CN113422966B - 一种多模型cnn环路滤波方法 - Google Patents
一种多模型cnn环路滤波方法 Download PDFInfo
- Publication number
- CN113422966B CN113422966B CN202110610870.0A CN202110610870A CN113422966B CN 113422966 B CN113422966 B CN 113422966B CN 202110610870 A CN202110610870 A CN 202110610870A CN 113422966 B CN113422966 B CN 113422966B
- Authority
- CN
- China
- Prior art keywords
- model
- frame
- current
- filtering
- adopting
- 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.)
- Active
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000011218 segmentation Effects 0.000 claims abstract description 5
- 238000005457 optimization Methods 0.000 claims description 16
- 230000002123 temporal effect Effects 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 2
- 238000007906 compression Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- H04N19/80—Details of filtering operations specially adapted for video compression, e.g. for pixel interpolation
-
- 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
- H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
- H04N19/146—Data rate or code amount at the encoder output
- H04N19/147—Data rate or code amount at the encoder output according to rate distortion criteria
-
- 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
-
- 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
- H04N19/80—Details of filtering operations specially adapted for video compression, e.g. for pixel interpolation
- H04N19/82—Details of filtering operations specially adapted for video compression, e.g. for pixel interpolation involving filtering within a prediction loop
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明对现有针对B帧训练的模型进行扩展，将原有的QP分段训练的模型扩充到24‑50每个QP点，并且对编码中的每个B帧图像通过比较RDO，选择当前QP以及相邻的6个QP模型中的最优模型的环路滤波方法。
Description
技术领域
本发明属于视频数据压缩领域，特别是一种多模型CNN环路滤波方法。
背景技术
第三代音视频编码标准(AVS3)是国内AVS工作组最新制定的视频编码标准。目前AVS3智能编码框架下环路滤波部分是基于深度学习的CNN(Convolutional NeuralNetworks，卷积神经网络)环路滤波算法，该算法主要是通过有针对性地制作数据集，训练基于CNN的残差网络来对具有伪影的每帧YUV图像进行滤波，其分别针对亮度分量Y、色度分量UV分别训练模型，即使用All Intra模式并关闭其余环路滤波模块后产生未滤波的重构I帧图像作为数据集进行模型训练。在YUV每个分量上对编码过程中不同QP分段训练(例如Y分量，训练了四个模型，分别对应4个QP段，即27-31、32-37、38-44、45-50)，YUV三个分量共计12个I帧模型。后来，该方法又针对视频编码中B帧数据的特性，在不改变模型结构的基础上，重新构建B帧数据集并在Y分量上进行了QP分段模型的训练，即在编码时对B帧的Y分量使用新训练的深度学习模型进行滤波处理，模型数量增加至16个。
但目前该方法仍有不足，首先从空域上考虑，目前将QP分段进行模型训练的做法虽然在一定程度上控制了模型的数量以及大小，但其却因此牺牲了部分编码性能。因为其认为每个QP段内的不同QP的视频图像内容在特征上、分布上相近，故统一处理，但是实际上相邻QP的视频图像内容还是会存在一定的差异。再从时域上进行考虑，由于B帧在进行帧间预测时，视频序列中不同位置的B帧在帧间预测时使用的参考帧不同，参考帧质量的好坏在一定程度上决定了重构后的B帧画面质量的好坏，所以此时如果粗略的对一个视频序列中不同位置的所有B帧都统一根据整个视频的QP来选择同一个模型进行环路滤波处理显然从时域的角度上考虑是存在编码性能上的损失的。
发明内容：
本发明要解决的技术问题是现有环路滤波算法的编码能力不足。
本发明提出一种多模型CNN环路滤波方法，包括以下步骤：
步骤1：输入未经环路滤波的图像；
步骤2：根据当前图像的类型选择滤波方法，对于类型为预设值的图像，选择当前QP或QP段或以及邻近n个QP点或邻近n个QP段的模型对当前图像进行2n+1次滤波或使用该QP段中预设的模型对当前图像进行滤波，其中n为正整数；
步骤3：通过计算经滤波后图像的率失真优化，选出最终模型，当与该最终模型相对应的滤波开关开启时，将该模型的序号写入码流。
首先，在深度学习模型的训练方面，舍弃了现有对B帧数据进行QP分段训练的方法，转为对每个QP点均训练一个B帧模型，采用了多模型的方法。其次，针对同一个视频的编码压缩过程中，不同位置的B帧之间的差异性，新增了B帧模型自适应技术，即对每一个正在进行滤波的B帧图像不仅仅只将编码参数中的QP作为当前帧的滤波模型选择的标准，而是在此基础上额外对相邻的多个QP的模型也计算RDO，对每个B帧选择最优的滤波模型，并将具体选择模型的序号通过一个字节作为标志位写入码流。在加入了自适应、多模型的机制后，在目前AVS3智能编码框架下的环路滤波部分对B帧图像的滤波更加精细准确。能够做到在尽量不增加特别多复杂度的前提下，为每个B帧找到最优的滤波模型，进一步提高编码性能。
进一步的，所述步骤2中，n为1或2或3或4或5或6。
进一步的，所述步骤2中，预设值为B帧或I帧或P帧。
进一步的，所述步骤2中，滤波方法包括对不同帧类型采取不同的多模型方法或对不同帧类型采取不同的单模型方法或对部分帧类型采取单模型方法，部分帧类型采取多模型方法或对不同temporal layer的帧采取不同的多模型方法或对不同temporal layer的帧采取不同的单模型方法或对不同temporal layer的帧，部分采取单模型方法，其余采取多模型方法或对不同temporal layer的帧，部分采取单模型方法，部分采取多模型方法，部分不滤波。
进一步的，所述步骤2中当前QP包括当前编码块或当前帧的,所属QP段包括当前编码块或当前帧所属的QP段。
进一步的，所述步骤3中，最终模型为率失真优化的值最小的模型。
进一步的，所述步骤3中，将该模型的序号通过一个字节作为标志位的方法写入码流。
进一步的，所述单模型方法为根据当前帧的QP选择训练好的对应QP及对应帧类型的滤波模型或根据当前帧的QP选择训练好的对应QP范围及对应帧类型的分段滤波模型。
本发明同现有技术相比具有以下优点及效果：
本发明在加入了自适应、多模型的机制后，在目前AVS3智能编码框架下的环路滤波部分对B帧图像的滤波更加精细准确。能够做到在尽量不增加特别多复杂度的前提下，为每个B帧找到最优的滤波模型，进一步提高编码性能。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明与HPM10.0在RA配置下性能对比图。
图2为本发明与HPM10.0-ModAI5.0在RA配置下性能对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1：
一种多模型CNN环路滤波方法，包括以下步骤：
步骤1：输入未经环路滤波的图像。
步骤2：根据当前图像的类型选择滤波方法，即判断当前图像的类型后采用不同的模型进行滤波，例如，对不同帧类型采取不同的多模型方法。预设值可以为B帧或I帧或P帧，例如预设值为B帧。如果当前图像为B帧图像，则选择当前QP或QP段或以及邻近n个QP点或邻近n个QP段的模型对当前图像进行2n+1次滤波或使用该QP段中预设的模型对当前图像进行滤波，其中预设模型为使用一个QP段内的数据训练得到并在编码过程中采用单模型方法进行滤波，例如：根据当前帧的类型及当前帧的QP选择当前QP以及邻近多个QP点的模型对当前图像多次滤波，或根据当前帧的类型及当前帧的QP选择当前所属QP段以及邻近多个QP段的模型对当前图像多次滤波，或根据当前帧的类型及当前帧的QP属于哪个QP段，使用该QP段中固定的若干模型对当前图像多次滤波，或根据当前编码块的类型及当前编码块的QP选择当前QP以及邻近多个QP点的模型对当前编码块多次滤波，或根据当前编码块的类型及当前编码块的QP选择当前所属QP段以及邻近多个QP段的模型对当前图编码块多次滤波，或根据当前编码块的类型及当前的编码块QP属于哪个QP段，使用该QP段中固定的若干模型对当前图像多次滤波。
步骤3：通过计算步骤2中各个模型的率失真优化，率失真优化算法采用现有的率失真优化算法，具体计算方法为下式所示：
RDCost＝Dist+λ*n
其中，Dist指的是与源图像相比，整幅图像经过当前模型滤波后和未滤波前的欧氏距离，如果该值小于0说明经过当前模型滤波后有增益，大于0说明没有增益，n代表CTU的个数。对当前图像使用多个候选模型进行滤波得到多个RDCost值，找到具有最小RDCost值的模型作为候选最优模型。如果此时RDCost为负值，则证明该模型对当前帧滤波有增益，打开帧级滤波开关并选择该模型为最终模型，将每帧的最终模型的序号写入帧级码流；否则关闭帧级滤波开关对该帧不做滤波。
实施例2：
一种多模型CNN环路滤波方法，包括以下步骤：
步骤1：输入未经环路滤波的图像。
步骤2：根据当前图像的类型选择滤波方法，即判断当前图像的类型后采用不同的模型进行滤波，例如，对不同帧类型采取不同的多模型方法。预设值可以为B帧或I帧或P帧，例如预设值为B帧。如果当前图像为B帧图像，则选择当前QP或QP段或以及邻近n个QP点或邻近n个QP段的模型对当前图像进行2n+1次滤波或使用该QP段中预设的模型对当前图像进行滤波，其中预设模型为使用一个QP段内的数据训练得到并在编码过程中采用单模型方法进行滤波，例如：当前帧QP为45，n＝3，选择临近3个QP点42,43,44,45,46,47,48的模型进行滤波；或者，当前帧QP为45，选择临近1个QP段41-43，44-46，47-49的模型滤波；或者，当前帧QP属于38-45之间时，选择预先代码中规定好的35,36,37,38,39,40,41共7个模型进行滤波。
步骤3：通过计算步骤2中各个模型的率失真优化，率失真优化算法采用现有的率失真优化算法，具体计算方法为下式所示：
RDCost＝Dist+λ*n
其中，Dist指的是与源图像相比，整幅图像经过当前模型滤波后和未滤波前的欧氏距离，如果该值小于0说明经过当前模型滤波后有增益，大于0说明没有增益，n代表CTU的个数。对当前图像使用多个候选模型进行滤波得到多个RDCost值，找到具有最小RDCost值的模型作为候选最优模型。如果此时RDCost为负值，则证明该模型对当前帧滤波有增益，打开帧级滤波开关并选择该模型为最终模型，将每帧的最终模型的序号写入帧级码流；否则关闭帧级滤波开关对该帧不做滤波。
实施例3：一种多模型CNN环路滤波方法，包括以下步骤：
步骤1：输入未经环路滤波的图像。
步骤2：根据当前图像的类型选择滤波方法，当前图像的类型所包括的编码块大小为128x128个像素的单元，即判断当前图像的类型后采用不同的模型进行滤波，例如，对不同帧类型采取不同的多模型方法。预设值可以为B帧或I帧或P帧，例如预设值为B帧，如果当前图像为B帧图像，则选择当前QP或QP段或以及邻近n个QP点或邻近n个QP段的模型对当前图像进行2n+1次滤波或使用该QP段中预设的模型对当前图像进行滤波，例如：当前帧其对应的编码块QP为45，n＝3，选择临近3个QP点42,43,44,45,46,47,48的模型进行滤波；或者，当前编码块QP为45，选择临近1个QP段41-43，44-46，47-49的模型滤波；或者，当前编码块QP属于38-45之间时，选择预先代码中规定好的35,36,37,38,39,40,41共7个模型进行滤波。
步骤3：通过计算步骤2中各个模型的率失真优化，率失真优化算法采用现有的率失真优化算法，具体计算方法为下式所示：
RDCost＝Dist+λ*n
其中，Dist指的是与源图像相比，整幅图像经过当前模型滤波后和未滤波前的欧氏距离，如果该值小于0说明经过当前模型滤波后有增益，大于0说明没有增益，n代表CTU的个数。对当前图像使用多个候选模型进行滤波得到多个RDCost值，找到具有最小RDCost值的模型作为候选最优模型。如果此时RDCost为负值，则证明该模型对当前帧滤波有增益，打开帧级滤波开关并选择该模型为最终模型，将每帧的最终模型的序号写入帧级码流；否则关闭帧级滤波开关对该帧不做滤波。
实施例4：一种多模型CNN环路滤波方法，包括以下步骤：
步骤1：输入未经环路滤波的图像。
步骤2：判断当前未经滤波的重构帧的类型，对不同类型的图像，采用不同的滤波方法，预设值为B帧，例如：如果所述图像是I帧的图像，则对所述图像采用现有AVS3智能编码框架下的I帧模型进行滤波；否则，该图像为B帧图像，当前帧QP为45，n＝3，选择临近3个QP点42,43,44,45,46,47,48的模型进行滤波；或者，当前帧QP为45，选择临近1个QP段41-43，44-46，47-49的模型滤波；或者，当前帧QP属于38-45之间时，选择预先代码中规定好的35,36,37,38,39,40,41共7个模型进行滤波。
步骤3：通过计算步骤2中各个模型的率失真优化，率失真优化算法采用现有的率失真优化算法，具体计算方法为下式所示：
RDCost＝Dist+λ*n
其中，Dist指的是与源图像相比，整幅图像经过当前模型滤波后和未滤波前的欧氏距离，如果该值小于0说明经过当前模型滤波后有增益，大于0说明没有增益，n代表CTU的个数。对当前图像使用多个候选模型进行滤波得到多个RDCost值，找到具有最小RDCost值的模型作为候选最优模型。如果此时RDCost为负值，则证明该模型对当前帧滤波有增益，打开帧级滤波开关并选择该模型为最终模型，将每帧的最终模型的序号写入帧级码流；否则关闭帧级滤波开关对该帧不做滤波。如图1-2所示，相较于HPM10.0和HPM10.0-ModAI5.0，本发明的性能增益明显。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种多模型CNN环路滤波方法，其特征在于，包括以下步骤：
步骤1：输入未经环路滤波的图像；
步骤2：根据当前图像的类型选择滤波方法，滤波方法包括对不同帧类型采取不同的多模型方法或对不同帧类型采取不同的单模型方法或对部分帧类型采取单模型方法，部分帧类型采取多模型方法或对不同temporal layer的帧采取不同的多模型方法或对不同temporal layer的帧采取不同的单模型方法或对不同temporal layer的帧，部分采取单模型方法，其余采取多模型方法或对不同temporal layer的帧，部分采取单模型方法，部分采取多模型方法，部分不滤波；所述单模型方法为根据当前帧的QP选择训练好的对应QP及对应帧类型的滤波模型或根据当前帧的QP选择训练好的对应QP范围及对应帧类型的分段滤波模型；对于类型为预设值的图像，选择当前QP或所属QP段以及邻近n个QP点或邻近n个QP段的模型对当前图像进行2n+1次滤波,或使用所属QP段中预设的模型对当前图像进行滤波，其中n为正整数；
步骤3：通过计算经滤波后图像的率失真优化，选出率失真优化的值最小的模型作为最终模型，当与该最终模型相对应的滤波开关开启时，将该模型的序号写入码流。
2.根据权利要求1所述的多模型CNN环路滤波方法，其特征在于，所述步骤2中，n为1或2或3或4或5或6。
3.根据权利要求1所述的多模型CNN环路滤波方法，其特征在于，所述步骤2中，预设值为B帧或I帧或P帧。
4.根据权利要求1所述的多模型CNN环路滤波方法，其特征在于，所述步骤3中，将该模型的序号通过一个字节作为标志位的方法写入码流。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110610870.0A CN113422966B (zh) | 2021-05-27 | 2021-05-27 | 一种多模型cnn环路滤波方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110610870.0A CN113422966B (zh) | 2021-05-27 | 2021-05-27 | 一种多模型cnn环路滤波方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113422966A CN113422966A (zh) | 2021-09-21 |
| CN113422966B true CN113422966B (zh) | 2024-05-24 |
Family
ID=77713636
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110610870.0A Active CN113422966B (zh) | 2021-05-27 | 2021-05-27 | 一种多模型cnn环路滤波方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113422966B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023092404A1 (zh) * | 2021-11-25 | 2023-06-01 | Oppo广东移动通信有限公司 | 视频编解码方法、设备、系统、及存储介质 |
| CN118176723A (zh) * | 2022-01-04 | 2024-06-11 | Oppo广东移动通信有限公司 | 一种滤波方法、解码器、编码器及计算机可读存储介质 |
| CN117201782A (zh) * | 2022-05-31 | 2023-12-08 | 华为技术有限公司 | 滤波方法、滤波模型训练方法及相关装置 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3328083A1 (en) * | 2016-11-23 | 2018-05-30 | Thomson Licensing | Method and apparatus for encoding a video applying adaptive quantisation |
| CN108734723A (zh) * | 2018-05-11 | 2018-11-02 | 江南大学 | 一种基于自适应权重联合学习的相关滤波目标跟踪方法 |
| CN108921879A (zh) * | 2018-05-16 | 2018-11-30 | 中国地质大学（武汉） | 基于区域选择的CNN和Kalman滤波的运动目标跟踪方法及系统 |
| CN109792515A (zh) * | 2016-08-01 | 2019-05-21 | 韩国电子通信研究院 | 图像编码/解码方法和装置以及存储比特流的记录介质 |
| CN111052740A (zh) * | 2017-07-06 | 2020-04-21 | 三星电子株式会社 | 用于编码或解码图像的方法和装置 |
| CN111064958A (zh) * | 2019-12-28 | 2020-04-24 | 复旦大学 | 一种针对b帧和p帧的低复杂度神经网络滤波算法 |
| CN111164651A (zh) * | 2017-08-28 | 2020-05-15 | 交互数字Vc控股公司 | 用多分支深度学习进行滤波的方法和装置 |
| CN111194555A (zh) * | 2017-08-28 | 2020-05-22 | 交互数字Vc控股公司 | 用模式感知深度学习进行滤波的方法和装置 |
| CN111512632A (zh) * | 2017-11-01 | 2020-08-07 | Vid拓展公司 | 用于简化视频译码中的自适应环路滤波器的方法 |
| CN111541894A (zh) * | 2020-04-21 | 2020-08-14 | 电子科技大学 | 一种基于边缘增强残差网络的环路滤波方法 |
| CN111615828A (zh) * | 2017-11-29 | 2020-09-01 | 韩国电子通信研究院 | 采用环内滤波的图像编码/解码方法和装置 |
| CN112422989A (zh) * | 2020-11-17 | 2021-02-26 | 杭州师范大学 | 一种视频编码方法 |
| CN112655217A (zh) * | 2018-09-12 | 2021-04-13 | 高通股份有限公司 | 减少视频译码的内存消耗的自适应环路滤波器参数的时间预测 |
| CN112823518A (zh) * | 2018-10-08 | 2021-05-18 | 华为技术有限公司 | 用于译码块的三角划分块的帧间预测的装置及方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180288420A1 (en) * | 2017-03-30 | 2018-10-04 | Qualcomm Incorporated | Zero block detection using adaptive rate model |
| US12120312B2 (en) * | 2020-11-17 | 2024-10-15 | Intel Corporation | Video encoding rate control for intra and scene change frames using machine learning |
-
2021
- 2021-05-27 CN CN202110610870.0A patent/CN113422966B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109792515A (zh) * | 2016-08-01 | 2019-05-21 | 韩国电子通信研究院 | 图像编码/解码方法和装置以及存储比特流的记录介质 |
| EP3328083A1 (en) * | 2016-11-23 | 2018-05-30 | Thomson Licensing | Method and apparatus for encoding a video applying adaptive quantisation |
| CN111052740A (zh) * | 2017-07-06 | 2020-04-21 | 三星电子株式会社 | 用于编码或解码图像的方法和装置 |
| CN111164651A (zh) * | 2017-08-28 | 2020-05-15 | 交互数字Vc控股公司 | 用多分支深度学习进行滤波的方法和装置 |
| CN111194555A (zh) * | 2017-08-28 | 2020-05-22 | 交互数字Vc控股公司 | 用模式感知深度学习进行滤波的方法和装置 |
| CN111512632A (zh) * | 2017-11-01 | 2020-08-07 | Vid拓展公司 | 用于简化视频译码中的自适应环路滤波器的方法 |
| CN111615828A (zh) * | 2017-11-29 | 2020-09-01 | 韩国电子通信研究院 | 采用环内滤波的图像编码/解码方法和装置 |
| CN108734723A (zh) * | 2018-05-11 | 2018-11-02 | 江南大学 | 一种基于自适应权重联合学习的相关滤波目标跟踪方法 |
| CN108921879A (zh) * | 2018-05-16 | 2018-11-30 | 中国地质大学（武汉） | 基于区域选择的CNN和Kalman滤波的运动目标跟踪方法及系统 |
| CN112655217A (zh) * | 2018-09-12 | 2021-04-13 | 高通股份有限公司 | 减少视频译码的内存消耗的自适应环路滤波器参数的时间预测 |
| CN112823518A (zh) * | 2018-10-08 | 2021-05-18 | 华为技术有限公司 | 用于译码块的三角划分块的帧间预测的装置及方法 |
| CN111064958A (zh) * | 2019-12-28 | 2020-04-24 | 复旦大学 | 一种针对b帧和p帧的低复杂度神经网络滤波算法 |
| CN111541894A (zh) * | 2020-04-21 | 2020-08-14 | 电子科技大学 | 一种基于边缘增强残差网络的环路滤波方法 |
| CN112422989A (zh) * | 2020-11-17 | 2021-02-26 | 杭州师范大学 | 一种视频编码方法 |
Non-Patent Citations (3)
| Title |
|---|
| 《Residual Highway Convolutional Networks for in-loop Filtering in HEVC》;Yongbing Zhang;《IEEE Transactions on Image Processing》;第27卷(第8期);全文 * |
| 《基于深度学习的视频帧内预测与环路滤波方法研究》;范增辉;《中国优秀硕士学位论文全文数据库》;全文 * |
| 《基于渐进式网络的视频编码环路滤波技术研究》;吴海燕;《电脑编程技巧与维护》(第6期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113422966A (zh) | 2021-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113422966B (zh) | 一种多模型cnn环路滤波方法 | |
| CN108184129B (zh) | 一种视频编解码方法、装置及用于图像滤波的神经网络 | |
| CN110087087B (zh) | Vvc帧间编码单元预测模式提前决策及块划分提前终止方法 | |
| JP5854439B2 (ja) | 適応セグメンテーションを用いた動画符号化システムおよび方法 | |
| TW202110181A (zh) | 濾波器 | |
| CN109862356B (zh) | 一种基于感兴趣区域的视频编码方法及系统 | |
| CN111064958B (zh) | 一种针对b帧和p帧的低复杂度神经网络滤波算法 | |
| CN106937112B (zh) | 基于h.264视频压缩标准的码率控制方法 | |
| CN108012149B (zh) | 一种视频编码中码率控制的方法 | |
| CN113727106B (zh) | 视频编码、解码方法、装置、电子设备及存储介质 | |
| US20230209051A1 (en) | Filtering method and apparatus, and device | |
| CN110351552B (zh) | 视频编码中一种快速编码方法 | |
| CN111246219A (zh) | 一种vvc帧内cu深度快速划分方法 | |
| Kong et al. | Guided CNN restoration with explicitly signaled linear combination | |
| CN103581682A (zh) | 一种hevc帧内编码的快速模式决策算法及其应用 | |
| TW202408228A (zh) | 濾波方法、編碼器、解碼器、碼流以及儲存媒介 | |
| CN114786019A (zh) | 图像预测方法、编码器、解码器以及存储介质 | |
| CN107343199B (zh) | 用于hevc中样点的快速自适应补偿方法 | |
| Zhao et al. | Efficient screen content coding based on convolutional neural network guided by a large-scale database | |
| CN113709483A (zh) | 一种插值滤波器系数自适应生成方法及装置 | |
| CN117857810A (zh) | 一种光照补偿方法、编码器、解码器及存储介质 | |
| CN116980596A (zh) | 一种帧内预测方法、编码器、解码器及存储介质 | |
| Guo et al. | Quality-progressive coding for high bit-rate background frames on surveillance videos | |
| CN114554224B (zh) | 基于核心参考帧的块级拉格朗日乘子优化方法 | |
| WO2023197230A1 (zh) | 滤波方法、编码器、解码器以及存储介质 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Ma Siwei Inventor after: Zhao Yanchen Inventor after: Jia Chuanmin Inventor after: Wang Shanshe Inventor after: Zhao Liping Inventor before: Ma Siwei |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |