CN110740319A - 视频编解码方法、装置、电子设备及存储介质 - Google Patents
视频编解码方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110740319A CN110740319A CN201911046199.0A CN201911046199A CN110740319A CN 110740319 A CN110740319 A CN 110740319A CN 201911046199 A CN201911046199 A CN 201911046199A CN 110740319 A CN110740319 A CN 110740319A
- Authority
- CN
- China
- Prior art keywords
- block
- prediction block
- prediction
- coded
- sample
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000001914 filtration Methods 0.000 claims description 272
- 238000003062 neural network model Methods 0.000 claims description 108
- 238000012549 training Methods 0.000 claims description 98
- 238000012545 processing Methods 0.000 claims description 67
- 230000006870 function Effects 0.000 claims description 51
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 40
- 230000010365 information processing Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 28
- 230000005540 biological transmission Effects 0.000 description 8
- 238000013139 quantization Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- H04N19/103—Selection of coding mode or of prediction mode
- H04N19/107—Selection of coding mode or of prediction mode between spatial and temporal predictive coding, e.g. picture refresh
-
- 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
- H04N19/117—Filters, e.g. for pre-processing or post-processing
-
- 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
- H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
- H04N19/17—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object
- H04N19/176—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object the region being a block, e.g. a macroblock
Abstract
本申请实施例提供了一种视频编解码方法、装置、电子设备及存储介质，涉及信息处理技术领域。编码方法包括：获取待编码视频帧的待编码块和待编码块对应的预测块；通过预测块滤波模型对预测块进行滤波处理，得到滤波处理后的预测块；基于滤波处理后的预测块和待编码块，对待编码块进行编码。本申请技术方案通过对神经网络模型行进训练得到预测块滤波模型，利用预测块滤波模型对预测块进行滤波处理，以实现减小预测块与原始块之间的残差，提高预测块的预测精度，减小传输残差所需要的数据量，提升编码效率。
Description
技术领域
本申请涉及计算机技术领域，具体而言，本申请涉及一种视频编解码方法、装置、电子设备及存储介质。
背景技术
视频是利用人眼视觉暂留的原理，通过播放一系列的视频帧图片，使人眼产生运动的感觉。单纯传输视频画面，数据量非常大，对现有的网络和存储来说是不可接受的。为了能够使视频便于传输和存储，人们发现视频有大量重复的信息，如果将重复信息在发送端去掉，在接收端恢复出来，这样就大大减少了视频文件的数据量。视频编码器通过对视频进行压缩的方式实现上述过程，将处理后的视频提供给用户观看。
现有技术中的视频编码器对视频进行压缩处理时，一般采用自适应偏移滤波器(SAO)，自适应环路滤波器(ALF)等，对重建块进行滤波，来补偿视频编码中的量化失真。然而，预测块和原始块之间存在残差，如果残差较大，则会影响预测精度，而且，对大量残差进行编码会导致传输数据量增大，降低了编码效率。
发明内容
本申请提供了一种视频编码方法、装置、电子设备及存储介质，可以解决现有技术中存在的问题。
本申请实施例提供的具体技术方案如下：
一方面，本申请实施例提供了一种视频编码方法，该方法包括：
获取待编码视频帧的待编码块和待编码块对应的预测块；
通过预测块滤波模型对预测块进行滤波处理，得到滤波处理后的预测块；
基于滤波处理后的预测块和待编码块，对待编码块进行编码；
其中，预测块滤波模型是通过以下方式得到的：
获取训练样本，训练样本包括各样本待编码块、以及各样本待编码块对应的样本预测块；
基于训练样本对神经网络模型进行训练，直至神经网络模型的损失函数收敛，将将训练结束时的神经网络模型作为预测块滤波模型，其中，神经网络模型的输入为样本预测块，输出为滤波处理后的样本预测块，损失函数表征了样本预测块与样本待编码块之间的差异。
在一种可能的实现方式中，基于待编码块对应的滤波处理后的预测块和待编码块，对待编码块进行编码，包括：
基于待编码块对应的滤波处理后的预测块和待编码块，确定待编码块对应的残差块；
基于待编码块对应的残差块，对待编码块进行编码。
在一种可能的实现方式中，预测块滤波模型包括帧内预测块滤波模型，样本预测块包括样本帧内预测块，损失函数表征了样本帧内预测块与样本待编码块之间的差异；
当待编码块对应的预测块为帧内预测块时，通过预测块滤波模型对预测块进行滤波处理，得到滤波后的预测块，包括：
利用帧内预测块滤波模型对待编码块对应的帧内预测块进行滤波处理，得到待编码块对应的滤波处理后的预测块。
在一种可能的实现方式中，帧内预测块滤波模型包括对应于各帧内预测模式信息的帧内预测块滤波模型，样本预测块包括各帧内预测模式信息对应的样本帧内预测块，损失函数表征了各帧内预测模式信息各自对应的样本帧内预测块与样本待编码块之间的差异；
通过预测块滤波模型对预测块进行滤波处理，得到滤波后的预测块，包括：
获取帧内预测块对应的帧内预测模式信息；
利用与帧内预测模式信息对应的帧内预测块滤波模型对待编码块对应的帧内预测块进行滤波处理，得到待编码块对应的滤波处理后的预测块。
在一种可能的实现方式中，预测块滤波模型包括帧间预测块滤波模型，样本预测块包括样本帧间预测块，损失函数表征了样本帧间预测块与样本待编码块之间的差异；
当待编码块对应的预测块为帧间预测块时，通过预测块滤波模型对预测块进行滤波处理，得到滤波后的预测块，包括：
利用帧间预测块滤波模型对待编码块对应的帧间预测块进行滤波处理，得到待编码块对应的滤波处理后的预测块。
在一种可能的实现方式中，帧间预测块滤波模型包括对应于各帧间预测类别信息的帧间预测块滤波模型，样本预测块包括各帧间预测类别信息对应的样本帧间预测块，损失函数表征了各帧间预测类别信息各自对应的样本帧间预测块与样本待编码块之间的差异；
通过预测块滤波模型对预测块进行滤波处理，得到滤波后的预测块，包括：
获取帧间预测块对应的帧间预测类别信息；
利用与帧间预测类别信息对应的帧间预测块滤波模型对待编码块对应的帧间预测块进行滤波处理，得到待编码块对应的滤波处理后的预测块。
另一方面，本申请实施例提供了一种视频解码方法，该方法包括：
获取待解码视频帧的待解码块的残差块和待解码块对应的预测块；
通过预测块滤波模型对预测块进行滤波处理，得到滤波处理后的预测块；
基于滤波处理后的预测块和残差块，对待解码块进行解码；
其中，预测块滤波模型是通过以下方式得到的：
获取训练样本，训练样本包括各样本待编码块、以及各样本待编码块对应的样本预测块；
基于训练样本对神经网络模型进行训练，直至神经网络模型的损失函数收敛，将训练结束时的神经网络模型作为预测块滤波模型，其中，神经网络模型的输入为样本预测块，输出为滤波处理后的样本预测块，损失函数表征了样本预测块与样本待编码块之间的差异。
在一种可能的实现方式中，基于滤波处理后的预测块和残差块，对待解码块进行解码，包括：
基于滤波处理后的预测块和残差块，得到待解码块对应的重建块；
基于重建块对待解码块进行解码。
本发明实施例还提供了一种视频编码装置，该装置包括：
获取模块，用于获取待编码视频帧的待编码块和待编码块对应的预测块；
滤波处理模块，用于通过预测块滤波模型对预测块进行滤波处理，得到滤波后的预测块；
编码模块，用于基于待编码块对应的滤波处理后的预测块和待编码块，对待编码块进行编码；
其中，预测块滤波模型是通过以下方式得到的：
获取训练样本，训练样本包括各样本待编码块、以及各样本待编码块对应的样本预测块；
基于训练样本对神经网络模型进行训练，直至神经网络模型的损失函数收敛，将训练结束时的神经网络模型作为预测块滤波模型，其中，神经网络模型的输入为样本预测块，输出为滤波处理后的样本预测块，损失函数表征了样本预测块与样本待编码块之间的差异。
本发明实施例还提供了一种视频解码装置，该装置包括：
获取模块，用于获取待解码视频帧的待解码块的残差块和待解码块对应的预测块；
滤波处理模块，用于通过预测块滤波模型对预测块进行滤波处理，得到滤波处理后的预测块；
解码模块，用于基于滤波处理后的预测块和残差块，对待解码块进行解码；
其中，预测块滤波模型是通过以下方式得到的：
获取训练样本，训练样本包括各样本待编码块、以及各样本待编码块对应的样本预测块；
基于训练样本对神经网络模型进行训练，直至神经网络模型的损失函数收敛，将训练结束时的神经网络模型作为预测块滤波模型，其中，神经网络模型的输入为样本预测块，输出为滤波处理后的样本预测块，损失函数表征了样本预测块与样本待编码块之间的差异。
本发明实施例还提供了一种电子设备，该电子设备包括一个或多个处理器；存储器；一个或多个应用程序，其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序配置用于：执行根据第一方面或第二方面所示的方法。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质用于存储计算机程序，当计算机程序在计算机上运行时，使得计算机可以执行如本申请的第一方面或第二方面所示的方法。
本申请提供的技术方案带来的有益效果是：
本申请提供了一种视频编解码方法、装置、电子设备及存储介质，编码方法包括：获取待编码视频帧的待编码块和待编码块对应的预测块；通过预测块滤波模型对预测块进行滤波处理，得到滤波处理后的预测块；基于滤波处理后的预测块和待编码块，对待编码块进行编码。解码方法包括：获取待解码视频帧的待解码块对应的残差块和待解码块对应的预测块；通过预测块滤波模型对预测块进行滤波处理，得到滤波处理后的预测块；基于滤波处理后的预测块和残差块，对待解码块进行解码。本申请技术方案通过对神经网络模型行进训练得到预测块滤波模型，利用预测块滤波模型对预测块进行滤波处理，以实现减小预测块与原始块之间的残差，提高预测块的预测精度，减小传输残差所需要的数据量，提升编码效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的视频编码方法的流程图；
图2为本申请实施例提供的获取神经网络模型的训练样本的过程示意图；
图3为本申请实施例提供的视频解码方法的流程图；
图4为本申请实施例提供的编码器的编解码过程的示意图；
图5为本申请实施例提供的视频编码装置的结构示意图；
图6为本申请实施例提供的视频解码装置的结构示意图；
图7为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
本申请技术方案的执行主体可以为视频编码器(也可以为其他具有编解码功能的终端设备)，该视频编码器将视频图像进行压缩，输出压缩处理后得到的码流，供用户设备进行播放。该视频编码器包括编码过程和解码过程，编码过程的具体实现方式如图1所示的方法，解码过程的具体实现方式如图3所示的方法。
本申请实施例提供了一种视频编码方法，如图1所示，该方法包括：
步骤S101，获取待编码视频帧的待编码块和待编码块对应的预测块；
其中，待编码视频帧为待编码视频中的视频帧，包括I帧、P帧以及B帧，I帧是内部编码帧(也称为关键帧)，P帧是单假设预测帧，B帧是双假设预测帧。简单地讲，I帧是一个完整的画面，而P帧和B帧记录的是相对于其他帧的变化。如果没有I帧，P帧和B帧就无法解码。
将每个待编码视频帧划分为多个待编码块，对每个待编码块进行帧内预测或帧间预测，得到至少一个预测块，选取一个与待编码块之间的残差最小的预测块作为待编码块对应的预测块。当待编码块为I帧的待编码块时，采用帧内预测的方式，得到帧内预测块；当待编码块为P帧的待编码块时，采用帧内或者帧间预测的方式，得到对应的帧内或者帧间预测块；当待编码块为B帧的待编码块时，采用帧内或者帧间预测的方式，得到对应的帧内或者帧间预测块。
其中，帧内预测是利用当前帧已经解码的其他块的空域数据，通过线性或非线性组合来预测当前块的原始像素的信息，得到帧内预测块。例如，利用当前待编码块周边的重建像素，以及周边的重建信息，得到帧内预测块。帧间预测则主要利用了时域相关性，从前序已解码的帧中的预测块中找到与当前待编码块相似的块来进行预测。例如，利用前几帧的重建帧，以及当前待编码块周边的块的重建信息，得到帧间预测块。其中，重建信息可以包括：预测模式、运动矢量、参考帧预测信息等。
步骤S102，通过预测块滤波模型对预测块进行滤波处理，得到滤波处理后的预测块；
具体的，利用样本待编码块以及样本待编码块对应的样本预测块，来训练神经网络模型，直到神经网络模型对应的损失函数收敛，训练结束，得到预测块滤波模型，神经网络模型的训练过程可以在线下进行，训练得到的预测块滤波模型可以在编码过程和解码过程共享，不需要传输。通过预测块滤波模型对预测块进行滤波，能够得到与待编码块的残差尽量小的预测块，也就是与待编码块最相似的预测块，从而提高预测精度，并且减小了编码大量残差所需要的数据量，提升了编码效率。
其中，预测块滤波模型是通过以下方式得到的：
获取训练样本，训练样本包括各样本待编码块、以及各样本待编码块对应的样本预测块；基于训练样本对神经网络模型进行训练，直至神经网络模型的损失函数收敛，将训练结束时的神经网络模型作为预测块滤波模型，其中，神经网络模型的输入为样本预测块，输出为滤波处理后的样本预测块，损失函数表征了样本预测块与样本待编码块之间的差异。
作为一可选方案，图2中示出了一种获取神经网络模型的训练样本的过程，如图2所示，对视频序列进行编码，将各编码帧保存为M×N尺寸的待编码块(如图2中所示的原始块I)，其中，M、N的取值范围可以为4-128，对于H.266视频压缩标准，M、N的取值范围可以为4-256，对待编码块进行帧内或者帧间预测，得到预测块I1，可以将原始块I作为预测块I1标签，得到预测块I1-原始块I作为神经网络模型的训练样本。
上述预测块滤波模型，不区分帧内预测块还是帧间预测块，统一训练一套神经网络模型，对预测块进行滤波处理。然而，由于帧内预测块和帧间预测块的预测方式不同，帧内预测块、帧间预测块分别与待编码块的差异的表现不同，因此，可以针对帧内预测块、帧间预测块分别训练一套神经网络模型，这样得到的每个神经网络模型更专注于学习对应的残差特性。
在本申请的可选实施例中，预测块滤波模型包括帧内预测块滤波模型，样本预测块包括样本帧内预测块；
当待编码块对应的预测块为帧内预测块时，通过预测块滤波模型对预测块进行滤波处理，得到滤波后的预测块，包括：
利用帧内预测块滤波模型对待编码块对应的帧内预测块进行滤波处理，得到待编码块对应的滤波处理后的预测块，其中，帧内预测块滤波模型是通过以下方式得到的：
获取训练样本，训练样本包括各样本待编码块、以及各样本待编码块对应的样本帧内预测块；
基于训练样本对神经网络模型进行训练，直至神经网络模型的损失函数收敛，将训练结束时的神经网络模型作为帧内预测块滤波模型，其中，神经网络模型的输入为样本帧内预测块，输出为滤波处理后的样本帧内预测块，损失函数表征了样本帧内预测块与样本待编码块之间的差异。
在本实施例中，利用样本待编码块以及样本待编码块对应的样本帧内预测块，来训练神经网络模型，直到神经网络模型对应的损失函数收敛，训练结束，得到帧内预测块滤波模型，神经网络模型的训练过程可以在线下进行，训练得到的帧内预测块滤波模型可以在编码过程和解码过程共享，不需要传输。通过帧内预测块滤波模型对帧内预测块进行滤波，能够得到与待编码块的残差尽量小的帧内预测块，也就是与待编码块最相似的帧内预测块，从而提高预测精度，并且减小了编码大量残差所需要的数据量，提升了编码效率。
由于帧内预测包括不同的预测模式，例如，高效视频编码(High EfficiencyVideo Coding，HEVC)等，为了更好的学习不同预测模式得到的残差特性，可以针对不同预测模式得到的预测块分别训练一套神经网络模型，对预测块进行滤波。
在本申请的可选实施例中，帧内预测块滤波模型包括对应于各帧内预测模式信息的帧内预测块滤波模型，样本预测块包括各帧内预测模式信息对应的样本帧内预测块；
通过预测块滤波模型对预测块进行滤波处理，得到滤波后的预测块，包括：
获取帧内预测块对应的帧内预测模式信息；
利用与帧内预测模式信息对应的帧内预测块滤波模型对待编码块对应的帧内预测块进行滤波处理，得到待编码块对应的滤波处理后的预测块，其中，帧内预测模式信息对应的帧内预测块滤波模型是通过以下方式得到的：
获取训练样本，训练样本包括各样本待编码块、以及各样本待编码块对应的帧内预测模式信息对应的样本帧内预测块；
基于训练样本对神经网络模型进行训练，直至神经网络模型的损失函数收敛，将训练结束时的神经网络模型作为帧内预测模式信息对应的帧内预测块滤波模型，其中，神经网络模型的输入为帧内预测模式信息对应的样本帧内预测块，输出为滤波处理后的帧内预测模式信息对应的样本帧内预测块，损失函数表征了各帧内预测模式信息各自对应的样本帧内预测块与样本待编码块之间的差异。
在本申请实施例中，利用样本待编码块以及样本待编码块对应的帧内预测模式信息对应的样本帧内预测块，来训练神经网络模型，直到神经网络模型对应的损失函数收敛，训练结束，得到帧内预测模式信息对应的预测块滤波模型，神经网络模型的训练过程可以在线下进行，训练得到的帧内预测模式信息对应的预测块滤波模型可以在编码过程和解码过程共享，不需要传输。通过帧内预测模式信息对应的预测块滤波模型对帧内预测模式信息对应的预测块进行滤波，能够得到与待编码块的残差尽量小的预测块，也就是与待编码块最相似的预测块，从而提高预测精度，并且减小了编码大量残差所需要的数据量，提升了编码效率。
同样，对于帧间预测也可以训练一套神经网络模型，作为帧间预测块对应的预测块滤波模型，用来对帧间预测块进行滤波处理。
在本申请的可选实施例中，预测块滤波模型包括帧间预测块滤波模型，样本预测块包括样本帧间预测块；
当待编码块对应的预测块为帧间预测块时，通过预测块滤波模型对预测块进行滤波处理，得到滤波后的预测块，包括：
利用帧间预测块滤波模型对待编码块对应的帧间预测块进行滤波处理，得到待编码块对应的滤波处理后的预测块，其中，帧间预测块滤波模型是通过以下方式得到的：
获取训练样本，训练样本包括各样本待编码块、以及各样本待编码块对应的样本帧间预测块；
基于训练样本对神经网络模型进行训练，直至神经网络模型的损失函数收敛，将训练结束时的神经网络模型作为帧间预测块滤波模型，其中，神经网络模型的输入为样本帧间预测块，输出为滤波处理后的样本帧间预测块，损失函数表征了样本帧间预测块与样本待编码块之间的差异。
在本申请实施例中，利用样本待编码块以及样本待编码块对应的样本帧间预测块，来训练神经网络模型，直到神经网络模型对应的损失函数收敛，训练结束，得到帧间预测块滤波模型，神经网络模型的训练过程可以在线下进行，训练得到的帧间预测块滤波模型可以在编码过程和解码过程共享，不需要传输。通过帧间预测块滤波模型对帧间预测块进行滤波，能够得到与待编码块的残差尽量小的帧间预测块，也就是与待编码块最相似的帧间预测块，从而提高预测精度，并且减小了编码大量残差所需要的数据量，提升了编码效率。
由于帧间预测包括不同的分类方式，例如，按照运动矢量范围、残差特性或纹理复杂度等进行分类，为了更好的学习不同预测类别得到的残差的特性，可以针对不同预测类别得到的预测块分别训练一套神经网络模型，对预测块进行滤波。
在本申请的可选实施例中，帧间预测块滤波模型包括对应于各帧间预测类别信息的帧间预测块滤波模型，样本预测块包括各帧间预测类别信息对应的样本帧间预测块；
通过预测块滤波模型对预测块进行滤波处理，得到滤波后的预测块，包括：
获取帧间预测块对应的帧间预测类别信息；
利用与帧间预测类别信息对应的帧间预测块滤波模型对待编码块对应的帧间预测块进行滤波处理，得到待编码块对应的滤波处理后的预测块，其中，帧间预测类别信息对应的帧间预测块滤波模型是通过以下方式得到的：
获取训练样本，训练样本包括各样本待编码块、以及各样本待编码块对应的帧间预测类别信息对应的样本帧间预测块；
基于训练样本对神经网络模型进行训练，直至神经网络模型的损失函数收敛，将训练结束时的神经网络模型作为帧间预测类别信息对应的帧间预测块滤波模型，其中，神经网络模型的输入为帧间预测类别信息对应的样本帧间预测块，输出为滤波处理后的帧间预测类别信息对应的样本帧间预测块，损失函数表征了各帧间预测类别信息各自对应的样本帧间预测块与样本待编码块之间的差异。
在本申请实施例中，利用样本待编码块以及样本待编码块对应的帧间预测类别信息对应的样本帧间预测块，来训练神经网络模型，直到神经网络模型对应的损失函数收敛，训练结束，得到帧间预测类别信息对应的预测块滤波模型，神经网络模型的训练过程可以在线下进行，训练得到的帧间预测类别信息对应的预测块滤波模型可以在编码过程和解码过程共享，不需要传输。通过帧间预测类别信息对应的预测块滤波模型对帧间预测类别信息对应的预测块进行滤波，能够得到与待编码块的残差尽量小的预测块，也就是与待编码块最相似的预测块，从而提高预测精度，并且减小了编码大量残差所需要的数据量，提升了编码效率。
另外，由于量化参数(quantization map，QP)不同，则预测块和待编码块的残差特性不同，因此，还可以针对不同的量化参数各训练一套神经网络模型，这样对预测块进行滤波的效果更好。
需要说明的是，除了针对不同的预测方式(帧内预测、帧间预测、不同模式的帧内预测、不同类别的帧间预测)得到的预测块各自训练一套神经网络模型之外，还可以训练统一的神经网络模型，由于模型的输入为不同预测方式得到的预测块，因此，可以得到不同的模型参数，当使用神经网络模型时，根据待过滤的预测块对应的预测方式，选择对应的神经网络模型参数，得到对应的神经网络模型，对待过滤的预测块进行过滤。
步骤S103，基于滤波处理后的预测块和待编码块，对待编码块进行编码。
滤波处理后的预测块与待编码块之间的残差小于滤波前的预测块与待编码块之间的残差，利用滤波处理后的预测块对待编码块进行编码，预测精度更高，而且，减小了传输残差所需要的数据量，提高了编码效率。
在本申请的可选实施例中，基于滤波处理后的预测块和待编码块，对待编码块进行编码，包括：
基于待编码块对应的滤波处理后的预测块和待编码块，确定待编码块对应的残差块；
基于待编码块对应的残差块，对待编码块进行编码。
在实际应用中，可以通过将待编码块与滤波处理后的预测块中各像素点对应的像素值做差等方式，得到待编码块对应的残差块，对残差块进行频域变化，达到能量集中的目的，并且将变换后的残差块进行量化处理，将量化处理后的残差块通过熵编码的方式去除统计冗余，得到最终的码流。
本公开实施例的视频编码方法，首先获取待编码视频帧的待编码块和待编码块对应的预测块；然后通过预测块滤波模型对预测块进行滤波处理，得到滤波处理后的预测块；基于滤波处理后的预测块和待编码块，对待编码块进行编码。本申请技术方案通过对神经网络模型行进训练得到预测块滤波模型，利用预测块滤波模型对预测块进行滤波处理，以实现减小预测块与原始块之间的残差，提高预测块的预测精度，减小传输残差所需要的数据量，提升编码效率。
本申请实施例提供了一种视频解码方法，如图3所示，该方法包括：
步骤S301，获取待解码视频帧的待解码块对应的残差块和待解码块对应的预测块；
具体的，获取待解码块对应的预测块，其中包括帧内预测块和帧间预测块，该预测块是编码过程中通过帧内预测或者帧间预测得到的。将编码过程中进行量化、变化得到的数据通过反变换、反量化的方式得到待解码块对应的残差块。
步骤S302，通过预测块滤波模型对预测块进行滤波处理，得到滤波处理后的预测块；
其中，预测块滤波模型是通过以下方式得到的：
获取训练样本，训练样本包括各样本待编码块、以及各样本待编码块对应的样本预测块；
基于训练样本对神经网络模型进行训练，直至神经网络模型的损失函数收敛，将训练结束时的神经网络模型作为预测块滤波模型，其中，神经网络模型的输入为样本预测块，输出为滤波处理后的样本预测块，损失函数表征了样本预测块与样本待编码块之间的差异；
其中，解码所使用的预测块滤波模型与编码过程中所使用的预测块滤波模型相同，该预测块滤波模型的训练可以在线下进行，训练得到的预测块滤波模型可以在编码过程和解码过程共享。
步骤S303，基于滤波处理后的预测块和残差块，对待解码块进行解码。
基于滤波处理后的预测块和残差块对待解码块进行解码，得到的解码后的信息可以用于下一待编码块的帧内预测，以及下一待处理视频帧的待编码块的帧间预测。
在本申请的可选实施例中，基于滤波处理后的预测块和残差块，对待解码块进行解码，包括：
基于滤波处理后的预测块和残差块，得到待解码块对应的重建块；
基于重建块对待解码块进行解码。
在实际应用中，可以将滤波处理后的预测块和残差块进行求和运算，得到待解码块对应的重建块。将重建块组成的重建帧经过滤波之后，进行解码图像缓存，用于待编码块进行编码时的帧间预测或者帧内预测。其中，对重建帧进行滤波的滤波器可以包括：去块滤波器、采样自适应偏移滤波器(sample adaptive offset,SAO)或者自适应环路滤波器(Adaptive Loop Filter,ALF)等。
其中，SAO和ALF主要补偿视频编码中的量化失真，而本申请技术方案中的预测块滤波模型不仅可以补偿量化失真，还可以补偿原始视频序列中两帧之间本身存在的差别，如亮度变化等。
本公开实施例的视频解码方法，首先获取待解码视频帧的待解码块对应的残差块和待解码块对应的预测块；然后通过预测块滤波模型对预测块进行滤波处理，得到滤波处理后的预测块；基于滤波处理后的预测块和残差块，对待解码块进行解码。本申请技术方案通过对神经网络模型行进训练得到预测块滤波模型，利用预测块滤波模型对预测块进行滤波处理，以实现减小预测块与原始块之间的残差，提高预测块的预测精度，减小传输残差所需要的数据量，提升编码效率。
为了更好的说明本申请实施例所提供的视频编解码方法，下面结合一个具体的示例对编码和解码的过程进行更具体的说明。
图4中示出了本示例中所提供的一种编码器的编解码过程的示意图，如图中所示，编码过程包括：输入待编码块(图中所示的原始块)，对待编码块进行帧内预测或者帧间预测(图中所示的ME/MC，表示运动估计/运动补偿motion estimate/motion compensation)得到预测块，将预测块输入预测块滤波器(本申请技术方案中的预测块滤波模型)进行滤波，将待编码块与滤波后的预测块做差，得到残差，将残差进行变化或者量化，将变换或者量化之后的残差数据和滤波器参数(图中所示的滤波器信息)一起进行熵编码，输出码流。解码过程包括：获取待解码块对应的预测块，将变化、量化的残差数据进行反量化、反变换，得到残差块；将预测块输入预测块滤波器进行滤波，得到滤波后的预测块，将残差块和滤波后的预测块相加得到重建块，将重建块组成的重建帧经过去块滤波器/SAO/ALF之后，进行解码图像缓存，将解码图像提供给下一待编码块进行编码。
基于与图1中所示方法相同的原理，本公开的实施例中还提供了一种视频编码装置50，如图5所示，该视频编码装置50包括：
获取模块51，用于获取待编码视频帧的待编码块和待编码块对应的预测块；
滤波处理模块52，用于通过预测块滤波模型对预测块进行滤波处理，得到滤波后的预测块；
编码模块53，用于基于待编码块对应的滤波处理后的预测块和待编码块，对待编码块进行编码；
其中，预测块滤波模型是通过以下方式得到的：
获取训练样本，训练样本包括各样本待编码块、以及各样本待编码块对应的样本预测块；
基于训练样本对神经网络模型进行训练，直至神经网络模型的损失函数收敛，将训练结束时的神经网络模型作为预测块滤波模型，其中，神经网络模型的输入为样本预测块，输出为滤波处理后的样本预测块，损失函数表征了样本预测块与样本待编码块之间的差异。
在一种可能的实现方式中，编码模块53，用于：
基于待编码块对应的滤波处理后的预测块和待编码块，确定待编码块对应的残差块；
基于待编码块对应的残差块，对待编码块进行编码。
在一种可能的实现方式中，预测块滤波模型包括帧内预测块滤波模型，样本预测块包括样本帧内预测块，损失函数表征了样本帧内预测块与样本待编码块之间的差异；
滤波处理模块52，用于利用帧内预测块滤波模型对待编码块对应的帧内预测块进行滤波处理，得到待编码块对应的滤波处理后的预测块。
在一种可能的实现方式中，帧内预测块滤波模型包括对应于各帧内预测模式信息的帧内预测块滤波模型，样本预测块包括各帧内预测模式信息对应的样本帧内预测块，损失函数表征了各帧内预测模式信息各自对应的样本帧内预测块与样本待编码块之间的差异；
滤波处理模块52，用于获取帧内预测块对应的帧内预测模式信息；
利用与帧内预测模式信息对应的帧内预测块滤波模型对待编码块对应的帧内预测块进行滤波处理，得到待编码块对应的滤波处理后的预测块。
在一种可能的实现方式中，预测块滤波模型包括帧间预测块滤波模型，样本预测块包括样本帧间预测块，损失函数表征了样本帧间预测块与样本待编码块之间的差异；
滤波处理模块52，用于利用帧间预测块滤波模型对待编码块对应的帧间预测块进行滤波处理，得到待编码块对应的滤波处理后的预测块。
在一种可能的实现方式中，帧间预测块滤波模型包括对应于各帧间预测类别信息的帧间预测块滤波模型，样本预测块包括各帧间预测类别信息对应的样本帧间预测块，损失函数表征了各帧间预测类别信息各自对应的样本帧间预测块与样本待编码块之间的差异；
滤波处理模块52，用于获取帧间预测块对应的帧间预测类别信息；
利用与帧间预测类别信息对应的帧间预测块滤波模型对待编码块对应的帧间预测块进行滤波处理，得到待编码块对应的滤波处理后的预测块。
本公开实施例的视频编码装置可执行本公开的实施例所提供的视频编码方法，其实现原理相类似，本公开实施例中的视频编码装置中的各模块所执行的动作是与本公开各实施例中的视频编码方法中的步骤相对应的，对于视频编码装置的各模块的详细功能描述具体可以参见前文中所示的对应的视频编码方法中的描述，此处不再赘述。
本申请实施例提供的视频编码装置，首先获取待编码视频帧的待编码块和待编码块对应的预测块；然后通过预测块滤波模型对预测块进行滤波处理，得到滤波处理后的预测块；基于滤波处理后的预测块和待编码块，对待编码块进行编码。本申请技术方案通过对神经网络模型行进训练得到预测块滤波模型，利用预测块滤波模型对预测块进行滤波处理，以实现减小预测块与原始块之间的残差，提高预测块的预测精度，减小传输残差所需要的数据量，提升编码效率。
基于与图3中所示方法相同的原理，本公开的实施例中还提供了一种视频解码装置60，如图6所示，该视频编码装置60包括：
获取模块61，用于获取待解码视频帧的待解码块的残差块和待解码块对应的预测块；
滤波处理模块62，用于通过预测块滤波模型对预测块进行滤波处理，得到滤波处理后的预测块；
解码模块63，用于基于滤波处理后的预测块和残差块，对待解码块进行解码；
其中，预测块滤波模型是通过以下方式得到的：
获取训练样本，训练样本包括各样本待编码块、以及各样本待编码块对应的样本预测块；
基于训练样本对神经网络模型进行训练，直至神经网络模型的损失函数收敛，将训练结束时的神经网络模型作为预测块滤波模型，其中，神经网络模型的输入为样本预测块，输出为滤波处理后的样本预测块，损失函数表征了样本预测块与样本待编码块之间的差异。
在一种可能的实现方式中，解码模块63，用于基于滤波处理后的预测块和残差块，得到待解码块对应的重建块；
基于重建块对待解码块进行解码。
本公开实施例的视频解码装置可执行本公开的实施例所提供的视频解码方法，其实现原理相类似，本公开实施例中的视频解码装置中的各模块所执行的动作是与本公开各实施例中的视频解码方法中的步骤相对应的，对于视频解码装置的各模块的详细功能描述具体可以参见前文中所示的对应的视频解码方法中的描述，此处不再赘述。
本申请实施例提供的视频解码装置，首先获取待解码视频帧的待解码块对应的残差块和待解码块对应的预测块；然后通过预测块滤波模型对预测块进行滤波处理，得到滤波处理后的预测块；基于滤波处理后的预测块和残差块，对待解码块进行解码。本申请技术方案通过对神经网络模型行进训练得到预测块滤波模型，利用预测块滤波模型对预测块进行滤波处理，以实现减小预测块与原始块之间的残差，提高预测块的预测精度，减小传输残差所需要的数据量，提升编码效率。
上述实施例从虚拟模块的角度介绍了视频编码装置和解码装置，下述从实体模块的角度介绍一种电子设备，具体如下所示：
本申请实施例提供了一种电子设备，如图7所示，图7所示的电子设备9000包括：处理器9001和存储器9003。其中，处理器9001和存储器9003相连，如通过总线9002相连。可选地，电子设备9000还可以包括收发器9004。需要说明的是，实际应用中收发器9004不限于一个，该电子设备9000的结构并不构成对本申请实施例的限定。
处理器9001可以是CPU，通用处理器，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器9001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线9002可包括一通路，在上述组件之间传送信息。总线9002可以是PCI总线或EISA总线等。总线9002可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器9003可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器9003用于存储执行本申请方案的应用程序代码，并由处理器9001来控制执行。处理器9001用于执行存储器9003中存储的应用程序代码，以实现前述任一方法实施例所示的内容。
本申请实施例提供了一种电子设备，本申请实施例中的电子设备包括：存储器和处理器；至少一个程序，存储于所述存储器中，用于被所述处理器执行时，与现有技术相比：在本申请技术方案中，获取待编码视频帧的待编码块和待编码块对应的预测块；通过预测块滤波模型对预测块进行滤波处理，得到滤波处理后的预测块；基于滤波处理后的预测块和待编码块，对待编码块进行编码。
或者，获取待解码视频帧的待解码块对应的残差块和待解码块对应的预测块；通过预测块滤波模型对预测块进行滤波处理，得到滤波处理后的预测块；基于滤波处理后的预测块和残差块，对待解码块进行解码。
本申请技术方案通过对神经网络模型行进训练得到预测块滤波模型，利用预测块滤波模型对预测块进行滤波处理，以实现减小预测块与原始块之间的残差，提高预测块的预测精度，减小传输残差所需要的数据量，提升编码效率。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当计算机程序在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。与现有技术相比，在本申请技术方案中，获取待编码视频帧的待编码块和待编码块对应的预测块；通过预测块滤波模型对预测块进行滤波处理，得到滤波处理后的预测块；基于滤波处理后的预测块和待编码块，对待编码块进行编码。
或者，获取待解码视频帧的待解码块对应的残差块和待解码块对应的预测块；通过预测块滤波模型对预测块进行滤波处理，得到滤波处理后的预测块；基于滤波处理后的预测块和残差块，对待解码块进行解码。
本申请技术方案通过对神经网络模型行进训练得到预测块滤波模型，利用预测块滤波模型对预测块进行滤波处理，以实现减小预测块与原始块之间的残差，提高预测块的预测精度，减小传输残差所需要的数据量，提升编码效率。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种视频编码方法，其特征在于，所述方法包括：
获取待编码视频帧的待编码块和所述待编码块对应的预测块；
通过预测块滤波模型对所述预测块进行滤波处理，得到滤波处理后的预测块；
基于所述滤波处理后的预测块和所述待编码块，对所述待编码块进行编码；
其中，所述预测块滤波模型是通过以下方式得到的：
获取训练样本，所述训练样本包括各样本待编码块、以及各所述样本待编码块对应的样本预测块；
基于所述训练样本对神经网络模型进行训练，直至所述神经网络模型的损失函数收敛，将将训练结束时的神经网络模型作为所述预测块滤波模型，其中，所述神经网络模型的输入为所述样本预测块，输出为滤波处理后的样本预测块，所述损失函数表征了所述样本预测块与所述样本待编码块之间的差异。
2.根据权利要求1所述的方法，其特征在于，所述基于所述待编码块对应的所述滤波处理后的预测块和所述待编码块，对所述待编码块进行编码，包括：
基于所述待编码块对应的所述滤波处理后的预测块和所述待编码块，确定所述待编码块对应的残差块；
基于所述待编码块对应的残差块，对所述待编码块进行编码。
3.根据权利要求1所述的方法，其特征在于，所述预测块滤波模型包括帧内预测块滤波模型，所述样本预测块包括样本帧内预测块，所述损失函数表征了所述样本帧内预测块与所述样本待编码块之间的差异；
当所述待编码块对应的预测块为帧内预测块时，所述通过预测块滤波模型对所述预测块进行滤波处理，得到滤波后的预测块，包括：
利用帧内预测块滤波模型对所述待编码块对应的帧内预测块进行滤波处理，得到所述待编码块对应的滤波处理后的预测块。
4.根据权利要求3所述的方法，其特征在于，所述帧内预测块滤波模型包括对应于各帧内预测模式信息的帧内预测块滤波模型，所述样本预测块包括各帧内预测模式信息对应的样本帧内预测块，所述损失函数表征了所述各帧内预测模式信息各自对应的样本帧内预测块与所述样本待编码块之间的差异；
所述通过预测块滤波模型对所述预测块进行滤波处理，得到滤波后的预测块，包括：
获取所述帧内预测块对应的帧内预测模式信息；
利用与所述帧内预测模式信息对应的帧内预测块滤波模型对所述待编码块对应的帧内预测块进行滤波处理，得到所述待编码块对应的滤波处理后的预测块。
5.根据权利要求1所述的方法，其特征在于，所述预测块滤波模型包括帧间预测块滤波模型，所述样本预测块包括样本帧间预测块，所述损失函数表征了所述样本帧间预测块与所述样本待编码块之间的差异；
当所述待编码块对应的预测块为帧间预测块时，所述通过预测块滤波模型对所述预测块进行滤波处理，得到滤波后的预测块，包括：
利用帧间预测块滤波模型对所述待编码块对应的帧间预测块进行滤波处理，得到所述待编码块对应的滤波处理后的预测块。
6.根据权利要求5所述的方法，其特征在于，所述帧间预测块滤波模型包括对应于各帧间预测类别信息的帧间预测块滤波模型，所述样本预测块包括各帧间预测类别信息对应的样本帧间预测块，所述损失函数表征了所述各帧间预测类别信息各自对应的样本帧间预测块与所述样本待编码块之间的差异；
所述通过预测块滤波模型对所述预测块进行滤波处理，得到滤波后的预测块，包括：
获取所述帧间预测块对应的帧间预测类别信息；
利用与所述帧间预测类别信息对应的帧间预测块滤波模型对所述待编码块对应的帧间预测块进行滤波处理，得到所述待编码块对应的滤波处理后的预测块。
7.一种视频解码方法，其特征在于，所述方法包括：
获取待解码视频帧的待解码块的残差块和所述待解码块对应的预测块；
通过预测块滤波模型对所述预测块进行滤波处理，得到滤波处理后的预测块；
基于所述滤波处理后的预测块和所述残差块，对所述待解码块进行解码；
其中，所述预测块滤波模型是通过以下方式得到的：
获取训练样本，所述训练样本包括各样本待编码块、以及各所述样本待编码块对应的样本预测块；
基于所述训练样本对神经网络模型进行训练，直至所述神经网络模型的损失函数收敛，将训练结束时的神经网络模型作为所述预测块滤波模型，其中，所述神经网络模型的输入为所述样本预测块，输出为滤波处理后的样本预测块，所述损失函数表征了所述样本预测块与所述样本待编码块之间的差异。
8.一种视频编码装置，其特征在于，所述装置包括：
获取模块，用于获取待编码视频帧的待编码块和所述待编码块对应的预测块；
滤波处理模块，用于通过预测块滤波模型对所述预测块进行滤波处理，得到滤波后的预测块；
编码模块，用于基于所述待编码块对应的所述滤波处理后的预测块和所述待编码块，对所述待编码块进行编码；
其中，所述预测块滤波模型是通过以下方式得到的：
获取训练样本，所述训练样本包括各样本待编码块、以及各所述样本待编码块对应的样本预测块；
基于所述训练样本对神经网络模型进行训练，直至所述神经网络模型的损失函数收敛，将训练结束时的神经网络模型作为所述预测块滤波模型，其中，所述神经网络模型的输入为所述样本预测块，输出为滤波处理后的样本预测块，所述损失函数表征了所述样本预测块与所述样本待编码块之间的差异。
9.一种视频解码装置，其特征在于，所述装置包括：
获取模块，用于获取待解码视频帧的待解码块的残差块和所述待解码块对应的预测块；
滤波处理模块，用于通过预测块滤波模型对所述预测块进行滤波处理，得到滤波处理后的预测块；
解码模块，用于基于所述滤波处理后的预测块和所述残差块，对所述待解码块进行解码；
其中，所述预测块滤波模型是通过以下方式得到的：
获取训练样本，所述训练样本包括各样本待编码块、以及各所述样本待编码块对应的样本预测块；
基于所述训练样本对神经网络模型进行训练，直至所述神经网络模型的损失函数收敛，将训练结束时的神经网络模型作为所述预测块滤波模型，其中，所述神经网络模型的输入为所述样本预测块，输出为滤波处理后的样本预测块，所述损失函数表征了所述样本预测块与所述样本待编码块之间的差异。
10.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于：执行根据权利要求1～7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911046199.0A CN110740319B (zh) | 2019-10-30 | 2019-10-30 | 视频编解码方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911046199.0A CN110740319B (zh) | 2019-10-30 | 2019-10-30 | 视频编解码方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110740319A true CN110740319A (zh) | 2020-01-31 |
| CN110740319B CN110740319B (zh) | 2024-04-05 |
Family
ID=69270623
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911046199.0A Active CN110740319B (zh) | 2019-10-30 | 2019-10-30 | 视频编解码方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110740319B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111711824A (zh) * | 2020-06-29 | 2020-09-25 | 腾讯科技（深圳）有限公司 | 视频编解码中的环路滤波方法、装置、设备及存储介质 |
| CN113259671A (zh) * | 2020-02-10 | 2021-08-13 | 腾讯科技（深圳）有限公司 | 视频编解码中的环路滤波方法、装置、设备及存储介质 |
| CN113709504A (zh) * | 2021-10-27 | 2021-11-26 | 深圳传音控股股份有限公司 | 图像处理方法、智能终端及可读存储介质 |
| CN114501010A (zh) * | 2020-10-28 | 2022-05-13 | Oppo广东移动通信有限公司 | 图像编码方法、图像解码方法及相关装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106604028A (zh) * | 2015-10-16 | 2017-04-26 | 中兴通讯股份有限公司 | 编码处理、解码处理方法及装置、编码器及解码器 |
| CN107197260A (zh) * | 2017-06-12 | 2017-09-22 | 清华大学深圳研究生院 | 基于卷积神经网络的视频编码后置滤波方法 |
| CN107810636A (zh) * | 2015-06-22 | 2018-03-16 | 高通股份有限公司 | 使用混合递归滤波器的视频帧内预测 |
| WO2019066202A1 (ko) * | 2017-09-26 | 2019-04-04 | 엘지전자(주) | 영상 처리 방법 및 이를 위한 장치 |
| CN109688406A (zh) * | 2017-10-19 | 2019-04-26 | 三星电子株式会社 | 使用机器学习的图像编码器及图像编码器的数据处理方法 |
| CN109996083A (zh) * | 2017-12-29 | 2019-07-09 | 杭州海康威视数字技术股份有限公司 | 帧内预测方法及装置 |
-
2019
- 2019-10-30 CN CN201911046199.0A patent/CN110740319B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107810636A (zh) * | 2015-06-22 | 2018-03-16 | 高通股份有限公司 | 使用混合递归滤波器的视频帧内预测 |
| CN106604028A (zh) * | 2015-10-16 | 2017-04-26 | 中兴通讯股份有限公司 | 编码处理、解码处理方法及装置、编码器及解码器 |
| CN107197260A (zh) * | 2017-06-12 | 2017-09-22 | 清华大学深圳研究生院 | 基于卷积神经网络的视频编码后置滤波方法 |
| WO2019066202A1 (ko) * | 2017-09-26 | 2019-04-04 | 엘지전자(주) | 영상 처리 방법 및 이를 위한 장치 |
| CN109688406A (zh) * | 2017-10-19 | 2019-04-26 | 三星电子株式会社 | 使用机器学习的图像编码器及图像编码器的数据处理方法 |
| CN109996083A (zh) * | 2017-12-29 | 2019-07-09 | 杭州海康威视数字技术股份有限公司 | 帧内预测方法及装置 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113259671A (zh) * | 2020-02-10 | 2021-08-13 | 腾讯科技（深圳）有限公司 | 视频编解码中的环路滤波方法、装置、设备及存储介质 |
| CN111711824A (zh) * | 2020-06-29 | 2020-09-25 | 腾讯科技（深圳）有限公司 | 视频编解码中的环路滤波方法、装置、设备及存储介质 |
| CN114501010A (zh) * | 2020-10-28 | 2022-05-13 | Oppo广东移动通信有限公司 | 图像编码方法、图像解码方法及相关装置 |
| CN114501010B (zh) * | 2020-10-28 | 2023-06-06 | Oppo广东移动通信有限公司 | 图像编码方法、图像解码方法及相关装置 |
| CN113709504A (zh) * | 2021-10-27 | 2021-11-26 | 深圳传音控股股份有限公司 | 图像处理方法、智能终端及可读存储介质 |
| CN113709504B (zh) * | 2021-10-27 | 2022-02-15 | 深圳传音控股股份有限公司 | 图像处理方法、智能终端及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110740319B (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lu et al. | Dvc: An end-to-end deep video compression framework | |
| CA2997193C (en) | Method and apparatus of neural network based processing in video coding | |
| CN110740319A (zh) | 视频编解码方法、装置、电子设备及存储介质 | |
| CN111711824B (zh) | 视频编解码中的环路滤波方法、装置、设备及存储介质 | |
| JP5882984B2 (ja) | ビデオ符号化およびビデオ復号化のための暗示的適応型動きベクトル予測子選択の方法および装置 | |
| CN102439975B (zh) | 用于在基于稀疏性的去伪影滤波中响应于可变变换的滤波器参数的确定和选择的方法和设备 | |
| WO2016206590A1 (en) | Method and apparatus for transform coefficient coding of non-square blocks | |
| JP6425609B2 (ja) | 空間変化残差符号化を行う方法および装置 | |
| US20180124422A1 (en) | Motion compensation using temporal picture interpolation | |
| JP7005854B2 (ja) | ビデオ符号化のためのインター予測装置の補間フィルタ及び方法 | |
| TWI729378B (zh) | 視訊編解碼的神經網路方法和裝置 | |
| JP2022522217A (ja) | 双方向オプティカル・フローに対するビット幅制御方法およびデバイス | |
| CN103782598A (zh) | 用于无损编码的快速编码方法 | |
| CN113766249B (zh) | 视频编解码中的环路滤波方法、装置、设备及存储介质 | |
| CN101009839A (zh) | 基于正交变换和向量量化的视频编码/解码的方法和设备 | |
| EP2168382A1 (en) | Method for processing images and the corresponding electronic device | |
| CN111699686B (zh) | 用于视频编解码的分组神经网络的方法以及装置 | |
| CN103703784A (zh) | 具有约束滤波系数的自适应环路滤波方法及其装置 | |
| CN110100437A (zh) | 用于有损视频编码的混合域协作环路滤波器 | |
| KR20170114598A (ko) | 적응적 색상 순서에 따른 색상 성분 간 예측을 이용한 동영상 부호화 및 복호화 방법 및 장치 | |
| WO2021196231A1 (zh) | 变换方法、编码器、解码器以及存储介质 | |
| CN111757109A (zh) | 一种高实时性的并行视频编解码方法、系统和存储介质 | |
| WO2021263251A1 (en) | State transition for dependent quantization in video coding | |
| KR20170116879A (ko) | 패턴 정합 기반 움직임 벡터 생성 기법을 이용한 동영상 부호화 및 복호화 방법 및 장치 | |
| CN111937392B (zh) | 视频编解码的神经网络方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40019604 Country of ref document: HK |
|
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |