CN114449296A - 基于卷积神经网络的环路滤波方法和装置 - Google Patents
基于卷积神经网络的环路滤波方法和装置 Download PDFInfo
- Publication number
- CN114449296A CN114449296A CN202011230701.6A CN202011230701A CN114449296A CN 114449296 A CN114449296 A CN 114449296A CN 202011230701 A CN202011230701 A CN 202011230701A CN 114449296 A CN114449296 A CN 114449296A
- Authority
- CN
- China
- Prior art keywords
- network
- convolutional neural
- neural network
- image
- filtering
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 57
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000010586 diagram Methods 0.000 claims abstract description 11
- 238000011084 recovery Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000001133 acceleration Effects 0.000 abstract description 2
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000013139 quantization Methods 0.000 description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 229910003460 diamond Inorganic materials 0.000 description 3
- 239000010432 diamond Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 241000023320 Luma <angiosperm> Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- OSWPMRLSEDHDFF-UHFFFAOYSA-N methyl salicylate Chemical compound COC(=O)C1=CC=CC=C1O OSWPMRLSEDHDFF-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001131 transforming 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
- H04N19/80—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
- H04N19/42—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
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
- H04N21/4402—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving reformatting operations of video signals for household redistribution, storage or real-time display
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种基于卷积神经网络的环路滤波方法和装置。该方法的步骤包括：建立并训练用于重建视频质量恢复的卷积神经网络，包括第一网络、第二网络和第三网络；利用索贝尔算子和二阶拉普拉斯算子求出输入的重建图像的一阶梯度和二阶梯度；利用第一网络和第三网络对输入的重建图像的一阶梯度和二阶梯度进行恢复，并将恢复的梯度与输入的重建图像的特征图进行整合，得到整合后的特征图；将整合后的特征图经过第二网络，得到恢复后的重建图像。相对于传统的环路滤波技术，本发明通过卷积网络提取视频特征，提高了对压缩视频的恢复能力。本发明在GPU的加速下能够与传统滤波技术的计算复杂度相当，且能够更加有效提升视频编码器压缩视频质量。
Description
技术领域
本发明涉及视频编解码领域，针对Versatile Video Coding(VVC)视频编码标准中的环路滤波模块提出一种基于卷积神经网络的环路滤波方法和装置，本发明能够更加有效地提升视频编码器压缩视频质量。
背景技术
VVC是新一代的视频编码标准，具有压缩效率高，计算复杂度大的特性。由于新一代标准依然沿用了基于块的混合编码框架，所以仍然会出现诸如方块效应，振铃效应等压缩失真。而环路滤波在视频编解码器中扮演着十分重要的角色，它不仅能够提升当前帧的质量，同时也为后续编码提供一个高质量的参考帧。在VVC中，总共有3种环路滤波方法，依次为去方块滤波、样点自适应补偿以及自适应滤波。
方块效应产生的原因主要有两个，一是由于对变换后的残差系数进行的基于块的整数变换后，以大的量化步长对变换系数进行量化会使得解码后的重建图像的方块边缘出现不连续；二是在运动补偿中插值运算引起的误差使得编解码器反变换后的重建图像会出现方块效应。为此VVC在继承了HEVC中的去方块滤波，并在此基础上进行了一些改进。去方块效应的主要思想就是在保持图像总能量不变的条件下，把这些台阶状的阶跃灰度变化重新复原成台阶很小或者近似连续的灰度变化，同时还必须尽量减少对真实图像边缘的损伤。
位于去方块滤波之后的自适应补偿技术是HEVC采用的一种新技术，VVC也采纳了这一技术。不同于去方块滤波只对边界像素进行，样点自适应补偿原则上是针对块中所有的像素点。样点自适应补偿对图像块内像素的特征进行分类，属于同一类的像素点将获得相同的补偿值，补偿的方向是让像素向原始像素值靠拢，从而达到降低图像失真的目的。
相比HEVC，VVC采用了一种新技术——自适应滤波。自适应滤波将每个4x4的小块分为25种(根据方向性和梯度值)，同一种类的小块使用同一种滤波器进行滤波，所以编码器总共只需要传输25组滤波器的滤波系数。VVC提供了两种菱形滤波器，其中5x5的菱形滤波器用于色度分量，7x7的菱形滤波器用于亮度分量。具体过程如下：对于亮度分量需要为每个4x4的子块分类，共25个类别。类别C由块的方向D和活动性A决定：
C＝5D+A
为了计算D和A，需要计算子块的水平、垂直、两个对角线方向的梯度，梯度计算使用1维拉普拉斯方法实现。为了减少计算复杂度在计算梯度前进行下采样。得到滤波器之后，需要在滤波操作前对滤波器系数和相应门限值进行几何变换，包括旋转、对角和垂直翻转。变换类型由上面计算的块的梯度决定。对滤波器进行几何变换效果等价于对滤波区域进行相应几何变换，这么做的目的是使不同块方向对齐。最后则采用选中的滤波器对相应块进行滤波。
VVC内置的环路滤波虽然能够有效提升重建视频质量，但由于传统方法的局限性，其提升的质量有限。所以，本发明通过利用卷积神经网络来进一步提升重建视频的质量。
发明内容
本发明针对传统环路滤波器的不足，利用卷积神经网络来进行滤波，本方法能够有效利用图像中的先验知识，从而更加有效的提升重建视频质量。
本发明采用的技术方案如下：
一种基于卷积神经网络的环路滤波方法，包括以下步骤：
建立并训练用于重建视频质量恢复的卷积神经网络，所述卷积神经网络包括：第一网络，用于恢复图像的一阶梯度；第二网络，用于恢复重建图像；第三网络，用于恢复图像的二阶梯度；
利用索贝尔算子和二阶拉普拉斯算子求出输入的重建图像的一阶梯度和二阶梯度；
利用所述卷积神经网络的第一网络和第三网络对输入的重建图像的一阶梯度和二阶梯度进行恢复，并将恢复的梯度与输入的重建图像的特征图进行整合，得到整合后的特征图；
将整合后的特征图经过所述卷积神经网络的第二网络，得到恢复后的重建图像。
进一步地，所述的将整合后的特征图经过所述卷积神经网络的第二网络，得到恢复后的重建图像，包括：
将整合后的特征图经过第二网络的多个残差网络块进行特征提取，将得到的残差特征通过卷积得到残差图像，残差图像和输入的重建图像进行逐元素相加，得到恢复后的重建图像。
进一步地，对所述卷积神经网络做以下改进：
将所有的卷积由普通卷积更换为深度分离卷积；
所有的卷积层尽可能使得通道数最少；
对第一网络、第二网络、第三网络的残差网络块进行参数共享。
进一步地，编码端基于所述卷积神经网络对输入图像进行滤波，在滤波后的图像帧中设置是否使用卷积神经网络进行滤波的标识位，并写入码流中；解码端读取码流中的标识位，在解码当前图像帧时根据标识位确定是否基于所述卷积神经网络进行滤波。
进一步地，在编码端，将滤波后的图像帧与滤波前的图像帧的峰值信噪比进行比较，如果滤波后的图像帧的峰值信噪比更大，则将所述标识位置为1，并写入到码流中，否则将所述标识位置为0；在解码端，若标识位为0，则当前帧解码时不基于所述卷积神经网络进行滤波，若标识位为1，则当前帧解码时基于所述卷积神经网络进行滤波。
一种视频编码装置，其包括：
环路滤波模块，用于采用上述方法对输入图像进行滤波；
标识位设置模块，用于在滤波后的图像帧中设置是否使用卷积神经网络进行滤波的标识位，并写入码流中。
进一步地，所述标识位设置模块将滤波后的图像帧与滤波前的图像帧的峰值信噪比进行比较，如果滤波后的图像帧的峰值信噪比更大，则将所述标识位置为1，并写入到码流中，否则将所述标识位置为0。
一种视频解码装置，其包括：
标识位读取模块，用于读取所述视频编码装置输出的码流中的标识位；
环路滤波模块，用于在解码当前图像帧时根据所述标识位确定是否基于卷积神经网络进行滤波。
进一步地，该视频解码装置中，若标识位为0，则当前帧解码时不基于所述卷积神经网络进行滤波，若标识位为1，则当前帧解码时基于所述卷积神经网络进行滤波。
本发明的有益效果如下：
相对于传统的环路滤波技术，本发明通过卷积网络提取视频特征，提高了对压缩视频的恢复能力。本发明在GPU的加速下能够与传统滤波技术的计算复杂度相当，且能够更加有效提升视频编码器压缩视频质量。
附图说明
图1是基于卷积网络的环路滤波器的网络结构图。
图2是索贝尔算子与拉普拉斯算子示意图。
图3是Residual Block网络结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面通过具体实施例和附图，对本发明做进一步详细说明。
本发明主要包括以下几个方面：
1、传统滤波由于基于人为假设以及通过人工设计滤波器的方法来进行图像质量恢复，使得图像质量提升有限。为此，本发明设计了一个用于重建视频质量恢复的卷积网络，通过训练得到一个能够有效提升视频质量的卷积网络，如图1所示。其中，重建视频是指视频经过压缩后形成码流后，根据码流重新恢复出的视频。
2、由于重建图像在卷积网络作用下也有可能使得质量下降，所以本发明在每一帧的开头设置一个比特位用来标识是否使用卷积网络来进行滤波，从而进一步保证视频质量。
综合考虑网络的复杂度以及网络的图像恢复能力，本发明的基于卷积网络的环路滤波器采用图1的网络结构，具体如下：
图1中，Conv表示核大小为3x3卷积算子，LReLU表示线性整流函数，Conv+LReLU表示3x3卷积算子后接一个线性整流函数；Residual Block表示残差网络块；Conv1x1表示核大小为1x1卷积算子；
表示逐元素相加。
图1中包括三个网络，即网络(a)、(b)和(c)。其中，网络(a)用于恢复图像的一阶梯度，网络(b)用于恢复重建图像，网络(c)用于恢复图像的二阶梯度。
网络(a)中左侧的小图片表示重建图像的一阶梯度，右侧的小图片表示经网络恢复后的重建图像的一阶梯度。
网络(b)中左侧的小图片表示重建图像，右侧的小图片表示经网络恢复后的重建图像。
网络(c)中左侧的小图片表示重建图像的二阶梯度，右侧的小图片表示经网络恢复后的重建图像的二阶梯度。
本方法的滤波器整体采用了残差模式，且为了能够尽可能多的恢复图像的细节，本方法通过利用图像的一阶梯度和二阶梯度来进一步恢复图像的细节。网络运行方式具体如下：
1.根据输入图像(即输入的重建图像)利用索贝尔算子和二阶拉普拉斯算子求出图像的一阶梯度和二阶梯度，即DI和LI；
DI＝Gx*I+Gy*I
LI＝L*I
其中，I为输入图像，L为拉普拉斯算子，Gx,Gy分别为水平方向与与垂直方向上的索贝尔算子。索贝尔算子与拉普拉斯算子如图2所示。
2.利用网络(a)和网络(c)分别对图像的各阶梯度进行恢复，并将恢复的梯度与输入图像的特征图进行整合；
其中，I′表示三个特征图整合后的特征图，
表示卷积核大小为k×k，输入通道数为i，输出通道数为o的卷积层，D′I表示经网络恢复后的重建图像的一阶梯度再经1x1的卷积得到的特征图，L′I表示经网络恢复后的重建图像的二阶梯度再经1x1的卷积得到的特征图。
3.利用残差网络对图像进行质量恢复。步骤2得到的特征图经过多个ResidualBlock(残差网络块)进行特征提取后，将得到的残差特征通过卷积得到残差图像，最后残差图像和输入的重建图像进行逐元素相加得到恢复后的重建图像。
考虑到网络复杂度，为了降低网络的计算量，本方法对上述网络做了如下改进：
1.将所有的卷积由普通卷积更换为深度分离卷积(1x1的卷积除外)，从而极大的降低网络复杂度。
2.所有的卷积层尽可能使得通道数最少，从而保证特征图大小，这样既能节省内存，同时降低计算复杂度。
其中，所有的卷积层尽可能使得通道数最少，即在不损失网络的性能下保证卷积层的通道数尽可能小，通过实验可得通道数为32的网络和32以上网络性能差距不大，所以一般取32。
3.由于网络(a)、网络(b)和网络(c)的结构基本相似，所以对各个网络的ResidualBlock进行参数共享。各个Residual Block均采用如图3所示的结构，依次包括Conv层、LReLU层、Conv层、LReLU层，图中
表示逐元素相加。
将上述网络进行训练，针对不同的量化参数采用不同的网络来进行推理。量化参数是视频编码决定压缩后重建视频质量的关键参数，使用者设置不同的量化参数，会产生不同质量的重建视频。针对不同的量化参数采用不同的网络来进行推理，是指针对不同的量化参数，分别训练网络，每个网络针对对应的量化参数。
考虑到一些特殊的图像经过网络处理后质量可能下降，为此，本方法通过传送额外的一个比特位来标识是否使用卷积网络滤波，具体如下：
1.编码端(或称视频编码装置)：
1)利用上述网络对输入图像块进行滤波；
2)将网络滤波后的图像帧与滤波前的图像帧的峰值信噪比(Peak Signal toNoise Ratio，PSNR)进行比较，如果滤波后的PSNR更大，说明滤波有效提升图像帧质量，将帧头的比特位(即是否使用卷积网络滤波的标识位)置为1，并写入到码流中；否则置为0；
2.解码端(或称视频解码装置)：
1)读取码流中关于是否使用卷积网络滤波的标识位；
2)若标识位为0，则当前帧解码时不进行卷积网络滤波，若标识位为1，则当前帧解码时进行卷积网络滤波。
以上公开的本发明的具体实施例和附图，其目的在于帮助理解本发明的内容并据以实施，本领域的普通技术人员可以理解，在不脱离本发明的精神和范围内，各种替换、变化和修改都是可能的。本发明不应局限于本说明书的实施例和附图所公开的内容，本发明的保护范围以权利要求书界定的范围为准。
Claims (10)
1.一种基于卷积神经网络的环路滤波方法，其特征在于，包括以下步骤：
建立并训练用于重建视频质量恢复的卷积神经网络，所述卷积神经网络包括：第一网络，用于恢复图像的一阶梯度；第二网络，用于恢复重建图像；第三网络，用于恢复图像的二阶梯度；
利用索贝尔算子和二阶拉普拉斯算子求出输入的重建图像的一阶梯度和二阶梯度；
利用所述卷积神经网络的第一网络和第三网络对输入的重建图像的一阶梯度和二阶梯度进行恢复，并将恢复的梯度与输入的重建图像的特征图进行整合，得到整合后的特征图；
将整合后的特征图经过所述卷积神经网络的第二网络，得到恢复后的重建图像。
2.根据权利要求1所述的方法，其特征在于，所述的将整合后的特征图经过所述卷积神经网络的第二网络，得到恢复后的重建图像，包括：
将整合后的特征图经过第二网络的多个残差网络块进行特征提取，将得到的残差特征通过卷积得到残差图像，残差图像和输入的重建图像进行逐元素相加，得到恢复后的重建图像。
3.根据权利要求1所述的方法，其特征在于，所述整合后的特征图为：
其中，I′表示整合后的特征图；
表示卷积核大小为k×k，输入通道数为i，输出通道数为o的卷积层；D′I表示经网络恢复后的重建图像的一阶梯度再经1x1的卷积得到的特征图，L′I表示经网络恢复后的重建图像的二阶梯度再经1x1的卷积得到的特征图。
4.根据权利要求1所述的方法，其特征在于，对所述卷积神经网络做以下改进：
将所有的卷积由普通卷积更换为深度分离卷积；
所有的卷积层尽可能使得通道数最少；
对第一网络、第二网络、第三网络的残差网络块进行参数共享。
5.根据权利要求1所述的方法，其特征在于，编码端基于所述卷积神经网络对输入图像进行滤波，在滤波后的图像帧中设置是否使用卷积神经网络进行滤波的标识位，并写入码流中；解码端读取码流中的标识位，在解码当前图像帧时根据标识位确定是否基于所述卷积神经网络进行滤波。
6.根据权利要求5所述的方法，其特征在于，在编码端，将滤波后的图像帧与滤波前的图像帧的峰值信噪比进行比较，如果滤波后的图像帧的峰值信噪比更大，则将所述标识位置为1，并写入到码流中，否则将所述标识位置为0；在解码端，若标识位为0，则当前帧解码时不基于所述卷积神经网络进行滤波，若标识位为1，则当前帧解码时基于所述卷积神经网络进行滤波。
7.一种视频编码装置，其特征在于，包括：
环路滤波模块，用于采用权利要求1～4中任一权利要求所述方法对输入图像进行滤波；
标识位设置模块，用于在滤波后的图像帧中设置是否使用卷积神经网络进行滤波的标识位，并写入码流中。
8.根据权利要求7所述的视频编码装置，其特征在于，所述标识位设置模块将滤波后的图像帧与滤波前的图像帧的峰值信噪比进行比较，如果滤波后的图像帧的峰值信噪比更大，则将所述标识位置为1，并写入到码流中，否则将所述标识位置为0。
9.一种视频解码装置，其特征在于，包括：
标识位读取模块，用于读取权利要求7或8所述视频编码装置输出的码流中的标识位；
环路滤波模块，用于在解码当前图像帧时根据所述标识位确定是否基于卷积神经网络进行滤波。
10.根据权利要求9所述的视频解码装置，其特征在于，若标识位为0，则当前帧解码时不基于所述卷积神经网络进行滤波，若标识位为1，则当前帧解码时基于所述卷积神经网络进行滤波。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011230701.6A CN114449296B (zh) | 2020-11-06 | 2020-11-06 | 基于卷积神经网络的环路滤波方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011230701.6A CN114449296B (zh) | 2020-11-06 | 2020-11-06 | 基于卷积神经网络的环路滤波方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114449296A true CN114449296A (zh) | 2022-05-06 |
| CN114449296B CN114449296B (zh) | 2023-07-18 |
Family
ID=81361061
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011230701.6A Active CN114449296B (zh) | 2020-11-06 | 2020-11-06 | 基于卷积神经网络的环路滤波方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114449296B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190273948A1 (en) * | 2019-01-08 | 2019-09-05 | Intel Corporation | Method and system of neural network loop filtering for video coding |
| US20200213587A1 (en) * | 2017-08-28 | 2020-07-02 | Interdigital Vc Holdings, Inc. | Method and apparatus for filtering with mode-aware deep learning |
| 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 |
| 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 |
| CN111741300A (zh) * | 2020-05-28 | 2020-10-02 | 杭州师范大学 | 一种视频处理方法 |
-
2020
- 2020-11-06 CN CN202011230701.6A patent/CN114449296B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200213587A1 (en) * | 2017-08-28 | 2020-07-02 | Interdigital Vc Holdings, Inc. | Method and apparatus for filtering with mode-aware deep learning |
| US20190273948A1 (en) * | 2019-01-08 | 2019-09-05 | Intel Corporation | Method and system of neural network loop filtering for video coding |
| 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 |
| CN111741300A (zh) * | 2020-05-28 | 2020-10-02 | 杭州师范大学 | 一种视频处理方法 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| WEISHENG HU; YAOHUI JIN; WEIQIANG SUN; WEI GUO; JUN SUN; JUN ZHO: "Architecture and Performance of Multicast Optical Network", 《 2007 CONFERENCE ON LASERS AND ELECTRO-OPTICS - PACIFIC RIM》 * |
| 王涛；孙俊: "基于H.264的可伸缩编码技术—视频编码与传输的新趋势", 《中国传媒科技》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114449296B (zh) | 2023-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Jia et al. | Spatial-temporal residue network based in-loop filter for video coding | |
| US7804896B2 (en) | Content adaptive noise reduction filtering for image signals | |
| CN113596482B (zh) | 环路滤波实现方法、装置及计算机存储介质 | |
| US20060233253A1 (en) | Interpolated frame deblocking operation for frame rate up conversion applications | |
| CN108134932B (zh) | 基于卷积神经网络的视频编解码环路内滤波实现方法及系统 | |
| CN109842799B (zh) | 颜色分量的帧内预测方法、装置及计算机设备 | |
| US20230069953A1 (en) | Learned downsampling based cnn filter for image and video coding using learned downsampling feature | |
| CN112544081B (zh) | 环路滤波的方法与装置 | |
| CN111064958B (zh) | 一种针对b帧和p帧的低复杂度神经网络滤波算法 | |
| WO2021203394A1 (zh) | 环路滤波的方法与装置 | |
| CN111885280B (zh) | 一种混合卷积神经网络视频编码环路滤波方法 | |
| CN113747179B (zh) | 环路滤波实现方法、装置及计算机存储介质 | |
| US20230076920A1 (en) | Global skip connection based convolutional neural network (cnn) filter for image and video coding | |
| Huang et al. | Adaptive deep reinforcement learning-based in-loop filter for VVC | |
| Jia et al. | Residual guided deblocking with deep learning | |
| CN114449296B (zh) | 基于卷积神经网络的环路滤波方法和装置 | |
| 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 | |
| US20220353543A1 (en) | Video Compression with In-Loop Sub-Image Level Controllable Noise Generation | |
| CN112954350B (zh) | 一种基于帧分类的视频后处理优化方法及装置 | |
| WO2021196234A1 (zh) | 一种视频编码、解码方法、设备及存储介质 | |
| Yang et al. | Semantic Preprocessor for Image Compression for Machines | |
| Jia et al. | Deep convolutional network based image quality enhancement for low bit rate image compression | |
| CN110933422B (zh) | 一种基于edcnn的hevc环路滤波方法 | |
| CN115941978A (zh) | 一种基于多信息融合的深度神经网络的环路滤波方法 |
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 |