VVC环路滤波体系:ALF/SAO/DBF协同机制与工程落地指南

【人工智能评测】基于Java+Vue的知识问答数据集管理系统:多维度自动判分与评分一致性分析平台设计 项目介绍 基于java+vue的直播电商商家准入审核与违规样本库平台设计与实现(含模型描述及部分示 内容概要:本文介绍了一个基于Java和Vue的知识问答评测数据集管理与判分一致性系统的设计与实现。系统旨在解决AI问答模型评测过程中存在的数据分散、人工评分标准不一、评分结果难以追溯等问题。通过构建统一的数据集管理体系,支持问题、参考答案、模型答案、评分维度等结构化存储,并引入多维度自动判分机制,结合关键词覆盖率、余弦相似度等算法实现客观指标量化。系统还提供多人评分一致性分析功能,利用平均绝对差、Kappa系数等统计方法评估评分一致性,标记争议样本并触发复核流程。整体架构采用Spring Boot + Vue前后端分离模式,集成MySQL、Redis和消息队列,保障高效稳定运行,并支持评测任务调度、权限控制与审计日志,形成从数据管理到模型优化的闭环。; 适合人群:具备Java与Vue开发基础,从事人工智能评测系统、知识库平台或教育测评工具研发的工程师及技术人员,尤其适合工作1-3年、希望深入理解评测系统设计逻辑的研发人员。; 使用场景及目标:① 构建标准化的知识问答评测平台,实现大规模数据的统一管理与批量处理;② 设计多维度自动评分模型,提升评测客观性与效率;③ 分析多人评分一致性,减少主观偏差,支撑模型迭代优化决策;④ 实现从评测任务创建、自动打分、人工复核到统计分析的全流程闭环管理。; 阅读建议:此资源不仅包含系统架构与核心代码示例,还涵盖评分算法实现与数据生成逻辑,建议结合Maven依赖配置与代码实践,搭建原型系统进行调试与扩展,重点关注评分权重校验、一致性计算与多源数据导入等关键环节的设计思路与实现细节。 立即下载

引言:环路滤波是压缩画质的"最后一道防线"

视频编码中的量化环节会引入不可逆的信息损失,导致重建画面出现块效应、振铃效应、边缘模糊等伪影。环路滤波(In-Loop Filter)的作用就是在编码环路中对重建画面进行滤波修复,既提升主观画质,又为后续帧的预测提供更干净的参考帧,从而间接提升压缩效率。

H.266/VVC在HEVC的DBF+SAO基础上,大幅增强了ALF(自适应环路滤波)的能力,并优化了各滤波器之间的协同机制,使环路滤波环节较HEVC提升约2-4% BD-rate增益。

但ALF的计算复杂度远高于SAO,滤波器系数的信令开销也不容忽视。如何在滤波增益与编码开销之间取得平衡,是工程落地的核心挑战。

本文从算法原理到工程实践,系统梳理VVC环路滤波的关键技术,并给出可复用的优化策略与配置模板。

DBF:去块效应滤波

核心思想

块效应(Blocking Artifact)是视频编码中最典型的伪影——由于CU/TU以块为单位独立编码,块边界处的像素值可能出现不连续跳变,形成肉眼可见的"网格"。

DBF(Deblocking Filter)的作用就是平滑块边界处的像素跳变,同时保留真实的边缘信息(如物体轮廓)。

边界强度判定

DBF的核心是边界强度(Boundary Strength, BS)判定,BS值决定了滤波的强度:

BS值触发条件滤波强度
0块内无边界不滤波
1帧间预测,无残差弱滤波
2帧间预测,有残差中等滤波
3帧内预测强滤波
4边界位于CU边界且至少一侧为帧内最强滤波

判定流程:

  1. 遍历所有TU/CU边界
  2. 根据两侧CU的预测模式、残差情况、运动矢量差异计算BS
  3. 根据BS值选择滤波器和滤波强度

滤波策略

VVC的DBF在HEVC基础上做了以下优化:

  • 最大滤波宽度:从HEVC的8像素扩展到10像素(亮度分量)
  • 色度滤波增强:色度分量的滤波宽度也相应增加
  • 并行化改进:支持更多边界并行处理

滤波公式(简化版):

Δ = clip3(-tC, tC, ((p1 - q1) + 4 * (p0 - q0) + (p1 - q1) + 8) >> 4)
p0' = p0 + Δ
q0' = q0 - Δ

其中 p0/q0 为边界两侧像素,tC 为阈值参数,由QP和BS共同决定。

压缩增益与复杂度

  • 压缩增益:DBF可使整体码率降低约1-2%
  • 复杂度:DBF计算量相对较小,占编码总耗时约3-5%

工程实践:DBF是必选工具,VVenC默认启用,一般不关闭。

SAO:样点自适应补偿

核心思想

DBF只能平滑块边界,但量化还会引入其他类型的失真,如边缘偏移(边缘处像素值整体偏高或偏低)和带状偏移(某些灰度区间的像素值系统性偏差)。

SAO(Sample Adaptive Offset)的作用就是对重建像素进行自适应补偿,校正系统性偏差。

补偿模式

SAO支持两类补偿模式:

1. 边缘偏移(Edge Offset, EO)

根据当前像素与相邻像素的大小关系,将像素分为4类边缘类型:

  • 类型1:当前像素为局部峰值(两个邻居都更小)→ 负补偿
  • 类型2:当前像素为局部谷值(两个邻居都更大)→ 正补偿
  • 类型3:当前像素为下降沿(一个邻居更大,一个更小)→ 负补偿
  • 类型4:当前像素为上升沿(一个邻居更小,一个更大)→ 正补偿

2. 带状偏移(Band Offset, BO)

将像素值范围(0-255)均匀分为32个带(band),每个带使用相同的补偿值。编码器选择增益最大的几个带进行补偿。

区域划分

SAO以CTU(编码树单元)为单位进行区域划分,每个CTU独立选择SAO模式(EO/BO/不启用)和补偿参数。

参数信令:SAO参数(模式索引、补偿值)通过APS(自适应参数集)传输,支持跨CTU复用,减少信令开销。

压缩增益与复杂度

  • 压缩增益:SAO可使整体码率降低约1-2%
  • 复杂度:SAO需要统计像素分布并计算最优补偿值,占编码总耗时约5-8%

工程实践:VVenC默认启用SAO,对低复杂度场景可以关闭。

ALF:自适应环路滤波

核心思想

DBF和SAO都是固定规则的滤波器,而ALF(Adaptive Loop Filter)是数据驱动的自适应滤波器——根据重建画面的局部特征,自动选择最优的滤波器系数。

ALF的核心优势:

  • 自适应性强:针对不同纹理区域使用不同滤波器
  • 滤波精度高:可以校正多种类型的失真
  • 压缩增益大:是VVC环路滤波中增益最大的工具

滤波器设计

VVC的ALF使用7×7菱形滤波器(共25个抽头),滤波器系数通过最小化重建画面与原始画面的均方误差(MSE)自适应计算:

min Σ (original[i] - filtered[i])²

滤波器分类:ALF将CTU分为多个类别,每个类别使用不同的滤波器:

  • 亮度分量:最多25个滤波器,根据方向性(方向指数)和活动性(活动指数)分类
  • 色度分量:最多4个滤波器,根据活动性分类

分类流程:

  1. 计算每个CTU的梯度方向(水平/垂直/对角)
  2. 计算每个CTU的活动性(梯度幅值)
  3. 根据方向+活动性映射到滤波器类别
  4. 为每个类别计算最优滤波器系数

参数信令

ALF滤波器系数通过APS(自适应参数集)传输,支持以下优化:

  • 跨片条复用:多个片条共享同一组ALF参数
  • 跨帧复用:后续帧可以复用前帧的ALF参数
  • 子集选择:编码器可以从预计算的滤波器库中选择子集传输

工程优化:VVenC使用快速ALF决策,对活动性较低的CTU跳过ALF,将ALF计算开销降低约40%。

压缩增益与复杂度

  • 压缩增益:ALF可使整体码率降低约2-3%,是VVC环路滤波中增益最大的工具
  • 复杂度:ALF需要计算滤波器系数并逐像素滤波,占编码总耗时约15-20%

工程实践:VVenC默认启用ALF,对实时编码场景可以考虑关闭或减少滤波器数量。

多滤波协同机制

滤波顺序

VVC环路滤波的执行顺序为:

重建像素 → DBF → SAO → ALF → 输出

设计原理:

  1. DBF先行:先消除最明显的块效应,为后续滤波提供干净输入
  2. SAO居中:校正系统性偏差,输出更均匀的像素分布
  3. ALF殿后:在前两级滤波基础上进行精细自适应滤波

协同优化

VVC在多滤波协同方面做了以下优化:

  • 参数联合优化:DBF的阈值参数会影响SAO和ALF的输入,编码器在RDO过程中联合考虑
  • SAO-ALF交互:SAO补偿后的像素分布会影响ALF的滤波器计算,VVenC在计算ALF系数时使用SAO后的像素
  • 滤波器禁用标志:编码器可以在CU级别禁用ALF,避免对已充分滤波的区域重复处理

压缩增益分配

滤波器BD-rate增益编码耗时占比
DBF1-2%3-5%
SAO1-2%5-8%
ALF2-3%15-20%
合计3-5%23-33%

实战配置模板

高质量编码场景

# VVenC参数
--preset slower
--deblock 1                 # 启用DBF
--sao 1                     # 启用SAO
--alf 1                     # 启用ALF
--max-alf-filters 25        # 最大ALF滤波器数量
--alf-fast 0                # 关闭ALF快速模式

实时编码场景

--preset fast
--deblock 1                 # 启用DBF(必选)
--sao 1                     # 启用SAO
--alf 0                     # 关闭ALF(节省计算)

屏幕内容编码场景

--preset slower
--deblock 1                 # 启用DBF
--sao 1                     # 启用SAO
--alf 1                     # 启用ALF
--screen-content 1          # 启用屏幕内容优化
--max-alf-filters 16        # 减少ALF滤波器数量(屏幕内容增益有限)

低复杂度场景

--preset faster
--deblock 1                 # 启用DBF(必选)
--sao 0                     # 关闭SAO
--alf 0                     # 关闭ALF

环路滤波的工程优化

快速ALF决策

VVenC使用多级快速ALF决策策略:

  1. 活动性预筛选:对活动性低于阈值的CTU跳过ALF
  2. 滤波器数量限制:根据编码速度预设限制最大滤波器数量
  3. 系数复用:相邻CTU复用相同滤波器系数,减少计算

加速效果:该策略可将ALF计算开销降低约40-50%,压缩损失小于0.3%。

SIMD加速

VVenC和x266都使用SIMD指令加速滤波计算:

  • SSE4.1/AVX2:加速DBF边界判定与滤波
  • AVX2/AVX-512:加速ALF的7×7卷积计算
  • NEON:ARM平台加速

加速效果:SIMD加速可使ALF计算速度提升4-6倍。

并行化策略

环路滤波可以并行化处理:

  • DBF并行:不同CTU行/列的边界可以并行处理
  • SAO并行:不同CTU的SAO计算完全独立
  • ALF并行:不同CTU的ALF滤波完全独立

工程实践:VVenC使用线程池并行化SAO和ALF,多核CPU下滤波速度提升约3-4倍。

结语:环路滤波是压缩画质的最后一道防线

VVC的环路滤波已经从HEVC的DBF+SAO体系,演进为DBF+SAO+ALF的三件套协同体系,ALF的引入使环路滤波从"固定规则"走向"数据驱动"。但ALF的计算复杂度也显著增加,工程取舍变得尤为重要。

建议建立"环路滤波增益画像",针对不同场景(自然视频/屏幕内容/动画)、不同分辨率、不同编码速度预设,配置差异化的滤波策略。让编码器理解画面特征,而非盲目启用所有滤波器。

环路滤波是压缩画质的最后一道防线,也是提升主观画质最直接的手段。愿每一位视频编码工程师,都能在DBF、SAO与ALF之间找到滤波增益与编码速度的最佳平衡点。

Delphi 13.2控件之无人机智能巡检系统平台介绍(1).zip 立即下载

相关推荐

YOLO26算法纺织品面料纹理识别目标检测+训练好的模型+405张数据集+pyqt可视化界面.zip

附训练好的 YOLO 权重与 PyQt 可视化检测界面,页面底部含可视化效果预览,毕设/课设开箱即用。 【数据集概况】 · 检测类别(中文):[腈纶(acrylic), 棉(cotton), 雪纺(crepe), 牛仔(denim), 皮革(leather), 亚麻(linen), 尼龙(nylon), 丝绸(silk)] · 训练集:254 张 · 验证集:100 张 · 测试集:51 张 · 总计:405 张 该数据集聚焦于高精度纺织品面料材质识别场景,专为服装制造、纺织质检与智能零售等环节中对布料种类的快速准确判别需求而构建,具有明确的工业应用导向与实用价值。... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 71 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.8112** mAP50-95 | 0.8063 Precision | 0.8162 Recall | 0.7480 train/box_loss | 0.1215 train/cls_loss | 0.5972 val/box_loss | 0.1691 val/cls_loss | 1.7964 【训练过程分析】 从一开始,训练过程的曲线图就给我留下了深刻的印象。开始的几轮,loss 值快速下降,模型仿佛找到了自己的节奏,准确率的提升明显。在最初的20轮里,训练曲线像是在说,一切都在按部就班地进行,模型似乎在享受着这个阶段的平滑下降,每一轮都向着最佳值一点点逼近。然而,到了第25轮之后,loss 下降的速度突然... 使用场景:毕业设计、课程设计、深度学习入门、工业场景落地验证。

H.265全系列总结与H.266/VVC展望:从HEVC核心架构到下一代视频编码标准

本文系统回顾H.265/HEVC核心编码架构,梳理CTU、帧内/帧间预测、变换量化、环路滤波、熵编码五大模块的协同关系,并展望H.266/VVC的关键技术演进与未来应用场景,是HEVC系列技术文章的收官之作。

the3clipse的博客 426

IMDbTop250电影全字段数据集250部高评分影片分析

IMDb Top 250榜单电影的结构化数据集,250条记录、28个字段,覆盖:电影标识与IMDb链接、主片名与原始片名、剧情简介、上映日期与年份、题材分类、IMDb评分与投票数、Metascore媒体评分、片长、内容分级、出品国家或地区、语言、制片公司、拍摄地、制作预算、全球票房、海报缩略图与预告片链接、外部链接等。通过IMDb API(RapidAPI的Top 250端点)以Python采集,转为Pandas结构化DataFrame后导出CSV。可探索的问题:Top250中最高频题材、IMDb评分与投票数的关系、片长在题材间的差异、全球票房最高的影片、预算与票房的关联、高评分电影的时代变迁、制片国家与公司分布、媒体评分与观众评分的对比。适用于探索性数据分析、可视化、统计分析、机器学习、推荐系统、评分预测、票房与题材分析、教学与作品集项目。数据为采集时点快照,IMDb评分、投票与排名会随时间变化,部分字段存在缺失值。

SSA-BP-PID、神经网络BI-PID、传统PID控制三种算法性能对比仿真【程序+说明文档】

内容概要:本文档围绕SSA-BP-PID、神经网络BI-PID与传统PID三种控制算法的性能对比展开,依托Matlab/Simulink仿真平台,系统呈现了智能优化算法与经典控制策略在典型动态系统(如倒立摆、电力系统等)中的应用与对比分析。资源包含完整的算法原理说明、仿真模型搭建过程、可运行程序代码及参考文献,重点展示SSA(麻雀搜索算法)优化BP神经网络整定PID参数的方法,对比其与传统PID、常规神经网络PID在动态响应速度、抗干扰能力、稳态精度和系统稳定性等方面的差异,突出智能算法在控制参数自整定和非线性系统适应性方面的优势。; 适合人群:自动化、电气工程、控制科学与工程等专业的本科生、研究生,以及从事控制算法开发、系统仿真实践的科研人员与工程技术人员。; 使用场景及目标:①掌握传统PID与智能优化PID(如BP神经网络、SSA优化)的设计流程与实现方法;②学习基于Simulink的控制系统建模与仿真技术;③通过对比实验深入理解不同控制策略的性能差异,提升算法选型、优化与工程应用能力。; 阅读建议:建议结合提供的程序与说明文档循序渐进地操作,优先理解各算法的核心机制与实现逻辑,并通过调整参数、观察仿真曲线来直观体会控制效果差异,强化理论与实践的深度融合。

NBA2024-25赛季收盘赔率与让分胜负结果数据集1314场比赛

2024-25赛季NBA全部1314场比赛(1224场常规赛、6场附加赛、84场季后赛)的博彩市场共识开盘与收盘赔率数据,包含让分、总分、独赢胜率,且每场比赛的让分盘(ATS)、大小分与独赢均已定级。每场比赛一行数据,pandas、R、SQL、Excel即开即用。核心字段:比赛ID、美东日期、赛季阶段、主客队、比分、加时、开盘与收盘主队胜率(去水)、公平赔率、让分线、总分线、让分结果与幅度、大小分结果等。数据采集自多家书商的开盘与最新赔率,去除各家水位后取品牌中位数;让分、总分与独赢均按美国结算口径(含加时)。适用于投注回测、收盘线价值(CLV)研究与体育分析教学。数据汇编自公开比赛与赔率信息,仅供研究分析使用。

高校技术转移办公室如何实现技术成果的智能推荐与精准路演?.docx

科易网基于AI模型+行业大数据,在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,推出科技创新领域的AI+工具与数智化解决方案,推动科技创新与产业创新智能化发展。

政府科技管理者在推动成果转化过程中,如何解决技术供需信息不对称的难题?.docx

科易网基于AI模型+行业大数据,在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,推出科技创新领域的AI+工具与数智化解决方案,推动科技创新与产业创新智能化发展。

国央企创新负责人如何快速识别具有产业化潜力的科技成果?.docx

科易网基于AI模型+行业大数据,在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,推出科技创新领域的AI+工具与数智化解决方案,推动科技创新与产业创新智能化发展。

高校技术转移办公室人员需要哪些工具来提升成果匹配效率?.docx

科易网基于AI模型+行业大数据,在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,推出科技创新领域的AI+工具与数智化解决方案,推动科技创新与产业创新智能化发展。

弱电网下虚拟同步发电机正负序阻抗建模仿真复现【扫频发+阻抗建模】

内容概要:本文聚焦于弱电网环境下虚拟同步发电机(VSG)的正负序阻抗建模仿真,系统阐述基于扫频法的频域阻抗建模方法,旨在分析VSG并网系统的稳定性问题。通过Simulink仿真平台完整复现正负序阻抗提取过程,采用小信号扰动技术获取系统频率响应,并结合奈奎斯特稳定性判据评估系统的稳定裕度。文档深入解析了正负序激励的施加方式、动态响应采集与阻抗曲线拟合等关键技术环节,同时涵盖光伏并网逆变器的序阻抗建模与稳定性判断方法,突出阻抗建模在弱电网交互稳定性分析中的核心作用。配套提供详细的仿真模型、参考文献及说明文档,有助于读者深入理解建模原理并实现结果复现。; 适合人群:适用于电气工程、电力电子与电力系统及其自动化等相关专业的研究生、科研人员,以及从事新能源并网逆变器、虚拟同步机技术研发的工程师;要求具备MATLAB/Simulink仿真能力,并熟悉交流系统对称分量法、频域分析及并网控制基本理论。; 使用场景及目标:① 掌握弱电网条件下VSG及光伏逆变器的正负序阻抗建模流程;② 学习运用扫频法进行精确的频域系统辨识与阻抗特性提取;③ 基于阻抗模型开展稳定性分析,支撑高水平科研论文撰写或实际工程项目中的并网兼容性验证。; 阅读建议:建议结合所提供的Simulink模型与参考文献同步研习,重点掌握扫频信号参数设置、正负序解耦机制、频率响应数据处理及奈奎斯特判据的应用细节,注意区分不同控制策略对阻抗特性的影响,确保准确完成建模与稳定性评估全过程。

政府科技管理者如何高效配置区域科技资源实现精准对接?.docx

科易网基于AI模型+行业大数据,在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,推出科技创新领域的AI+工具与数智化解决方案,推动科技创新与产业创新智能化发展。

大型软件项目安装调试计划(1)(1).docx

大型软件项目安装调试计划(1)(1).docx

信雅达11111111111

信雅达11111111111

基于LCL型三相并网逆变器的准PR控制仿真设计【附说明文档】

内容概要:本文聚焦于基于LCL型三相并网逆变器的准比例谐振(准PR)控制策略的仿真设计,重点研究在不平衡电网条件下逆变器的控制性能。利用MATLAB/Simulink搭建完整的系统仿真模型,涵盖主电路结构、LCL滤波器参数设计与优化、谐振峰抑制方法以及控制器建模等关键环节。通过引入准PR控制技术,实现对并网电流的高精度跟踪,有效抑制低次谐波,提升电能质量,并增强系统在电网电压不平衡工况下的稳定性与动态响应能力。文档配套提供详细的说明资料与参考文献,完整呈现从理论分析、控制算法设计到仿真验证的全流程,具有较强的可复现性与工程参考价值。; 适合人群:电气工程、电力电子与电力传动等相关专业的高校研究生、科研人员,以及从事新能源并网逆变器研发的工程技术人才;具备Simulink仿真基础、自动控制理论及电力电子变换器拓扑知识者更佳。; 使用场景及目标:①掌握LCL型三相并网逆变器的建模与参数设计方法;②深入理解准PR控制器在电流环控制中的应用机制及其相较于传统PI控制的优势;③研究电网不平衡条件下的控制对策与系统稳定性问题;④为撰写学术论文、完成课题项目或开发实际并网产品提供可靠的仿真平台与技术支撑。; 阅读建议:建议结合所提供的参考文献与说明文档,逐步运行并调试仿真模型,重点关注控制器参数整定、LCL滤波器谐振抑制策略(如有源阻尼)及正负序分离技术的应用,同时可进一步拓展至多模式切换、故障穿越(如LVRT)及其他先进控制策略(如重复控制、模型预测控制)的对比研究。

java 二维码生成及其标签打印

本文主要内容 二维码生成 二维码标签预览及打印 二维码生成 笔者此次的二维码是通过调用第三方接口生成的,具体流程如下: 根据规范要求调用第三方接口,返回二维码下载地址及二维码图片的属性值(图片大小等) 根据返回的值获取二维码下载地址,根据地址下载二维码图片,保存至本地磁盘及记录数据信息 扫描二维码跳转相应地址,显示资产的基本信息 最终生成的二维码如下图所示: 预览并批量打印二维码标签 先...

孙小牟的博客 4938

基于python的排课表系统,用python编写排课系统

实现一个具体的课程管理系统。(5) 学生可以查看自己选上的课的成绩,以及各个课程的得分、绩点,并给出其平均绩点,但不允许查看年级其他人的成绩。(2) 学生定制专属课表,可以查看整个学期本人的课程安排,包括课程名称、上课时间、上课地点、任课老师、学分等等。(13) 系主任可以查看整个系的全部学生以及他们的平均绩点,可以对每个班进行排名,或者也可以对整个系进行排名。(15) 系主任可以查看整个学期所开设的所有课程,包括这些课程的全部详细信息。(1) 学生基本信息的查询,学生可以对本人的系统登陆密码进行修改。

yang0728y的博客 1991
上一篇: VVC变换与量化革新:MTS/ISP-TS/LFNST/ACT/QP自适应工程实战与性能调优
下一篇: VVC熵编码与码率控制:CABAC革新与λ域RDO工程实战
the3clipse
博客等级 码龄51天 68粉丝 92原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值