的编解码器,数据速率大概为 70%,文件小 30%。该编解码器非常适合追求最佳储存容量和数据速率的环境。目标数据速率在 1920x1080 和 29.97 fps 时约为 102 Mbps。

Apple ProRes 422 Proxy

Apple ProRes 422 Proxy 是比 Apple ProRes 422 LT 更高度压缩的编解码器,适用于需要低数据速率和全分辨率视频的离线工作流程。目标数据速率在 1920x1080 和 29.97 fps 时约为 45 Mbps。

* Apple ProRes 4444 和 Apple ProRes 4444 XQ 非常适合动态图形媒体的交换,因为它们几乎是无损的。它们也是仅有的支持 alpha 通道的 Apple ProRes 编解码器。

这篇关于关于 Apple ProRes的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/481078

相关文章

Apple quietly slips WebRTC audio, video into Safari's WebKit spec

转自:http://www.zdnet.com/article/apple-quietly-slips-webrtc-audio-video-into-safaris-webkit-spec/?from=timeline&isappinstalled=0 http://www.zdnet.com/article/apple-quietly-slips-webrtc-audio-video-

php 苹果登录 Sign In with Apple 服务端处理

苹果登录会验证用户:identityToken 的合法性,验证方法是JWT验证。   完整的验证identityToken的代码可参考:https://github.com/GriffinLedingham/php-apple-signin  use AppleSignIn\ASDecoder; $identityToken = Request::instance()->param('id

Apple 重發iOS 17.6.1 修正版

蘋果又再次替 iPhone 和 iPad 用戶釋出 iOS 17.6.1更新(21G101),這次更新與8日所推出的 iOS 17.6.1 正式版相同,官方在更新說明內也沒有提到任何修改,依舊是維持修正進階資料保護的問題 iOS 17.6.1 更新修正版內容重點整理 1. 系統內部版本號不同 最早 iOS 17.6.1 正式版是在8月8日當天推出,最初內部版本號為 21G93 ,如今蘋果又再

apple watch

1:  需要蓝牙连接到iPhone才可以打电话 不然他就是一个表(网络  手机)    是全新的不到2000  全新5s也就3000多点 2:  现在最新的是 IOS8, 但视频时IOS5.0的,(移动设备)  MAc是。。。 清明节: 1:  请我吃套餐, people’s squire 2: 为啥你不知道:买个菠萝, 梁伟   法国人送2个苹果   教师

Apple LLM: 智能基础语言模型(AFM)

今天想和大家分享一下我最近在arXiv.org上看到苹果发表的一篇技术论文 Apple Intelligence Foundation Language Models (https://arxiv.org/abs/2407.21075),概述了他们的模型训练。这虽然出乎意料,但绝对是一个积极的惊喜! 这篇论文有那么多作者参与,就知道这模型不简单。研究团队在这篇论文里给我们展示了两个超厉害

Apple Explores Robotics in Search of Life Beyond the iPhone

Apple is exploring a push into robotics — both to gain a foothold in consumers’ homes and add a new dimension to its product lineup. Also: Meta nears the launch of a cheaper Quest; Apple tries a new V

Parallels Desktop 在 Apple Silicon 架构下有哪些限制

由于 ARM 架构的特殊性,Parallels Desktop 在搭载 Apple Silicon 的 Mac 电脑的有一些限制。本文主要是分享在配备苹果 M 芯片的 Parallels Desktop for Mac 包含的限制项。 对比在 Intel 芯片上的一些缺失的功能:  搭载苹果 M 芯片的 Mac 计算机的Parallels Desktop 暂时还不支持以下功能: 嵌套虚拟

贝斯编曲:Apple Bass P激活键位 贝斯写法 律动 加花 电贝司 泛音 各种鼓的拟声词

Apple Bass P音源介绍 C0:默认,常规演奏 C#0:泛音(伴奏基本不用,Solo用) D0:闷音 D#0:滑音 E0:连奏滑音(重叠音头,默认打开) F#0:重复止音(连续演奏急促短音使用) G0、A0:Slap开关(演奏技法) G#0:点弦 Apple Bass P激活键位       贝斯写法 补充低频 跟随和

【从Qwen2,Apple Intelligence Foundation,Gemma 2,Llama 3.1看大模型的性能提升之路】

从早期的 GPT 模型到如今复杂的开放式 LLM,大型语言模型 (LLM) 的发展已经取得了长足的进步。最初,LLM 训练过程仅侧重于预训练,但后来扩展到包括预训练和后训练。后训练通常包括监督指令微调和校准,这是由 ChatGPT 推广的。 自 ChatGPT 首次发布以来,训练方法已不断发展。在本文中,我回顾了训练前和训练后方法的最新进展,特别是最近几个月取得的进展。 概述 LLM 开发和培

分治,1875C - Jellyfish and Green Apple

目录 一、题目 1、题目描述 2、输入输出 2.1输入 2.2输出 3、原题链接 二、解题报告 1、思路分析 2、复杂度 3、代码详解 一、题目 1、题目描述 2、输入输出 2.1输入 2.2输出 3、原题链接 1875C - Jellyfish and Green Apple 二、解题报告 1、思路分析 n