CN109257603A - 带宽压缩量化及反量化方法 - Google Patents

带宽压缩量化及反量化方法 Download PDF

Info

Publication number
CN109257603A
CN109257603A CN201811261715.7A CN201811261715A CN109257603A CN 109257603 A CN109257603 A CN 109257603A CN 201811261715 A CN201811261715 A CN 201811261715A CN 109257603 A CN109257603 A CN 109257603A
Authority
CN
China
Prior art keywords
quantization
prediction residual
residual error
residual
variation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811261715.7A
Other languages
English (en)
Other versions
CN109257603B (zh
Inventor
张莹
罗瑜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Cresun Innovation Technology Co Ltd
Original Assignee
Xian Cresun Innovation Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian Cresun Innovation Technology Co Ltd filed Critical Xian Cresun Innovation Technology Co Ltd
Priority to CN201811261715.7A priority Critical patent/CN109257603B/zh
Publication of CN109257603A publication Critical patent/CN109257603A/zh
Application granted granted Critical
Publication of CN109257603B publication Critical patent/CN109257603B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/124—Quantisation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
    • H04N19/503—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving temporal prediction

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

本发明涉及一种带宽压缩量化及反量化方法，该量化方法包括：(a)获取预测残差；(b)获取所述预测残差的量化模式；(c)根据所述量化模式和所述预测残差获取量化残差。本发明的量化方法缩小了量化造成的差异；同样的量化参数下，采用本发明的量化方法恢复的图像量化损失较小。

Description

带宽压缩量化及反量化方法
技术领域
本发明属于压缩技术领域，具体涉及一种带宽压缩量化及反量化方法。
背景技术
随着人们对视频质量需求的逐渐增加，视频的图像分辨率作为视频质量的重要特性之一，已经从720p和1080p过渡到目前市场主流的4K视频分辨率，对应的视频压缩标准也从H.264过渡到H.265。对于视频处理芯片，分辨率的成倍数增加，不但会造成芯片面积成本的大幅度增加，而且也会对总线带宽和功耗带来很大的冲击。为了克服这一问题，应用于芯片内的带宽压缩技术被提出。与端口类压缩(如H.265)不同，芯片内带宽压缩的目标是用较小的逻辑面积成本，尽可能的提高压缩倍数，减少DDR占用。
芯片内压缩分为有损压缩和无损压缩两种，有损压缩技术被商业级视频处理芯片广泛采用，如监控，电视等领域；而无损压缩更多的应用于对图像质量有严格要求的军工级和航天级视频处理芯片。
带宽压缩主要由4个部分组成，包含：预测模块，量化模块，码控模块，熵编码模块。其中量化模块和码控模块是有损压缩特有的。量化作为一个重要的模块，根据码率控制得到的量化参数(Quantization Parameter,简称QP)，对预测残差进行量化。目前量化模块的算法主要分为2类，空域量化和频域量化。这两种量化具有各自的优缺点，空域量化的优点是：由于量化是对于空域预测残差直接操作，所以可以严格控制原始像素和重建像素间的最大损失；由于不用经过频域变换，所以运算复杂度较低；频域量化的优点是：由于量化是对于频域预测残差进行操作，所以量化产生的损失恢复到空域后，主观视觉对该损失感知不明显；由于频域变换，所以运算复杂度极高。
因此可以看出，空域量化适合对压缩损失客观指标有严格要求，对运算复杂度极为关注的低倍率压缩；频域量化适合对压缩损失客观指标没有严格要求，更注重主观视觉，不特别关注运算复杂度的高倍率压缩。现有技术中的空域量化算法是对预测残差直接量化，对直接量化产生的损失没有根据损失的位置和损失的大小分布进行进一步处理，不能进一步降低量化损失。
因此，如何进一步降低带宽压缩量化算法的量化损失已经成为目前的重点研究问题。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种带宽压缩量化方法，包括：
(a)获取预测残差；
(b)根据所述预测残差获取量化模式；
(c)根据所述量化模式和所述预测残差获取量化残差。
在本发明的一个实施例中，步骤(b)包括：
(b1)获取量化参数和量化补偿值；
(b2)根据所述预测残差、所述量化参数、所述量化补偿值采用第一预估模式获取所述预测残差的第一RDO；
(b3)根据所述预测残差、所述量化参数、所述量化补偿值采用第二预估模式获取所述预测残差的第二RDO；
(b4)比较所述第一RDO和所述第二RDO，若所述第一RDO小于所述第二RDO，则所述量化模式为第一量化模式；否则所述量化模式为第二量化模式。
在本发明的一个实施例中，所述第一预估模式包括对所述预测残差依次进行量化处理、反量化处理、补偿处理，所述第一量化模式为对所述预测残差进行量化处理。
在本发明的一个实施例中，所述第二预估模式包括对所述预测残差依次进行补偿处理、量化处理、反量化处理，所述第二量化模式为对所述预测残差依次进行补偿处理、量化处理。
在本发明的一个实施例中，步骤(c)之前，还包括：根据所述预测残差获取波动系数和波动状态索引。
在本发明的一个实施例中，步骤(c)之后，还包括：将所述量化残差、所述量化模式、所述波动系数、所述波动状态索引依次写入码流中。
在本发明的一个实施例中，根据所述预测残差获取波动系数和波动状态索引包括：
(x21)获取所述预测残差的残差损失；
(x22)根据所述残差损失获取波动系数；
(x23)根据所述波动系数、所述残差损失、波动状态表获取波动状态索引。
在本发明的一个实施例中，步骤(x23)包括：
(x231)根据所述残差损失、所述波动系数、所述波动状态表获取每个波动状态对应的绝对误差和；
(x232)获取绝对误差和最小时对应的所述波动状态索引。
在本发明的一个实施例中，所述波动系数k满足：
其中，lossresi为第i位像素的所述残差损失，pixnumnone0为所述残差损失内非0的数量。
本发明的另一个实施例提供了一种带宽压缩反量化方法，包括：
获取码流中的量化模式、量化残差、波动系数、波动状态索引；
根据所述量化模式和所述量化残差获得第一反量化预测残差；
根据所述第一反量化预测残差、波动系数、波动状态索引获得第二反量化预测残差。
本发明实施例的量化方法缩小了量化造成的差异；同样的量化参数下，采用本发明的量化方法恢复的图像量化损失较小。
附图说明
图1为本发明实施例提供的一种带宽压缩量化方法流程示意图；
图2为本发明实施例提供的一种将原始预测残差分别通过第一预估模式和第二预估模式进行运算的原理示意图；
图3为本发明实施例提供的一种带宽压缩量化方法的波动状态表结构示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
实施例一
请参见图1，图1为本发明实施例提供的一种带宽压缩量化方法流程示意图，包括：
(a)获取预测残差；
(b)根据所述预测残差获取量化模式；
(c)根据所述量化模式和所述预测残差获取量化残差。
其中，步骤(b)包括：
(b1)获取量化参数和量化补偿值；
(b2)根据所述预测残差、所述量化参数、所述量化补偿值采用第一预估模式获取所述预测残差的第一RDO；
(b3)根据所述预测残差、所述量化参数、所述量化补偿值采用第二预估模式获取所述预测残差的第二RDO；
(b4)比较所述第一RDO和所述第二RDO，若所述第一RDO小于所述第二RDO，则所述量化模式为第一量化模式；否则所述量化模式为第二量化模式。
其中，所述第一预估模式包括对所述预测残差依次进行量化处理、反量化处理、补偿处理，所述第一量化模式为对所述预测残差进行量化处理。
其中，所述第二预估模式包括对所述预测残差依次进行补偿处理、量化处理、反量化处理，所述第二量化模式为对所述预测残差依次进行补偿处理、量化处理。
其中，步骤(c)之前，还包括：根据所述预测残差获取波动系数和波动状态索引。
其中，步骤(c)之后，还包括：将所述量化残差、所述量化模式、所述波动系数、所述波动状态索引依次写入码流中。
其中，根据所述预测残差获取波动系数和波动状态索引包括：
(x21)获取所述预测残差的残差损失；
(x22)根据所述残差损失获取波动系数；
(x23)根据所述波动系数、所述残差损失、波动状态表获取波动状态索引。
其中，步骤(x23)包括：
(x231)根据所述残差损失、所述波动系数、所述波动状态表获取每个波动状态对应的绝对误差和；
(x232)获取绝对误差和最小时对应的所述波动状态索引。
其中，所述波动系数k满足：
其中，lossresi为第i位像素的所述残差损失，pixnumnone0为所述残差损失内非0的数量。
本发明实施例：
1、通过对两种量化模式的率失真优化参数的选择给出反量化后损失最小的量化模式，并且通过波动状态对量化造成的损失进行了补偿，通过以上两个算法的结合进一步缩小了量化造成的差异；
2、同样的量化参数下，采用本方法恢复的图像量化损失较小。
实施例二
本实施例在上述实施例的基础上，重点介绍详细的带宽压缩量化方法。
具体步骤如下：
S11：获取原始预测残差。设定量化单位为宏模块(Macro Block，简称MB)，MB大小可设定，本实施例中MB设定为8*1，各像素点采用统一的量化参数QP为2，设量化补偿值为(1＜＜QP)/2＝2；设获得该MB各像素点的原始预测残差Res＝{12,13,15,18,20,23,15,12}。其中，其中，量化参数和补偿参数为编码端和解码端固定同步设置。
S12：请参考图2，图2为本发明实施例提供的一种将原始预测残差分别通过第一预估模式和第二预估模式进行运算的原理示意图；对原始预测残差Res分别采用第一预估模式和第二预估模式获得第一RDO和第二RDO。
其中，第一预估模式为根据量化参数和量化补偿值对原始预测残差Res依次进行量化、反量化、补偿处理，依次得到Resqp、invRes、lossres，且Resqp、invRes、lossres满足如下公式：
invRes1＝((Resqp1＞＞QP)＜＜QP)+(1＜＜QP)/2
＝{14,14,14,18,22,22,14,14}
lossres1＝invRes1-Res＝{2,0,-1,0,2,-1,-1,2}
其中，invRes1是第一反量化预测残差，Resqp1是第一量化预测残差,lossres1是第一残差损失。
其中，“<<”算式表示，若有表达式a<<m则表示将整型数a按二进制位向左移动m位，高位移出后，低位补0。
其中，“>>”算式表示，若有表达式a>>m则表示将整型数a按二进制位向右移动m位，低位移出后，高位补0。
第二预估模式为根据量化参数和量化补偿值对原始预测残差Res依次进行补偿、量化、反量化处理，满足如下公式：
lossres2＝invRes2-Res＝{0,-1,1,2,0,1,1,2}
其中，invRes2是第二反量化预测残差，Resqp2是第二量化预测残差,lossres2是第二残差损失。
分别计算第一预估模式和第二预估模式对应的率失真优化(Rate DistortionOptimized,简称RDO)，其中，所述RDO满足如下公式：
其中，lossresi为MB中第i位像素的残差损失，Resqpi为MB中第i位像素的量化预测残差，第pixnum是MB中像素数量，a1和a2是权重参数，优选地a1＝a2＝1。
因此，可得第一RDO为38，第二RDO为41。
S13：比较所述第一RDO和所述第二RDO，如果所述第一RDO小于所述第二RDO，则采用第一量化模式即编码端对所述预测残差进行量化处理，解码端进行反量化和补偿处理；否则采用第二量化模式即编码端对所述预测残差依次进行补偿处理、量化处理，解码端进行反量化处理。
根据上述计算，本实施例选择第一量化模式作为实际的量化模式，编码端对原始预测残差进行量化处理。
S14：根据所述第一量化模式对原始预测残差进行量化。
S141：根据第一量化模式计算原始预测残差对应的lossres和Respq。
Respq＝Respq1＝{3,3,3,4,5,5,3,3}
lossres＝lossres1＝{2,0,-1,0,2,-1,-1,2}
S142:为了进一步降低量化引起的差异，我们采用波动状态表对残差损失进行处理。其中，波动状态表可以同时固定存储于编码端和解码端内部，使用时直接获取，不需要进行传输。
请参考图3，图3为本发明实施例提供的一种带宽压缩量化方法的波动状态表结构示意图。
波动状态表包括波动系数k和波动状态(c0～cpixnum-1)，优选地所述波动状态预设有16组。
计算波动系数k，满足如下公式：
其中，pixnumnone0为lossres内非0的残差数量。
因此，计算波动系数k＝2。
遍历波动状态表中16组波动状态，计算每个波动状态对应的绝对误差和(Sum ofAbsolute Differences，简称sad)，选择绝对误差和sad最小的一组波动状态进行补偿，其中，绝对误差和sad满足如下公式：
因此，计算获得绝对误差和sad最小的波动状态，波动状态为{1,0,-1，0,1,0,-1,0}。
其中，为了节省波动状态传输过程中占用的带宽仅传输波动状态对应的波动状态索引。
其中，通过波动状态可以进一步减少残差损失，使反量化后的预测残差能更接近于原始预测残差，使图像恢复更精确。
S143：将量化模式、量化残差Respq、波动状态，波动参数写入码流。其中，量化模式和波动状态均可以采用各自对应的标识号以节省带宽。
本发明实施例：
1、通过对两种量化模式的率失真优化参数的选择给出反量化后损失最小的量化模式，并且通过波动状态对量化造成的损失进行了补偿，通过以上两个算法的结合进一步缩小了量化造成的差异；
2、同样的量化参数下，采用本方法恢复的图像量化损失较小。
实施例三
本实施例详细说明了一种带宽压缩反量化方法，具体步骤包括如下：
S31：获取码流中MB的量化模式、量化残差Respq、波动状态索引，波动参数。
S32：根据量化模式对量化残差Respq进行反量化处理得到第一反量化预测残差invResTemp。
其中，所述量化模式分为第一量化模式和第二量化模式，第一量化模式在解码端为对所述量化残差进行反量化处理、补偿处理。第二量化模式在解码端为对所述量化残差进行反量化处理。
反量化时需要获取量化参数和补偿参数。其中，量化参数和补偿参数为编码端和解码端同步设置。
S33：请再次参考图3，图3为本发明实施例提供的一种带宽压缩量化方法的波动状态表结构示意图。根据固定存储在解码端的波动状态表、查询波动状态索引对应的波动状态(c0～cpixnum-1)，pixnum是MB中像素数量。
S33：对第一反量化预测残差invResTemp进行补偿以获得第二反量化预测残差invResi，满足如下公式：
invResi＝invResTempi+ci*k。
其中，所述第二反量化预测残差即为最终的反量化预测残差。
本发明实施例提供了通过获取码流中量化模式、量化残差、波动状态索引、波动参数对量化残差进行反量化，反量化图像损失小。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.本发明涉及一种带宽压缩量化及反量化方法，其特征在于，包括：
(a)获取预测残差；
(b)根据所述预测残差获取量化模式；
(c)根据所述量化模式和所述预测残差获取量化残差。
2.根据权利要求1所述的量化方法，其特征在于，步骤(b)包括：
(b1)获取量化参数和量化补偿值；
(b2)根据所述预测残差、所述量化参数、所述量化补偿值采用第一预估模式获取所述预测残差的第一RDO；
(b3)根据所述预测残差、所述量化参数、所述量化补偿值采用第二预估模式获取所述预测残差的第二RDO；
(b4)比较所述第一RDO和所述第二RDO，若所述第一RDO小于所述第二RDO，则所述量化模式为第一量化模式；否则所述量化模式为第二量化模式。
3.根据权利要求2所述的量化方法，其特征在于，所述第一预估模式包括对所述预测残差依次进行量化处理、反量化处理、补偿处理，所述第一量化模式为对所述预测残差进行量化处理。
4.根据权利要求2所述的量化方法，其特征在于，所述第二预估模式包括对所述预测残差依次进行补偿处理、量化处理、反量化处理，所述第二量化模式为对所述预测残差依次进行补偿处理、量化处理。
5.根据权利要求1所述的量化方法，其特征在于，步骤(c)之前，还包括：根据所述预测残差获取波动系数和波动状态索引。
6.根据权利要求5所述的量化方法，其特征在于，步骤(c)之后，还包括：将所述量化残差、所述量化模式、所述波动系数、所述波动状态索引依次写入码流中。
7.根据权利要求5所述的量化方法，其特征在于，根据所述预测残差获取波动系数和波动状态索引包括：
(x21)获取所述预测残差的残差损失；
(x22)根据所述残差损失获取波动系数；
(x23)根据所述波动系数、所述残差损失、波动状态表获取波动状态索引。
8.根据权利要求5所述的量化方法，其特征在于，步骤(x23)包括：
(x231)根据所述残差损失、所述波动系数、所述波动状态表获取每个波动状态对应的sad值；
(x232)获取sad值最小时对应的所述波动状态索引。
9.根据权利要求7所述的量化方法，其特征在于，所述波动系数k满足：
其中，lossresi为第i位像素的所述残差损失，pixnumnone0为所述残差损失内非0的数量。
10.一种带宽压缩反量化方法，其特征在于，包括：
获取码流中的量化模式、量化残差、波动系数、波动状态索引；
根据所述量化模式和所述量化残差获得第一反量化预测残差；
根据所述第一反量化预测残差、波动系数、波动状态索引获得第二反量化预测残差。
CN201811261715.7A 2018-10-26 2018-10-26 带宽压缩量化及反量化方法 Active CN109257603B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811261715.7A CN109257603B (zh) 2018-10-26 2018-10-26 带宽压缩量化及反量化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811261715.7A CN109257603B (zh) 2018-10-26 2018-10-26 带宽压缩量化及反量化方法

Publications (2)

Publication Number Publication Date
CN109257603A true CN109257603A (zh) 2019-01-22
CN109257603B CN109257603B (zh) 2021-05-11

Family

ID=65044984

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811261715.7A Active CN109257603B (zh) 2018-10-26 2018-10-26 带宽压缩量化及反量化方法

Country Status (1)

Country Link
CN (1) CN109257603B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1816145A (zh) * 2005-02-03 2006-08-09 腾讯科技（深圳）有限公司 一种视频数据压缩量化和反量化的方法
CN101039432A (zh) * 2006-03-16 2007-09-19 华为技术有限公司 在编码过程中实现自适应量化的方法及装置
US20090110066A1 (en) * 2007-10-30 2009-04-30 General Instrument Corporation Method and Apparatus for Selecting a Coding Mode
CN102972023A (zh) * 2011-07-13 2013-03-13 松下电器产业株式会社 图像压缩装置、图像解压缩装置以及图像处理装置
CN105812804A (zh) * 2014-12-30 2016-07-27 浙江大华技术股份有限公司 一种确定rdoq过程中最优量化值的方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1816145A (zh) * 2005-02-03 2006-08-09 腾讯科技（深圳）有限公司 一种视频数据压缩量化和反量化的方法
CN101039432A (zh) * 2006-03-16 2007-09-19 华为技术有限公司 在编码过程中实现自适应量化的方法及装置
US20090110066A1 (en) * 2007-10-30 2009-04-30 General Instrument Corporation Method and Apparatus for Selecting a Coding Mode
CN102972023A (zh) * 2011-07-13 2013-03-13 松下电器产业株式会社 图像压缩装置、图像解压缩装置以及图像处理装置
CN105812804A (zh) * 2014-12-30 2016-07-27 浙江大华技术股份有限公司 一种确定rdoq过程中最优量化值的方法及装置

Also Published As

Publication number Publication date
CN109257603B (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
US20060165170A1 (en) Prediction intra-mode selection in an encoder
CN104320657B (zh) Hevc无损视频编码的预测模式选择方法及相应的编码方法
Rehman et al. SSIM-inspired perceptual video coding for HEVC
CN103634601B (zh) 基于结构相似度的高效视频编码感知码率控制优化方法
WO2018117896A1 (en) Low complexity mixed domain collaborative in-loop filter for lossy video coding
CN111193931B (zh) 一种视频数据的编码处理方法和计算机存储介质
CN102300094B (zh) 一种视频编码方法
CN101119488A (zh) 一种用于视频编码的色度均衡方法
Wang et al. Rate-SSIM optimization for video coding
WO2018095890A1 (en) Methods and apparatuses for encoding and decoding video based on perceptual metric classification
CN104378636A (zh) 一种视频图像编码方法及装置
CN103581670A (zh) H264自适应帧内模式选择码率估计的率失真优化方法及其装置
CN108769696A (zh) 一种基于Fisher判别式的DVC-HEVC视频转码方法
CN104994387A (zh) 一种融合图像特征的码率控制方法
CN103945222A (zh) 一种基于hevc视频编码标准的码率控制模型更新方法
CN104333761A (zh) 一种hevc基本单元级码率分配方法
DE102019215911A1 (de) Adaptive inhaltsquantisierung zur videocodierung
CN108989818A (zh) 一种图像编码参数调整方法及装置
CN109257603A (zh) 带宽压缩量化及反量化方法
CN109361922A (zh) 预测量化编码方法
CN112040231B (zh) 一种基于感知噪声信道模型的视频编码方法
CN115665413A (zh) 图像压缩最优量化参数的估计方法
CN109274968A (zh) 视频压缩自适应量化与反量化方法
CN106612434B (zh) 一种基于视频复杂度的统计复用方法
CN109495745B (zh) 一种基于逆量化/逆变换的无损压缩解码方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant