CN114173130B - 一种适用于低码率条件的深度神经网络的环路滤波方法 - Google Patents

一种适用于低码率条件的深度神经网络的环路滤波方法 Download PDF

Info

Publication number
CN114173130B
CN114173130B CN202111470236.8A CN202111470236A CN114173130B CN 114173130 B CN114173130 B CN 114173130B CN 202111470236 A CN202111470236 A CN 202111470236A CN 114173130 B CN114173130 B CN 114173130B
Authority
CN
China
Prior art keywords
loop filtering
image
network
images
models
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
Application number
CN202111470236.8A
Other languages
English (en)
Other versions
CN114173130A (zh
Inventor
朱策
司光灿
刘尹
郭红伟
姜泽宇
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202111470236.8A priority Critical patent/CN114173130B/zh
Publication of CN114173130A publication Critical patent/CN114173130A/zh
Application granted granted Critical
Publication of CN114173130B publication Critical patent/CN114173130B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04N19/169—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H04N19/186—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 a colour or a chrominance component
    • 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
    • H04N19/70—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by syntax aspects related to video coding, e.g. related to compression standards
    • 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
    • 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
    • H04N19/85—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明属于视频编码技术领域,具体涉及一种适用于低码率条件的深度神经网络的环路滤波方法。本发明通过利用去噪网络DnCNN代替VVC中的DF和SAO模块,主要解决传统环路滤波方案复杂度高、失真消除效果不理想的问题,用于进一步提升视频重建质量。本发明在AI编码结构下编码复杂度平均增加了14％,使用DnCNN滤波后的重建图像质量明显提升，使得后续VVC中的环路滤波模块ALF的滤波操作变简化,编码时间减少。

Description

一种适用于低码率条件的深度神经网络的环路滤波方法
技术领域
本发明属于视频编码技术领域，具体涉及一种适用于低码率条件的深度神经网络的环路滤波方法。
背景技术
VTM11.0中的环路滤波算法：当前VVC标准中的环路滤波部分由四部分组成，按编码流程依次为：自适应环路整形器(luma mapping with chroma scaling,LMCS)，去块滤波器(deblocking filter,DF)，样点自适应偏移滤波器(sample adaptive offset,SAO) 和自适应环路滤波器(adaptive loop filter,ALF)。
LMCS是VVC中提出的新工具，主要是针对HDR视频中的像素取值范围有限而提出的，包含亮度映射和色度缩放。亮度映射首先计算前向映射函数，而后根据映射表将原始域的像素映射到映射域进行帧内帧间重建，最后经过其他滤波器后进行反映射储存到解码图片缓存 (decoded picture buffer,DPB)中。色度缩放是为了是色度块与相应亮度匹配避免出现颜色失真。
DF用于去除编码中的块效应，块效应指的是编码块边界处的不连续的现象，原因是基于块的编码过程中各个块的预测、变换、量化等过程相互独立，从而导致相邻重建块的边界处产生不连续，在帧内编码和帧间编码中都有此现象。VVC中去方块滤波的基本原理是对平滑区域的不连续边界做强滤波，对纹理丰富的区域做弱滤波或不滤波。DF的处理顺序为先垂直边界，后水平边界。具体流程为首先根据两侧块的编码参数获取边界强度从而决定滤波参数，之后再判断边界处的不连续是由图像内容还是编码失真引起的从而确定是否需要滤波，最后根据相邻块的尺寸和平坦程度选择需要进行滤波的像素数进而进行滤波操作。
SAO作用于DF之后，用于去除振铃效应。图像在频域量化的过程中高频系数往往会被量化为0，相当于进行了理想低通滤波，而低通滤波器在空域表现为涟漪效应，因此图像的边缘在经过量化反量化后会出现波动的现象，即重建值会在原始值上下波动。SAO解决振铃效应的措施是通过对重建值进行分类，对波峰补偿负值，对波谷补偿负值。VVC中的SAO包含边界补偿 (edge offset,EO)和边带补偿(band offset,BO)两种方式，以编码树块为基本单位。 EO根据像素的空间位置进行分类，将当前像素和相邻像素进行比较，根据比较结果将当前划分为五个类别之一，对同一类的像素予以相同的补偿值。BO则是根据像素值的大小进行分类，将其划分到32个互不重叠的边带，对属于同一类的像素予以相同的补偿值。为了减少码字， SAO还采用了参数融合的方式，一个编码树块可以通过参数指定直接利用哪一个相邻的块的 SAO参数。
ALF也是VVC中提出的新工具，通过维纳滤波的方式使重建图像和原始图像间的MSE最小，作用于SAO之后，可以用于去除编码阶段产生的失真。将4x4块分为25类，根据4x4块类别对亮度分量采用7x7菱形滤波器，对亮度分量采用相应的5x5菱形滤波器。
目前的VTM11.0中的环路滤波算法复杂度高，计算繁琐，耗时多，并且恢复的重建帧质量并不理想。
现有的基于深度学习的环路滤波的方法对虽然对重建帧质量有一定恢复，但是往往复杂度会成倍上升，并且使用的神经网络结构过于复杂，导致计算复杂度高，系统不稳定，在低码率条件下效果有限。
发明内容
针对上述问题，本发明提供了一种适用于低码率条件的深度神经网络的环路滤波方法。
本发明的技术方案为：
一种适用于低码率条件的深度神经网络的环路滤波方法，该方法基于VCC标准中的环路滤波部分，VCC标准中的环路滤波部分依次包括自适应环路整形器(LMCS)、去块滤波器(DF)、样点自适应偏移滤波器(SAO)和自适应环路滤波器(ALF)，其特征在于，所述环路滤波方法包括以下步骤：
S1、构造训练数据集：采用DIV2K数据集，在对DIV2K数据集中的图像进行压缩之前, 先将图像从RGB颜色空间转换为YUV颜色空间,使用VVC视频编码标准的参考软件VTM11.0的 AI编码结构对每张图片在QP＝27，32，37，42的条件下进行压缩,然后将经过LMCS模块的重建图像输出，并划分为互不重叠的大小为256×256的重建块，编码重建块包含Y、U、V三个分量,将3通道的YUV图像转换为3通道的RGB图像，分别获得对应QP＝27，32，37，42四类训练集和验证集；
S2、搭搭建DnCNN网络，利用步骤S1得到的四类训练集对网络进行训练，分别生成对应四类数据集的四类模型，然后根据模型在验证集上的表现选择出四类模型各自的最优模型，最终分别得到对应四个QP的四个模型；
S3、在编码视频序列时，采用如步骤S1的方法将经过LMCS模块的重建图像划分为256 ×256大小的重建块并转换为3通道的RGB图像,然后根据QP的大小选择步骤S2中训练好的网络模型，将RGB图像通过该网络模型，输出的图像重新拼接成完整图像并转换回YUV格式，从而完成基于DnCNN的滤波，得到了滤波后的YUV图像，再将YUV图像输入到编码器中，进入到ALF模块，完成后续处理。
进一步的，所述DnCNN网络包括三个部分，第一部分即第一层为Conv+ReLU，使用64个 3×3×c的卷积核生成64张特征图并使用ReLU激活函数加入非线性因素，其中c代表图片的通道数，c＝1代表灰度图片，c＝3代表彩色图片；第三部分即最后一层为Conv，使用c个3×3×64 的卷积核重建图像；第二部分位于第一层和最后一层之间，为多层结构，第二部分为Conv+BN+ReLU，每层使用64个3×3×64的卷积核,每层BN和ReLU之间都使用批标准化。
本发明的有益效果为：本发明使用去噪网络DnCNN代替VVC环路滤波的SAO和DF模块，有效地消除了重建帧由于方块效应和振铃效应带来的失真，提高了编码质量；本发明使用 256x256的分块处理技术，首先使本发明能够用于不同分辨率视频的处理，其次比现有的 64x64或者128x128的分块更好地处理方块效应，并且复杂度更低；本发明使用YUV到RGB的转换来构造无损的三通道数据，相比现有的降采样方法能够减小数据处理过程中带来的失真。
附图说明
图1为本发明的整体流程框图；
图2为DnCNN网络结构示意图。
具体实施方式
下面结合附图对本发明进行详细描述。
本发明是在VCC标准中的环路滤波部分的基础上，采用神经网络代替DF模块和SAO模块，如图1所示，主要包括：
A、构造训练数据集。采用DIV2K数据集,在对DIV2K数据集中的图像进行压缩之前,先将图像从RGB颜色空间转换为YUV颜色空间,使用VVC视频编码标准的参考软件VTM11.0的AI编码结构对每张图片在QP＝27，32，37，42的条件下进行压缩,将经过环路滤波LMCS模块、未经过VTM 中环路滤波模块DBF、SAO的重建图像输出,并划分为互不重叠的大小为256×256的重建块(对于小于该尺寸的边界块用黑色填充剩余部分),编码重建块包含Y、U、V三个分量,将3通道的 YUV图像转换为3通道的RGB图像，获得分别对应QP＝27，32，37，42四类训练集和验证集；
B、搭建去噪网络DnCNN，利用步骤A得到的四类训练集对网络进行训练，分别生成对应四类数据集(即四个QP)的四类模型，然后根据模型在验证集上的表现选择出四类模型各自的最优模型，最终得到分别对应四个QP的四个模型；
C、在编码视频序列时,将还没有进行DF和SAO处理的重建图像F划分为256×256大小的重建块,用与步骤A相同的处理方式,将重建块转换为3通道的RGB格式,根据QP的大小选择步骤B 中训练好的对应网络,获得滤波后的图像重新拼接成完整图像F′并转换回YUV格式输入到编码器中进行ALF模块和后续部分的处理。
步骤B中的训练过程中，对于训练QP为27，32的数据集的模型，使用L1损失函数:L1＝||F-F′||，采用较慢的学习率更新；对于训练QP为37，42的数据集的模型，使用 L2损失函数:L2＝||F-F′||2,采用较快的学习率更新。
如图2所示，步骤B中的深度神经网络的结构为：网络分为三大部分。对于一个D层的DnCNN网络，第一部分是Conv+ReLU(第一层)，使用64个3×3×c的卷积核生成64张特征图并使用ReLU激活函数加入非线性因素，其中c代表图片的通道数，c＝1代表灰度图片，c＝3代表彩色图片，第二部分是Conv+BN+ReLU(第一层到第D-1层)，使用64个3×3×64的卷积核,每层BN和ReLU之间都使用批标准化第三部分是Conv(最后一层)，使用c个3×3×64的卷积核重建图像。
网络的输入是编码器中经过LMCS处理后的重建帧F，网络的输出是DnCNN学习到的原始帧和重建帧之间的差值图像ΔF，用重建帧F减去差值图像ΔF最终得到的就是我们所需要的滤波后的图像F′。
DnCNN使用残差学习和批标准化结合的策略，提高了训练的效果，加速了训练的过程，
在中间隐藏层内部把没有失真的图片分离出来，得到差值图像。
本发明给出了一个复杂度低，适用于低码率，对视频质量有明显改善的环路滤波方法。针对VVC和现有基于深度学习的环路滤波方法存在的问题，使用结构简单的DnCNN网络，不仅能够在低码率条件下有效消除重建帧的失真，提高视频编码质量，而且复杂度低，系统稳定。下面使用仿真实例说明本发明方案的有效性：
本实验中使用VTM11.0作为实验平台，测试的序列为CTC标准测试序列中的A1,A2,B,C,D,E 测试集合，编码结构为AI，对比的指标有BD-Rate和编码时间，表1是实验结果。
其中当BD-Rate为负值时，代表相同重建质量下码率减少，技术具有增益，当BD-Rate为正值时，代表相同重建质量下码率增加，技术存在损失。
此处对比的基准设置为给定QP，打开环路滤波所有模块时VTM11.0编码器的编码质量，测试的设置为给定QP，关闭DF和SAO模块，并在LMCS和ALF之间加入DnCNN网络。
表1实验结果
Class Y-PSNR U-PSNR V-PSNR EncT
Class A1 -2.89％ -9.03％ -4.70％ 15.53％
Class A2 -2.81％ -6.24％ -4.94％ 8.61％
Class B -2.34％ -6.93％ -7.32％ 15.14％
Class C -3.55％ -9.82％ -8.51％ 24.33％
Class D -3.81％ -9.88％ -9.54％ 48.86％
Class E -4.22％ -8.33％ -7.64％ 12.40％
ALL -3.09％ -8.04％ -6.81％ 14.79％

Claims (2)

1.一种适用于低码率条件的深度神经网络的环路滤波方法，该方法基于VCC标准中的环路滤波部分，VCC标准中的环路滤波部分依次包括自适应环路整形器(LMCS)、去块滤波器(DF)、样点自适应偏移滤波器(SAO)和自适应环路滤波器(ALF)，其特征在于，所述环路滤波方法包括以下步骤：
S1、构造训练数据集：采用DIV2K数据集，在对DIV2K数据集中的图像进行压缩之前,先将图像从RGB颜色空间转换为YUV颜色空间,使用VVC视频编码标准的参考软件VTM11.0的AI编码结构对每张图片在QP＝27，32，37，42的条件下进行压缩,然后将经过LMCS模块的重建图像输出，并划分为互不重叠的大小为256×256的重建块，编码重建块包含Y、U、V三个分量,将3通道的YUV图像转换为3通道的RGB图像，分别获得对应QP＝27，32，37，42四类训练集和验证集；
S2、搭建DnCNN网络，利用步骤S1得到的四类训练集对网络进行训练，分别生成对应四类数据集的四类模型，然后根据模型在验证集上的表现选择出四类模型各自的最优模型，最终分别得到对应四个QP的四个模型；
S3、在编码视频序列时，采用如步骤S1的方法将经过LMCS模块的重建图像划分为256×256大小的重建块并转换为3通道的RGB图像,然后根据QP的大小选择步骤S2中训练好的网络模型，将RGB图像通过该网络模型，输出的图像重新拼接成完整图像并转换回YUV格式，从而完成基于DnCNN的滤波，得到了滤波后的YUV图像，再将YUV图像输入到ALF模块中，完成后续处理。
2.根据权利要求1所述的一种适用于低码率条件的深度神经网络的环路滤波方法，其特征在于，所述DnCNN网络包括三个部分，第一部分即第一层为Conv+ReLU，使用64个3×3×c的卷积核生成64张特征图并使用ReLU激活函数加入非线性因素，其中c代表图片的通道数，c＝1代表灰度图片，c＝3代表彩色图片；第三部分即最后一层为Conv，使用c个3×3×64的卷积核重建图像；第二部分位于第一层和最后一层之间，为多层结构，第二部分为Conv+BN+ReLU，每层使用64个3×3×64的卷积核,每层BN和ReLU之间都使用批标准化，不同模型的网络结构相同，只有卷积核的参数不相同。
CN202111470236.8A 2021-12-03 2021-12-03 一种适用于低码率条件的深度神经网络的环路滤波方法 Active CN114173130B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111470236.8A CN114173130B (zh) 2021-12-03 2021-12-03 一种适用于低码率条件的深度神经网络的环路滤波方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111470236.8A CN114173130B (zh) 2021-12-03 2021-12-03 一种适用于低码率条件的深度神经网络的环路滤波方法

Publications (2)

Publication Number Publication Date
CN114173130A CN114173130A (zh) 2022-03-11
CN114173130B true CN114173130B (zh) 2023-02-10

Family

ID=80483027

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111470236.8A Active CN114173130B (zh) 2021-12-03 2021-12-03 一种适用于低码率条件的深度神经网络的环路滤波方法

Country Status (1)

Country Link
CN (1) CN114173130B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114979645B (zh) * 2022-05-24 2024-05-17 福州大学 一种面向E-Paper显示器的视频编解码方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112019854A (zh) * 2019-05-28 2020-12-01 北京大学 基于深度学习神经网络的环路滤波方法
CN112422993A (zh) * 2019-08-21 2021-02-26 四川大学 一种结合卷积神经网络的hevc视频质量增强算法框架
CN113628146A (zh) * 2021-08-30 2021-11-09 中国人民解放军国防科技大学 基于深度卷积网络的图像去噪方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017036370A1 (en) * 2015-09-03 2017-03-09 Mediatek Inc. Method and apparatus of neural network based processing in video coding
WO2019009448A1 (ko) * 2017-07-06 2019-01-10 삼성전자 주식회사 영상을 부호화 또는 복호화하는 방법 및 장치
CN112218097A (zh) * 2019-07-12 2021-01-12 富士通株式会社 环路滤波装置和图像解码装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112019854A (zh) * 2019-05-28 2020-12-01 北京大学 基于深度学习神经网络的环路滤波方法
CN112422993A (zh) * 2019-08-21 2021-02-26 四川大学 一种结合卷积神经网络的hevc视频质量增强算法框架
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
CN113628146A (zh) * 2021-08-30 2021-11-09 中国人民解放军国防科技大学 基于深度卷积网络的图像去噪方法

Also Published As

Publication number Publication date
CN114173130A (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
US11589041B2 (en) Method and apparatus of neural network based processing in video coding
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
Cui et al. Convolutional neural networks based intra prediction for HEVC
CN108932697B (zh) 一种失真图像的去失真方法、装置及电子设备
CN109257600B (zh) 一种基于深度学习的视频压缩伪影自适应去除方法
CN111541894B (zh) 一种基于边缘增强残差网络的环路滤波方法
JPH07131757A (ja) 画像処理装置
CN105763881A (zh) 利用图像非局部结构相似性特征的视频编码图像滤波方法
CN109889852B (zh) 一种基于邻近值的hevc帧内编码优化方法
CN111105357B (zh) 一种失真图像的去失真方法、装置及电子设备
CN111885280B (zh) 一种混合卷积神经网络视频编码环路滤波方法
Chen et al. In-loop filter with dense residual convolutional neural network for VVC
CN109978772A (zh) 基于深度学习与双域互补的压缩图像复原方法
Zhang et al. Efficient CTU-based intra frame coding for HEVC based on deep learning
CN114173130B (zh) 一种适用于低码率条件的深度神经网络的环路滤波方法
Quijas et al. Removing JPEG blocking artifacts using machine learning
Jia et al. Residual guided deblocking with deep learning
CN113055674B (zh) 一种基于两阶段多帧协同的压缩视频质量增强方法
Wang et al. An integrated CNN-based post processing filter for intra frame in versatile video coding
Chen et al. A non-local mean temporal filter for video compression
CN114189695B (zh) 一种基于gan的hevc压缩视频视觉感知提升方法
Wang et al. Neural network based in-loop filter with constrained memory
CN117459737B (zh) 一种图像预处理网络的训练方法和图像预处理方法
Yang et al. Semantic Preprocessor for Image Compression for Machines
KR100982835B1 (ko) 영상 프레임의 디블로킹 방법 및 장치

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