JP4890201B2 - マルチビュービデオを管理する方法及びシステム - Google Patents

Description

本発明は、包括的にはマルチビュー（多視点）ビデオの符号化及び復号化に関し、特に、マルチビュービデオを符号化及び復号化する際に参照ピクチャを管理することに関する。

マルチビュービデオの符号化及び復号化は、３次元テレビ（３ＤＴＶ）、自由視点テレビ（ＦＴＶ）、及び複数のカメラによる監視等の用途に不可欠である。マルチビュービデオの符号化及び復号化は動的なライトフィールド圧縮としても知られる。

図１は、マルチビュービデオを符号化するための従来技術の「サイマル放送」システム１００を示す。カメラ１〜４がシーン５のフレームシーケンスすなわちビデオ１０１〜１０４を取得する。各カメラはシーンの異なるビューを有する。各ビデオは、個別に符号化１１１〜１１４されて、対応する符号化ビデオ１２１〜１２４となる。このシステムは、従来の２Ｄビデオ符号化技法を用いる。したがって、このシステムは、符号化ビデオのフレームを予測する際に、カメラによって異なる視点から取得される異なるビデオを相関させない。個別の符号化は、圧縮効率を低下させ、よってネットワーク帯域幅及び記憶域（storage）が増大する。

図２は、ビュー間の相関を用いる、従来技術の視差補償予測システム２００を示す。ビデオ２０１〜２０４は符号化２１１〜２１４されて、符号化ビデオ２３１〜２３４となる。ビデオ２０１及び２０４は、ＭＰＥＧ−２、又はＭＰＥＧ−４パート１０としても知られるＨ．２６４等の標準的なビデオエンコーダを用いて個別に符号化される。これらの個別に符号化されたビデオは「参照」ビデオである。残りのビデオ２０２及び２０３は、時間予測、並びにデコーダ２２１及び２２２から得られる再構成された参照ビデオ２５１及び２５２に基づくビュー間予測を用いて符号化される。通常、この予測はブロック毎に適応的に決定される（S. C. Chan他著「The data compression of simplified dynamic light fields」（Proc. IEEE Int. Acoustics, Speech, and Signal Processing Conf., April, 2003））。

図３は、従来技術の「リフティングベースの」ウェーブレット分解を示す（W. Sweldens著「The data compression of simplified dynamic light fields」（J. Appl. Comp. Harm. Anal., vol. 3, no. 2, pp. 186-200, 1996）を参照のこと）。ウェーブレット分解は、静的なライトフィールド圧縮に効果的な技法である。入力サンプル３０１は、奇数サンプル３０２及び偶数サンプル３０３に分割３１０される。奇数サンプルは偶数サンプルから予測３２０される。予測誤差は高域サンプル３０４を形成する。この高域サンプルは、偶数サンプルを更新３３０して低域サンプル３０５を形成するために用いられる。この分解は可逆であるため、線形操作又は非線形操作を予測ステップ及び更新ステップに組み込むことができる。

リフティング方式は、ビデオの場合は実質的に時間的な動きの軌跡に沿ってフィルタリングを行う動き補償時間変換、すなわち、動き補償時間フィルタリング（ＭＣＴＦ）を可能にする。ビデオの符号化のためのＭＣＴＦのレビューがOhm他著「Interframe wavelet codingmotion picture representation for universal scalability」（Signal Processing: Image Communication, vol. 19, no. 9, pp. 877-908, October 2004）に記載されている。リフティング方式は、再構成に影響を与えることなく、ハール又は５／３ドベシィ等の任意のウェーブレット核、及びブロックベースの平行移動又はアフィングローバル動き等の任意の動きモデルに基づいて行うことができる。

符号化のために、ＭＣＴＦは、ビデオを高域フレームと低域フレームとに分解する。次にこれらのフレームに空間変換を施して、残存する空間的相関を減らす。変換された低域フレーム及び高域フレームは、関連する動き情報と共にエントロピー符号化されて、符号化ビットストリームを形成する。ＭＣＴＦは、図３に示すリフティング方式を用いて、時間的に隣接するビデオを入力として実施することができる。また、ＭＣＴＦは、出力低域フレームに反復的に適用することができる。

ＭＣＴＦベースのビデオの圧縮効率は、Ｈ．２６４／ＡＶＣ等のビデオ圧縮規格のそれに匹敵する。また、ビデオは固有の時間スケーラビリティを有する。しかし、この方法は、複数のビューから取得されたビデオ間に相関があるマルチビュービデオの直接符号化には用いることができない。これは、時間的相関を考慮する効率的なビュー予測方法がないためである。

リフティング方式は、静的なライトフィールド、すなわち、単一のマルチビュー画像を符号化するためにも用いられてきた。動き補償時間フィルタリングを行う代わりに、エンコーダは、空間領域の静止ビュー間で視差補償ビュー間フィルタリング（ＤＣＶＦ）を行う（Chang他著「Inter-view wavelet compression of light fields with disparity compensated lifting」（SPIE Conf on Visual Communications and Image Processing, 2003）を参照のこと）。符号化のために、ＤＣＶＦは、静的なライトフィールドを高域画像と低域画像とに分解し、次にこれらの画像に空間変換を施して、残存する空間的相関を減らす。変換された画像は、関連する視差情報と共にエントロピー符号化されて、符号化ビットストリームを形成する。ＤＣＶＦは通常、図３に示すようなリフティングベースのウェーブレット変換方式を用いて、空間的に隣接するカメラビューから取得される画像を入力として実施される。また、ＤＣＶＦは、出力低域画像に反復的に適用することができる。ＤＣＶＦベースの静的なライトフィールド圧縮は、複数のフレームを個別に符号化するよりも高い圧縮効率を提供する。しかし、この方法はまた、ビュー間の時間的相関及び空間的相関の両方を用いるマルチビュービデオを符号化することができない。これは、時間的相関を考慮する効率的なビュー予測方法がないためである。

複数のカメラによって或るシーンについて取得されたマルチビュービデオを分解する方法及びシステムが提示される。

各マルチビュービデオはフレームシーケンスを含み、各カメラはシーンの異なるビューを提供する。

時間予測モード、空間予測モード、ビュー合成予測モード、及びイントラ予測モードの中から１つの予測モードが選択される。

次に、マルチビュービデオは、選択された予測モードに従って低域フレーム、高域フレーム、及びサイド情報に分解される。

シーンの合成ビューを反映する新規のビデオもまた、マルチビュービデオのうちの１つ又は複数から生成することができる。

特に、本発明の１つの実施の形態は、マルチビュービデオを管理するシステム及び方法を提供する。複数のマルチビュービデオの各現フレームについて参照ピクチャリストが保持される。参照ピクチャリストは、マルチビュービデオの時間参照ピクチャ、空間参照ピクチャ及び合成参照ピクチャをインデックス付けする。次に、マルチビュービデオの各現フレームが、符号化及び復号化中に、関連する参照ピクチャリストによってインデックス付けされた参照ピクチャに従って予測される。

本発明の１つの実施の形態は、マルチビュービデオのフレームを符号化及び復号化するための複合的時間／ビュー間処理方法を提供する。マルチビュービデオは、或るシーンについて異なる姿勢を有する複数のカメラによって取得されるビデオである。本発明では、カメラ姿勢を３Ｄの（ｘ，ｙ，ｚ）位置及び３Ｄの（θ，ρ，φ）向きの両方として定義する。各姿勢はシーンの「ビュー」に対応する。

本方法は、特定のカメラ姿勢について取得される各ビデオ中のフレーム間の時間的相関、及び複数のカメラビューから取得されるビデオ中の同期フレーム間の空間的相関を有する。また、後述のように、「合成」フレームを相関させることができる。

１つの実施の形態において、時間的相関は動き補償時間フィルタリング（ＭＣＴＦ）を用い、空間的相関は視差補償ビュー間フィルタリング（ＤＣＶＦ）を用いる。

本発明の別の実施の形態において、空間的相関は、「近傍」フレームから生成される合成フレームからの１つのビューの予測を用いる。近傍フレームは、時間的又は空間的に隣接するフレーム、例えば、時間領域における現フレームの前後のフレーム、又は同時刻に、ただし異なる姿勢又はシーンのビューを有するカメラから取得される１つ又は複数のフレームである。

各ビデオの各フレームは画素のマクロブロックを含む。したがって、本発明の１つの実施の形態によるマルチビュービデオの符号化及び復号化方法はマクロブロック適応的である。現フレーム内の現マクロブロックの符号化及び復号化は、様々な形態の時間予測、空間予測、ビュー合成予測、及びイントラ予測を含むいくつかの可能な予測モードを用いて行われる。マクロブロック毎に最良の予測モードを決定するために、本発明の１つの実施の形態は、予測モードを選択する方法を提供する。この方法は、任意数のカメラ配置に対して使用することができる。

既存のシングルビューの符号化及び復号化システムとの互換性を保つために、参照ピクチャリストを管理する方法を記載する。具体的には、本明細書では、参照ピクチャリストに従ってピクチャバッファから参照ピクチャを挿入及び削除する方法を記載する。参照ピクチャは、時間参照ピクチャ、空間参照ピクチャ及び合成参照ピクチャを含む。

本明細書中で用いる場合、参照ピクチャは、符号化及び復号化中に現フレームを「予測」するために用いられる任意のフレームとして定義される。通常、参照ピクチャは、現フレームに空間的又は時間的に隣接する、すなわち「近傍」にある。

任意の所与の時刻において現フレームを符号化及び復号化するために同一の参照ピクチャの集合が用いられるため、同一の操作がエンコーダ及びデコーダの両方に適用されることに留意することが重要である。

本発明の１つの実施の形態は、符号化及び復号化中にマルチビュービデオのフレームへのランダムアクセスを可能にする。これにより符号化効率が高まる。

ＭＣＴＦ／ＤＣＶＦ分解
図４は、本発明の１つの実施の形態によるＭＣＴＦ／ＤＣＶＦ分解４００を示す。入力ビデオ４０１〜４０４のフレームが、或るシーン５について異なる姿勢を有するカメラ１〜４によって取得される。なお、図８に示すように、カメラのうちのいくつか１ａ及び１ｂは、同一位置にあり、ただし異なる向きであってもよい。どの対のカメラ間にも或る量のビューの重なりがあると仮定される。カメラの姿勢は、マルチビュービデオの取得中に変化し得る。通常、カメラは互いに同期されている。各入力ビデオは、シーンの異なる「ビュー」を提供する。入力フレーム４０１〜４０４はＭＣＴＦ／ＤＣＶＦ分解４００に送られる。この分解は、符号化された低域フレーム４１１、符号化された高域フレーム４１２、及び関連するサイド情報４１３を生成する。高域フレームは、低域フレームを参照ピクチャとして用いて予測誤差を符号化する。分解は、選択された予測モード４１０に従って行われる。予測モードは、空間予測モード、時間予測モード、ビュー合成予測モード、及びイントラ予測モードを含む。予測モードは、各現フレームについてマクロブロック毎に適応的に選択することができる。イントラ予測を用いる場合、現マクロブロックは、同一フレーム内の他のマクロブロックから予測される。

図５は、フレーム近傍５１０の、低域フレーム（Ｌ）４１１及び高域フレーム（Ｈ）４１２の好ましい交番「格子パターン」を示す。これらのフレームは空間（ビュー）次元５０１及び時間次元５０２を有する。本質的に、このパターンは、低域フレーム及び高域フレームが空間次元で１つの時刻毎に交番し、さらに、低域フレーム及び高域フレームが１つのビデオ毎に時間的に交番する。

この格子パターンにはいくつかの利点がある。このパターンは、低域フレームを空間次元及び時間次元の両方において均一に分散させることで、デコータが低域フレームのみを再構成する場合に、空間及び時間においてスケーラビリティを実現する。また、このパターンは、空間次元と時間次元の両方において高域フレームを隣接する低域フレームと整列させる。これは、図６に示すように、現フレームにおける誤差の予測を行うための参照ピクチャ間の相関を最大化する。

リフティングベースのウェーブレット変換によれば、一方のサンプル集合を他方のサンプル集合から予測することによって高域フレーム４１２が生成される。この予測は、後述する本発明の実施の形態による様々な形態の時間予測、様々な形態の空間予測、及びビュー合成予測を含むいくつかのモードを用いて達成することができる。

高域フレーム４１２を予測するための手段及びこの予測を行うために必要な情報はサイド情報４１３と呼ばれる。時間予測を行う場合、時間モードがサイド情報の一部として、対応する動き情報と共に信号伝達される。空間予測を行う場合、空間モードがサイド情報の一部として、対応する視差情報と共に信号伝達される。ビュー合成予測を行う場合、ビュー合成モードがサイド情報の一部として、対応する視差情報、動き情報及び奥行き情報と共に信号伝達される。

図６に示すように、各現フレーム６００の予測は、空間次元及び時間次元の両方の近傍フレーム５１０を用いる。現フレームを予測するために用いられるフレームは参照ピクチャと呼ばれる。参照ピクチャは、符号化ビットストリームの一部である参照リストに保持される。参照ピクチャは復号ピクチャバッファに格納される。

本発明の１つの実施の形態において、ＭＣＴＦ及びＤＣＶＦは、入力ビデオの各フレームについて各現マクロブロックに対して適応的に適用されて、分解された低域フレーム、並びに高域フレーム及び関連するサイド情報を生じる。こうして、各マクロブロックは、「最良の」予測モードに従って適応的に処理される。予測モードを選択するための最適な方法は後述する。

本発明の１つの実施の形態において、ＭＣＴＦがまず各ビデオのフレームに個別に適用される。結果として得られるフレームが次に、ＤＣＶＦによりさらに分解される。最終的な分解されたフレームに加えて、対応するサイド情報も生成される。マクロブロック毎に行う場合、ＭＣＴＦ及びＤＣＶＦの予測モードの選択は別個に検討される。利点として、この予測モードの選択は本質的に時間スケーラビリティをサポートする。こうして、圧縮ビットストリームにおいてビデオのより低い時間レートに容易にアクセスすることができる。

別の実施の形態では、ＤＣＶＦがまず入力ビデオのフレームに適用される。結果として得られるフレームが次に、ＭＣＴＦにより時間的に分解される。最終的な分解されたフレームに加えて、サイド情報も生成される。マクロブロック毎に行う場合、ＭＣＴＦ及びＤＣＶＦの予測モードの選択は別個に検討される。利点として、この選択は本質的に空間スケーラビリティをサポートする。こうして、圧縮ビットストリームにおいて低減された数のビューに容易にアクセスすることができる。

上述した分解は、前の分解段階から結果として得られる低域フレームの集合に反復的に適用することができる。利点として、本発明のＭＣＴＦ／ＤＣＶＦ分解４００は、時間的相関と空間的（ビュー間の）相関の両方を効果的に除去し、非常に高い圧縮効率を達成することができる。本発明のマルチビュービデオエンコーダの圧縮効率は、各ビューの各ビデオを独立して符号化する従来のサイマル放送符号化に勝る。

ＭＣＴＦ／ＤＣＶＦ分解の符号化
図７に示すように、分解４００の出力４１１及び４１２は信号エンコーダ７１０に供給され、出力４１３はサイド情報エンコーダ７２０に供給される。信号エンコーダ７１０は、変換、量子化及びエントロピー符号化を行って、分解された低域フレーム４１１及び高域フレーム４１２に残存する相関を除去する。このような操作は当該技術分野において既知である（Netravali及びHaskell著「Digital Pictures: Representation, Compression and Standards」（Second Edition, Plenum Press, 1995））。

サイド情報エンコーダ７２０は、分解４００により生成されるサイド情報４１３を符号化する。サイド情報４１３は、予測モード及び参照ピクチャリストに加えて、時間予測に対応する動き情報、空間予測に対応する視差情報、並びにビュー合成予測に対応するビュー合成情報及び奥行き情報を含む。

サイド情報の符号化は、ＭＰＥＧ−４ Ｖｉｓｕａｌ規格ＩＳＯ／ＩＥＣ１４４９６−２「Information technology -- Coding of audio-visual objects - Part 2: Visual」（第２版、２００１年）、又はより最近のＨ．２６４／ＡＶＣ規格、及びＩＴＵ−Ｔ勧告Ｈ．２６４「Advanced video coding for generic audiovisual services」（２００４年）において用いられている技法等の既知の確立された技法によって達成することができる。

例えば、マクロブロックの動きベクトルは通常、参照ピクチャ内のマクロブロックにおけるベクトルから予測ベクトルを求める予測方法を用いて符号化される。次に、予測ベクトルと現ベクトルの差にエントロピー符号化プロセスを施す。このプロセスは通常、予測誤差の統計値を用いる。同様の手順を用いて視差ベクトルを符号化することができる。

さらに、参照ピクチャ内のマクロブロックからの予測値を得る予測符号化方法を用いて、又は単純に固定長符号を使用して奥行き値を直接表すことによって各マクロブロックの奥行き情報を符号化することができる。画素レベルの奥行き精度が抽出され圧縮される場合、変換技法、量子化技法及びエントロピー符号化技法を適用するテクスチャ符号化技法を適用することができる。

信号エンコーダ７１０及びサイド情報エンコーダ７２０からの符号化された信号７１１〜７１３を多重化７３０して、符号化された出力ビットストリーム７３１を生成することができる。

ＭＣＴＦ／ＤＣＶＦ分解の復号化
ビットストリーム７３１を復号化７４０して、入力マルチビュービデオ４０１〜４０４に対応する出力マルチビュービデオ７４１を生成することができる。オプションで、合成ビデオも生成することができる。概して、デコーダは、エンコーダの逆の操作を行ってマルチビュービデオを再構成する。全ての低域フレーム及び高域フレームが復号化されれば、空間（ビュー）次元及び時間次元の両方において符号化品質で完全なフレーム集合が再構成され利用可能になる。

エンコーダにおいていくつの反復レベルの分解を適用したか、及び、どのタイプの分解を適用したかに応じて、低減された数のビデオ及び／又は低減された時間レートを図７に示すように復号化することができる。

ビュー合成
図８に示すように、ビュー合成は、１つ又は複数の実際のマルチビュービデオのフレーム８０３から合成ビデオのフレーム８０１を生成するプロセスである。言い換えれば、ビュー合成は、シーン５の選択された新たなビュー８０２に対応するフレーム８０１を合成する手段を提供する。この新たなビュー８０２は、入力マルチビュービデオ４０１〜４０４が取得された時点では存在しない「仮想」カメラ８００に対応してもよく、又は、取得されるカメラビューに対応することができ、よって、合成ビューは、後述のようにその予測及び符号化／復号化に用いられる。

１つのビデオを用いる場合、合成は外挿又はワーピングに基づき、複数のビデオを用いる場合、合成は内挿に基づく。

１つ又は複数のマルチビュービデオのフレーム８０３の画素値及びシーン中の複数の点の奥行き値が与えられれば、合成ビュー８０２のフレーム８０１内の画素を、フレーム８０３内の対応する画素値から合成することができる。

ビュー合成は一般にコンピュータグラフィックスにおいて、複数のビューについて静止画をレンダリングするために使用される（Buehler他著「Unstructured Lumigraph Rendering」（Proc. ACM SIGGRAPH, 2001）を参照のこと）。この方法は、カメラの外部パラメータ及び内部パラメータを必要とする。

マルチビュービデオを圧縮するためのビュー合成は新規である。本発明の１つの実施の形態では、現フレームを予測するために使用する合成フレームを生成する。本発明の１つの実施の形態において、合成フレームは、指定された高域フレームについて生成される。本発明の別の実施の形態において、合成フレームは特定のビューについて生成される。合成フレームは参照ピクチャとして働き、これらの参照ピクチャから現合成フレームを予測することができる。

この手法に伴う１つの問題は、シーン５の奥行き値が分からないことである。したがって、本発明では、既知の技法を用いて、例えば、マルチビュービデオにおける特徴の対応関係に基づいて奥行き値を推定する。

代替的に、合成ビデオ毎に、本発明では、候補奥行き値にそれぞれ対応する複数の合成フレームを生成する。現フレームのマクロブロック毎に、合成フレームの集合の中から最も良く一致するマクロブロックを求める。この最良一致が見付かった合成フレームは、現フレームのそのマクロブロックの奥行き値を示す。このプロセスを現フレーム内の各マクロブロックについて繰り返す。

現マクロブロックと合成ブロックとの差は信号エンコーダ７１０により符号化及び圧縮される。このマルチビューモードのサイド情報は、サイド情報エンコーダ７２０によって符号化される。サイド情報は、ビュー合成予測モード、マクロブロックの奥行き値、及び補償されるべき現フレーム内のマクロブロックと合成フレーム内の最良一致マクロブロックとのミスアライメントを補償するオプションの変位ベクトルを示す信号を含む。

予測モードの選択
マクロブロック適応的ＭＣＴＦ／ＤＣＶＦ分解において、各マクロブロックの予測モードｍは、コスト関数をマクロブロック毎に適応的に最小化することによって選択することができる。

ここで、Ｊ（ｍ）＝Ｄ（ｍ）＋λＲ（ｍ）であり、Ｄは歪みであり、λは重みパラメータであり、Ｒはレートであり、ｍは候補予測モードの集合を示し、ｍ^＊は最小コスト基準に基づいて選択された最適予測モードを示す。

候補モードｍは様々な時間予測モード、空間予測モード、ビュー合成予測モード及びイントラ予測モードを含む。コスト関数Ｊ（ｍ）は、特定の予測モードｍを用いてマクロブロックを符号化した結果として生じるレート及び歪みに依存する。

歪みＤは、再構成マクロブロックと元マクロブロックの差を測定する。再構成マクロブロックは、所与の予測モードｍを用いてマクロブロックを符号化及び復号化することによって得られる。一般的な歪み測度は差の二乗和である。レートＲは、予測誤差及びサイド情報を含む、マクロブロックを符号化するために必要なビット数に対応する。重みパラメータλは、マクロブロック符号化のレート−歪みのトレードオフを制御するものであり、量子化ステップサイズから導出することができる。

符号化プロセス及び復号化プロセスの詳細な態様を以下でさらに詳細に説明する。特に、符号化プロセス及び復号化プロセスにより用いられる様々なデータ構造を説明する。エンコーダにおいて用いられるデータ構造は、本明細書中で説明するように、デコーダにおいて用いられる対応するデータ構造と同じであることを理解すべきである。また、デコーダの処理ステップは本質的に、エンコーダと同じ処理ステップに、ただし逆の順序で従うことも理解すべきである。

参照ピクチャの管理
図９は、従来技術のシングルビューの符号化及び復号化システムのための参照ピクチャ管理を示す。時間参照ピクチャ９０１は、復号ピクチャバッファ（ＤＰＢ）９４０への時間参照ピクチャ９０１の挿入９２０及び削除９３０を決めるシングルビュー参照ピクチャリスト（ＲＰＬ）マネージャ９１０によって管理される。参照ピクチャリスト９５０もまた保持されて、ＤＰＢ９４０に格納されているフレームを示す。ＲＰＬは、挿入９２０及び削除９３０といった参照ピクチャの管理操作、並びにエンコーダ及びデコーダの両方における時間予測９６０のために用いられる。

シングルビューエンコーダにおいて、時間参照ピクチャ９０１は、予測、変換及び量子化を含む通常の符号化操作の集合を適用し、次にこれらの逆の、逆量子化、逆変換及び動き補償を含む操作を適用した結果として生成される。さらに、時間参照ピクチャ９０１は、エンコーダにおける現フレームの予測に時間ピクチャが必要なときにのみ、ＤＰＢ９４０に挿入されＲＰＬ９５０に追加される。

シングルビューデコーダにおいて、逆量子化、逆変換及び動き補償を含む通常の復号化操作の集合をビットストリームに対して適用することによって同じ時間参照ピクチャ９０１が生成される。エンコーダと同様に、時間参照ピクチャ９０１は、デコーダにおける現フレームの予測に必要な場合にのみ、ＤＰＢ９４０に挿入９２０されＲＰＬ９５０に追加される。

図１０は、マルチビューの符号化及び復号化のための参照ピクチャ管理を示す。時間参照ピクチャ１００３に加えて、マルチビューシステムはまた、空間参照ピクチャ１００１及び合成参照ピクチャ１００２も含む。これらの参照ピクチャはまとめてマルチビュー参照ピクチャ１００５と呼ばれる。これらのマルチビュー参照ピクチャ１００５は、マルチビューＤＰＢ１０４０へのマルチビュー参照ピクチャ１００５の挿入１０２０及び削除１０３０を決めるマルチビューＲＰＬマネージャ１０１０によって管理される。ビデオ毎に、マルチビュー参照ピクチャリスト（ＲＰＬ）１０５０もまた保持されて、ＤＰＢに格納されているフレームを示す。すなわち、ＲＰＬはＤＰＢのインデックスである。マルチビューＲＰＬは、挿入１０２０及び削除１０３０といった参照ピクチャの管理操作、並びに現フレームの予測１０６０に用いられる。

マルチビューシステムの予測１０６０は、異なるタイプのマルチビュー参照ピクチャ１００５からの予測が可能となるため、シングルビューシステムの予測９６０とは異なることに留意されたい。マルチビューの参照ピクチャ管理１０１０に関するさらなる詳細は後述する。

マルチビュー参照ピクチャリストマネージャ
エンコーダにおいて現フレームを符号化する前、又はデコーダにおいて現フレームを復号化する前に、マルチビューＲＰＬ１０５０においてマルチビュー参照ピクチャの集合１００５を指示することができる。従来及び本明細書中で定義されるように、集合は何も有しなくても（空集合）、１つ又は複数の要素を有してもよい。ＲＰＬの同一コピーが、各現フレームについてエンコーダ及びデコーダの両方によって保持される。

マルチビューＲＰＬ１０５０に挿入される全てのフレームが、適切な構文を用いて、予測に利用可能なものとして初期化及びマーキングされる。Ｈ．２６４／ＡＶＣ規格及び参照ソフトウェアによれば、「ｕｓｅｄ＿ｆｏｒ＿ｒｅｆｅｒｅｎｃｅ」フラグが「１」にセットされる。概して、参照ピクチャは、フレームをビデオ符号化システムにおける予測に使用することができるように初期化される。Ｈ．２６４／ＡＶＣ等の従来のシングルビュービデオ圧縮規格との互換性を保つために、各参照ピクチャにはピクチャ順序カウント（ＰＯＣ）を割り当てる。通常、シングルビューの符号化及び復号化システムの場合、ＰＯＣはピクチャの時間的な順序付け、例えばフレーム番号に対応する。マルチビューの符号化及び復号化システムの場合、時間順だけでは、各参照ピクチャにＰＯＣを割り当てるのに不十分である。したがって、本発明では、全てのマルチビュー参照ピクチャについて或る規則に従って固有のＰＯＣを求める。１つの規則は、時間参照ピクチャに対して時間順に基づいてＰＯＣを割り当て、次に、非常に高いＰＯＣ番号のシーケンス、例えば１０，０００〜１０，１００を空間参照ピクチャ及び合成参照ピクチャに確保しておくものである。他のＰＯＣ割り当て規則、又は単に「順序付け」規則を以下でさらに詳細に説明する。

マルチビュー参照ピクチャとして用いる全てのフレームがＲＰＬに保持され、それらのフレームがエンコーダ７００又はデコーダ７４０によって従来の参照ピクチャとして扱われるようにＤＰＢに格納される。これにより、符号化プロセス及び復号化プロセスは従来通りとすることができる。マルチビュー参照ピクチャの格納に関するさらなる詳細は後述する。予測すべき現フレーム毎に、ＲＰＬ及びＤＰＢが対応して更新される。

マルチビュー規則の定義及び信号伝達
ＲＰＬを管理するプロセスは、エンコーダ７００とデコーダ７４０との間で調整される。特に、エンコーダ及びデコーダは、特定の現フレームを予測する際にマルチビュー参照ピクチャリストの同一コピーを保持する。

マルチフレーム参照ピクチャリストを管理するいくつかの規則が可能である。したがって、用いられる特定の規則がビットストリーム７３１に挿入されるか、又はシーケンスレベルのサイド情報、例えばデコーダに伝達される構成情報として提供される。さらに、この規則は、異なる予測構造、例えば１Ｄアレイ、２Ｄアレイ、弧、十字、及びビューの内挿技法又はワーピング技法を用いて合成されるシーケンスを可能にする。

例えば、合成フレームは、カメラによって取得されたマルチビュービデオのうちの１つの対応するフレームをワーピングすることによって生成される。代替的に、シーンの従来のモデルを合成中に用いることができる。本発明の他の実施の形態では、ビュータイプ、挿入順、及びカメラ特性に依存するいくつかのマルチビュー参照ピクチャ管理規則を定義する。

ビュータイプは、参照ピクチャが現フレームのビデオ以外のビデオからのフレームであるかどうか、又は、参照ピクチャが他のフレームから合成されたものであるかどうか、又は、参照ピクチャが他の参照ピクチャに依存するかどうかを示す。例えば、合成参照ピクチャは、現フレームと同じビデオからの参照ピクチャ、又は空間的に隣接するビデオからの参照ピクチャとは別に保持することができる。

挿入順は、参照ピクチャがＲＰＬ内で順序付けされる方法を示す。例として、現フレームと同じビデオ中の参照ピクチャには、隣接ビューから撮影されたビデオ中の参照ピクチャよりも低い順序値を与えることができる。この場合、この参照ピクチャは、マルチビューＲＰＬにおいて前のほうに配置される。

カメラ特性は、参照ピクチャを取得するために使用されるカメラ、又は合成参照ピクチャを生成するために使用される仮想カメラの特性を示す。これらの特性は、固定座標系に対する平行移動及び回転、すなわちカメラの「姿勢」、３Ｄの点が２Ｄ画像に投影される方法を記述する内部パラメータ、レンズ歪み、色較正情報、照明レベル等を含む。例として、カメラ特性に基づき、特定のカメラの隣接カメラに対する近接度を自動的に求めることができ、隣接カメラにより取得されたビデオのみを特定のＲＰＬの一部とみなす。

図１１に示すように、本発明の１つの実施の形態は、各参照ピクチャリストの一部１１０１を時間参照ピクチャ１００３用に確保し、別の部分１１０２を合成参照ピクチャ１００２用に確保し、第３の部分１１０３を空間参照ピクチャ１００１用に確保する規則を使用する。これは、ビュータイプのみに依存する規則の一例である。各部分に含まれるフレーム数は、符号化又は復号化中の現フレームの予測依存性に基づいて変化し得る。

特定の管理規則は、規格、明示的又は暗黙的ルールによって指定するか、又は符号化ビットストリームにおいてサイド情報として指定することができる。

ＤＰＢへのピクチャの格納
マルチビューＲＰＬマネージャ１０１０は、マルチビュー参照ピクチャがＤＰＢに格納される順序が、符号化及び復号化の効率を高める上でのピクチャの「有用性」に対応するようにＲＰＬを保持する。具体的には、ＲＰＬの初めのほうの参照ピクチャは、ＲＰＬの終わりのほうの参照ピクチャよりも少ないビットで予測可能に符号化することができる。

図１２に示すように、マルチビュー参照ピクチャをＲＰＬに保持する順序の最適化は、符号化効率に大きな影響を有し得る。例えば、初期化について上述したＰＯＣの割り当てに従うと、マルチビュー参照ピクチャには非常に大きなＰＯＣ値が割り当てられる可能性がある。これは、マルチビュー参照ピクチャがビデオシーケンスの通常の時間的な順序付けでは生じないためである。したがって、ほとんどのビデオコーデックのデフォルトの順序付けプロセスは、そのようなマルチビュー参照ピクチャを参照ピクチャリストの前のほうに配置する可能性がある。

同一シーケンスからの時間参照ピクチャは通常、他のシーケンスからの空間参照ピクチャよりも強い相関を示すため、デフォルトの順序付けは望ましくない。したがって、マルチビュー参照ピクチャはエンコーダによって明示的に並べ換えられて、エンコーダがその後、この並べ換えをデコーダに信号伝達するか、又は、エンコーダ及びデコーダがマルチビュー参照ピクチャを所定の規則に従って暗黙的に並べ換える。

図１３に示すように、参照ピクチャの順序付けは、各参照ピクチャに対するビューモード１３００によって容易になる。ビューモード１３００もまたマルチビュー予測プロセス１０６０に影響を与えることに留意されたい。本発明の１つの実施の形態では、以下でより詳細に説明する３つの異なるタイプのビューモード、すなわち、Ｉビュー、Ｐビュー及びＢビューを用いる。

マルチビューの参照ピクチャ管理の詳細な操作を説明する前に、シングルのビデオ符号化及び復号化システムのための従来技術の参照ピクチャ管理を図１４に示す。時間参照ピクチャ９０１のみが時間予測９６０に用いられる。取得順又は表示順１４０１におけるビデオの時間参照ピクチャ間の時間予測依存性を示す。参照ピクチャは符号化順１４０２に並べ換えられ１４１０、この符号化順１４０２で各参照ピクチャが時刻ｔ_０〜ｔ_６において符号化又は復号化される。ブロック１４２０は、時刻毎の参照ピクチャの順序付けを示す。イントラフレームＩ_０が符号化又は復号化される時刻ｔ_０では、時間参照ピクチャは時間予測に使用されないため、ＤＢＰ／ＲＰＬは空である。一方向インターフレームＰ_１が符号化又は復号化される時刻ｔ_１では、フレームＩ_０が時間参照ピクチャとして利用可能である。時刻ｔ_２及びｔ_３では、フレームＩ_０及びＰ_１の両方がインターフレームＢ_１及びＢ_２の双方向時間予測のための参照フレームとして利用可能である。時間参照ピクチャ及びＤＢＰ／ＲＰＬは、将来のピクチャについても同様に管理される。

本発明の１つの実施の形態によるマルチビューの場合を説明するために、上述し図１５に示す３つの異なるタイプのビュー、すなわち、Ｉビュー、Ｐビュー、及びＢビューを検討する。表示順１５０１におけるビデオの参照ピクチャ間のマルチビューの予測依存性を示す。図１５に示すように、ビデオの参照ピクチャはビューモード毎に符号化順１５０２に並べ換えられ１５１０、この符号化順１５０２で各参照ピクチャが、ｔ_０〜ｔ_２で示す時刻において符号化又は復号化される。マルチビュー参照ピクチャの順序を時刻毎にブロック１５２０に示す。

Ｉビューは、より複雑なモードを可能にする最も単純なモードである。Ｉビューは、空間予測又は合成予測を用いない従来の符号化及び予測モードを用いる。例えば、Ｉビューは、マルチビュー拡張を用いずに従来のＨ．２６４／ＡＶＣ技法を用いて符号化することができる。Ｉビューシーケンスからの空間参照ピクチャを他のビューの参照リストに配置するとき、これらの空間参照ピクチャは通常、時間参照ピクチャの後に配置される。

図１５に示すように、Ｉビューの場合、フレームＩ_０がｔ_０において符号化又は復号化されるとき、予測にはマルチビュー参照ピクチャを用いない。したがって、ＤＢＰ／ＲＰＬは空である。フレームＰ_０が符号化又は復号化される時刻ｔ_１では、Ｉ_０が時間参照ピクチャとして利用可能である。フレームＢ_０が符号化又は復号化される時刻ｔ_２では、フレームＩ_０及びＰ_０の両方が時間参照ピクチャとして利用可能である。

Ｐビューは、別のビューからの予測を可能にしてビュー間の空間的相関を利用するという点で、Ｉビューよりも複雑である。具体的には、Ｐビューモードを用いて符号化されるシーケンスは、他のＩビュー又はＰビューからのマルチビュー参照ピクチャを用いる。Ｐビューでは合成参照ピクチャも用いることができる。Ｉビューからのマルチビュー参照ピクチャを他のビューの参照リストに配置するとき、Ｐビューは、時間参照ピクチャ、及びＩビューから導出されるマルチビュー参照ピクチャの両方の後に配置される。

図１５に示すように、Ｐビューの場合、フレームＩ_２がｔ_０において符号化又は復号化されるとき、合成参照ピクチャＳ_２０及び空間参照ピクチャＩ_０が予測に利用可能である。合成ピクチャの生成に関するさらなる詳細は後述する。Ｐ_２が符号化又は復号化される時刻ｔ_１では、Ｉ_２が時間参照ピクチャとして、合成参照ピクチャＳ_２１及びＩビューからの空間参照ピクチャＰ_０とともに利用可能である。時刻ｔ_２では、２つの時間参照ピクチャＩ_２及びＰ_２、並びに合成参照ピクチャＳ_２２及び空間参照ピクチャＢ_０が存在し、これらの参照ピクチャから予測を行うことができる。

Ｂビューは、マルチビュー参照ピクチャを用いるという点で、Ｐビューと同様である。ＰビューとＢビューとの間の１つの重要な差異は、Ｐビューがそのビュー自体及び１つの他のビューからの参照ピクチャを用いるのに対し、Ｂビューは複数のビューのピクチャを参照し得ることである。合成参照ピクチャを用いるとき、合成ビューは通常、空間参照よりも強い相関を有するため、Ｂビューは空間参照ピクチャの前に配置される。

図１５に示すように、Ｂビューの場合、Ｉ_１がｔ_０において符号化又は復号化されるとき、合成参照ピクチャＳ_１０並びに空間参照ピクチャＩ_０及びＩ_２が予測に利用可能である。Ｐ_１が符号化又は復号化される時刻ｔ_１では、Ｉ_１が時間参照ピクチャとして、合成参照ピクチャＳ_１１、並びにそれぞれＩビュー及びＰビューからの空間参照ピクチャＰ_０及びＰ_２とともに利用可能である。時刻ｔ_２では、２つの時間参照ピクチャＩ_１及びＰ_１が存在するとともに、合成参照ピクチャＳ_１２並びに空間参照ピクチャＢ_０及びＢ_２が存在し、これらの参照ピクチャから予測を行うことができる。

図１５に示す例は本発明の１つの実施の形態に関するものに過ぎないことを強調しておく。多くの異なるタイプの予測依存性がサポートされる。例として、空間参照ピクチャは、同時刻の異なるビューにおけるピクチャに限定されない。空間参照ピクチャはまた、異なる時刻の異なるビューに対する参照ピクチャも含むことができる。また、イントラピクチャ間の双方向予測ピクチャ及び一方向予測イントラピクチャの数は変化し得る。同様に、Ｉビュー、Ｐビュー、及びＢビューの構成も変化し得る。さらに、異なるピクチャ集合又は異なる奥行きマップ若しくはプロセスを用いてそれぞれ生成されるいくつかの合成参照ピクチャが利用可能であり得る。

互換性
本発明の実施の形態によるマルチビューピクチャ管理の１つの重要な利点は、既存のシングルビューのビデオ符号化システム及び設計と互換性があることである。このマルチビューピクチャ管理は、既存のシングルビュービデオ符号化規格に加える変更が最小であるだけでなく、既存のシングルビュービデオ符号化システムからのソフトウェア及びハードウェアを、本明細書に記載するマルチビュービデオ符号化に使用することも可能にする。

この理由は、ほとんどの従来のビデオ符号化システムが、符号化パラメータをデコーダに圧縮ビットストリームで伝達するからである。したがって、このようなパラメータを伝達する構文は、Ｈ．２６４／ＡＶＣ規格等の既存のビデオ符号化規格によって規定されている。例えば、ビデオ符号化規格は、現フレーム内の所与のマクロブロックに対する予測モードを、他の時間的に関連する参照ピクチャから規定する。規格はまた、結果として生じる予測誤差を符号化及び復号化するために使用される方法を規定する。他のパラメータは、変換のタイプ又はサイズ、量子化方法、及びエントロピー符号化方法を規定する。

したがって、本発明のマルチビュー参照ピクチャは、既存のシステムの参照ピクチャリスト、復号ピクチャバッファ、及び予測構造等の標準的な符号化コンポーネント及び復号化コンポーネントに限られた数の修正を加えるだけで実施することができる。マクロブロック構造、変換、量子化及びエントロピー符号化は変更されないことに留意されたい。

ビュー合成
図８について上述したように、ビュー合成は、仮想カメラ８００の合成ビュー８０２に対応するフレーム８０１を、既存のビデオから取得されるフレーム８０３から生成するプロセスである。言い換えれば、ビュー合成は、入力ビデオが取得された時点では存在しない仮想カメラによるシーンの選択された新たなビューに対応するフレームを合成する手段を提供する。１つ又は複数の実際のビデオのフレームの画素値及びシーン中の点の奥行き値が与えられると、合成ビデオビューのフレーム内の画素を外挿及び／又は内挿により生成することができる。

合成ビューからの予測
図１６は、奥行き１９０１情報が符号化マルチビュービットストリーム７３１に含まれているときに、ビュー合成モードを用いて再構成マクロブロックを生成するプロセスを示す。所与のマクロブロックの奥行きは、サイド情報デコーダ１９１０によって復号化される。奥行き１９０１及び空間参照ピクチャ１９０２を用いてビュー合成１９２０を行い、合成マクロブロック１９０４を生成する。次に、合成マクロブロック１９０４と復号化された残差マクロブロック１９０５とを加算１９３０することによって再構成マクロブロック１９０３が形成される。

エンコーダにおけるマルチビューモード選択の詳細
図１７は、現フレームの符号化又は復号化中に予測モードを選択するプロセスを示す。時間参照ピクチャ２０２０を用いて現マクロブロック２０１１について動き推定２０１０を行う。結果として得られる動きベクトル２０２１を用いて、時間予測を用いて第１の符号化コストｃｏｓｔ_１２０３１を求める２０３０。このプロセスに関連する予測モードはｍ_１である。

空間参照ピクチャ２０４１を用いて現マクロブロックについて視差推定２０４０を行う。結果として得られる視差ベクトル２０４２を用いて、空間予測を用いて第２の符号化コストｃｏｓｔ_２２０５１を求める２０５０。このプロセスに関連する予測モードをｍ_２で示す。

空間参照ピクチャ２０４１に基づき現マクロブロックについて奥行き推定２０６０を行う。推定した奥行きに基づいてビュー合成を行う。奥行き情報２０６１及び合成ビュー２０６２を用いて、ビュー合成予測を用いて第３の符号化コストｃｏｓｔ_３２０７１を求める２０７０。このプロセスに関連する予測モードはｍ_３である。

現マクロブロックの隣接画素２０８２を用いて、イントラ予測を用いて第４の符号化コストｃｏｓｔ_４２０８１を求める２０８０。このプロセスに関連する予測モードはｍ_４である。

ｃｏｓｔ_１、ｃｏｓｔ_２、ｃｏｓｔ_３及びｃｏｓｔ_４の中の最小コストを求め２０９０、モードｍ_１、ｍ_２、ｍ_３及びｍ_４のうち最小コストを有するモードを、現マクロブロック２０１１の最良予測モード２０９１として選択する。

奥行き推定を用いたビュー合成
ビュー合成モード２０９１を用いて、合成ビューの奥行き情報及び変位ベクトルを、１つ又は複数のマルチビュービデオの復号化フレームから推定することができる。奥行き情報は、適用されるプロセスに応じて、立体カメラから推定される画素毎の奥行きであってもよく、又は、マクロブロックマッチングから推定されるマクロブロック毎の奥行きであってもよい。

この手法の利点は、エンコーダがデコーダと同じ奥行き情報及び変位情報にアクセス可能である限り、奥行き値及び変位ベクトルがビットストリーム中に必要ないため、帯域幅が小さくなることである。エンコーダは、デコーダがエンコーダと全く同じ奥行き及び変位推定プロセスを使用する限り、これを達成することができる。したがって、本発明のこの実施の形態では、現マクロブロックと合成マクロブロックとの差がエンコーダによって符号化される。

このモードのサイド情報はサイド情報エンコーダ７２０によって符号化される。サイド情報は、ビュー合成モード及び参照ビュー（複数可）を示す信号を含む。サイド情報は、エンコーダによってビュー合成に使用される奥行き及び変位と、デコーダによって推定される値との間の差である奥行き及び変位補正情報も含むことができる。

図１８は、奥行き情報がデコーダにおいて推定又は推測され、符号化マルチビュービットストリームで伝達されないときの、ビュー合成モードを用いたマクロブロックの復号化プロセスを示す。奥行き２１０１は空間参照ピクチャ２１０２から推定２１１０される。次に、推定された奥行き及び空間参照ピクチャを用いてビュー合成２１２０を行い、合成マクロブロック２１２１を生成する。再構成マクロブロック２１０３が、合成マクロブロックと復号化された残差マクロブロック２１０４との加算２１３０によって形成される。

空間ランダムアクセス
従来のビデオ中のフレームに対しランダムアクセスを提供するために、Ｉフレームとしても知られるイントラフレームが通常、ビデオ全体に間隔を置いて配置される。これにより、デコーダは、復号化シーケンス中の任意のフレームにアクセスすることが可能になるが、圧縮効率は低下する。

本発明のマルチビュー符号化及び復号化システムのために、本明細書中において「Ｖフレーム」と呼ぶ新たなタイプのフレームを提供し、ランダムアクセス及び圧縮効率の向上を可能にする。Ｖフレームは、時間予測を用いずに符号化されるという意味でＩフレームと同様である。しかし、Ｖフレームは、他のカメラからの予測又は合成ビデオからの予測も可能にする。具体的には、Ｖフレームは、空間参照ピクチャ又は合成参照ピクチャから予測される圧縮ビットストリーム中のフレームである。Ｉフレームの代わりにＶフレームをビットストリームに周期的に挿入することによって、本発明では、Ｉフレームで可能であるような時間ランダムアクセスを提供しつつ、符号化効率を高める。したがって、Ｖフレームは時間参照フレームを使用しない。図１９は、最初のビューに対するＩフレームの使用、及び同時刻１９００における以後のビューに対するＶフレームの使用を示す。図５に示す格子構成の場合、Ｖフレームは、全てのビューについて同時刻には生じないことに留意されたい。低域フレームのいずれかにＶフレームを割り当てることができる。この場合、Ｖフレームは、近傍ビューの低域フレームから予測されることになる。

Ｈ．２６４／ＡＶＣビデオ符号化規格では、クローズドＧＯＰを有するＭＰＥＧ−２のＩフレームに似たＩＤＲフレームが、全ての参照ピクチャがデコーダピクチャバッファから削除されることを示唆する。これにより、ＩＤＲフレームの前のフレームは、ＩＤＲフレームよりも後のフレームの予測に用いることができない。

本明細書中に記載するマルチビューデコーダでは、Ｖフレームが同様に、全ての時間参照ピクチャをデコーダピクチャバッファから削除することができることを示唆する。しかし、空間参照ピクチャはデコーダピクチャバッファに残しておくことができる。これにより、所与のビューにおけるＶフレームの前のフレームは、同一ビューにおけるＶフレームの後のフレームの時間予測を行うために用いることができない。

マルチビュービデオ中の１つの特定のフレームにアクセスするためには、そのビューのＶフレームをまず復号化しなければならない。上述のように、これは、時間参照ピクチャを使用することなく、空間参照ピクチャ又は合成参照ピクチャからの予測により達成することができる。

選択ビューのＶフレームを復号化した後、そのビューの以後のフレームを復号化する。これらの以後のフレームは、近傍ビューからの参照ピクチャに対して予測依存性を有する可能性が高いため、これらの近傍ビューにおける参照ピクチャも復号化する。

本発明を好適な実施の形態の例として説明してきたが、本発明の精神及び範囲内で様々な他の適応及び修正を行うことができることが理解される。したがって、添付の特許請求の範囲の目的は、本発明の真の精神及び範囲に入るそのような変形及び修正をすべて網羅することである。

マルチビュービデオを符号化するための従来技術のシステムのブロック図である。 マルチビュービデオを符号化するための従来技術の視差補償予測システムのブロック図である。 従来技術のウェーブレット分解プロセスのフロー図である。 本発明の１つの実施の形態によるＭＣＴＦ／ＤＣＶＦ分解のブロック図である。 本発明の１つの実施の形態による、ＭＣＴＦ／ＤＣＶＦ分解後の低域フレーム及び高域フレームの、時間及び空間の関数としてのブロック図である。 本発明の１つの実施の形態による、隣接する低域フレームからの高域フレームの予測のブロック図である。 本発明の１つの実施の形態による、マクロブロック適応的ＭＣＴＦ／ＤＣＶＦ分解を用いるマルチビュー符号化システムのブロック図である。 本発明の１つの実施の形態によるビデオ合成の概略図である。 従来技術の参照ピクチャ管理のブロック図である。 本発明の１つの実施の形態によるマルチビュー参照ピクチャ管理のブロック図である。 本発明の１つの実施の形態による、復号ピクチャバッファにおけるマルチビュー参照ピクチャのブロック図である。 異なるマルチビュー参照ピクチャの順序付けの符号化効率を比較するグラフである。 本発明の１つの実施の形態による、マルチビュー参照ピクチャリストマネージャに対するビューモードの依存性のブロック図である。 時間参照ピクチャからの予測を使用するシングルビュー符号化システムのための従来技術の参照ピクチャ管理の図である。 本発明の１つの実施の形態による、マルチビュー参照ピクチャからの予測を使用するマルチビュー符号化及び復号化システムのための参照ピクチャ管理の図である。 本発明の１つの実施の形態による、サイド情報として符号化され受け取られる奥行き情報を用いたデコーダにおけるビュー合成のブロック図である。 本発明の１つの実施の形態による、予測モードを選択するためのコスト計算のブロック図である。 本発明の１つの実施の形態による、デコーダによって推定される奥行き情報を用いたデコーダにおけるビュー合成のブロック図である。 本発明の１つの実施の形態による、Ｖフレームを用いてデコーダにおける空間ランダムアクセスを達成するマルチビュービデオのブロック図である。

Claims (26)

1. マルチビュービデオを管理しエンコードする方法であって、
   複数のマルチビュービデオの現フレーム毎に参照ピクチャリストを保持するステップであって、該参照ピクチャリストは、前記複数のマルチビュービデオの時間参照ピクチャ及び空間参照ピクチャをインデックス付けするステップと、
   前記複数のマルチビュービデオの各現フレームを、関連する参照ピクチャリストによってインデックス付けされた参照ピクチャに従って予測するステップであり、同時刻で異なるビューから参照される空間参照ピクチャのみを用いる空間予測を含む、前記予測するステップと、
   前記空間参照ピクチャのみを用いる空間予測を用いて前記現在の画像を生成する場合、前記参照ピクチャリストから全ての前記時間参照ピクチャを削除するステップと
   を含む、マルチビュービデオを管理しエンコードする方法。
2. 該参照ピクチャリストは、合成参照ピクチャもインデックス付けし、
   前記参照ピクチャリスト中の時間参照ピクチャは、対応する合成参照ピクチャの前に順序付けされ、該合成参照ピクチャは、空間参照ピクチャの前に順序付けされ、
   前記合成参照ピクチャは、入力ビデオが取得された時点では存在しない仮想カメラによるシーンの選択された新たなビューに対応するフレームとして、１つ又は複数の実際のビデオのフレームを合成することで得られる参照ピクチャを意味し、
   各現フレームを予測する前に、前記インデックス付けされた参照ピクチャを前記参照ピクチャリストに従って復号ピクチャバッファに格納すること、及び
   選択された参照ピクチャを用いた予測が終了した後に、該選択された参照ピクチャを前記復号ピクチャバッファから削除すること
   をさらに含む、請求項１に記載の方法。
3. 前記複数のマルチビュービデオを或るシーンについて、複数の姿勢で配置された対応するカメラを用いて取得することであって、どの対のカメラ間にもビューの重なりがあるようにすること、及び
   複数のカメラを同期させること
   をさらに含む、請求項２に記載の方法。
4. 前記複数のマルチビュービデオは時間的に相関するとともに空間的に相関する、請求項２に記載の方法。
5. 前記複数のマルチビュービデオから合成マルチビュービデオを、前記シーンに対して新たな姿勢にある仮想カメラについて合成することであって、該新たな姿勢は前記複数の姿勢のいずれとも異なること
   をさらに含む、請求項３に記載の方法。
6. 前記合成することは、前記合成マルチビュービデオを前記複数のマルチビュービデオのうちの１つからワーピングする、請求項５に記載の方法。
7. 前記合成することは、前記合成マルチビュービデオを前記複数のマルチビュービデオのうちの２つ以上から内挿する、請求項２に記載の方法。
8. 各現フレームは複数のマクロブロックを含み、前記予測することは、複数の予測モードのうちの選択された１つに従ってマクロブロック適応的である、請求項２に記載の方法。
9. 同一の参照ピクチャリストが符号化及び復号化中に特定の現ブロックの予測に用いられる、請求項２に記載の方法。
10. 前記複数の予測モードは、空間予測モード、時間予測モード、ビュー合成予測モード、及びイントラ予測モードを含む、請求項８に記載の方法。
11. 動き補償時間フィルタリングがまず各マルチビュービデオに個別に適用され、視差補償ビュー間フィルタリングが次に適用されて時間スケーラビリティがサポートされる、請求項４に記載の方法。
12. 動き補償時間フィルタリングがまず適用されて前記複数のマルチビュービデオが分解され、視差補償ビュー間フィルタリングが次に該分解されたマルチビュービデオに適用されて時間スケーラビリティがサポートされる、請求項４に記載の方法。
13. 視差補償ビュー間フィルタリングがまず適用されて前記複数のマルチビュービデオが分解され、動き補償時間フィルタリングが次に該分解されたマルチビュービデオに適用されて空間スケーラビリティがサポートされる、請求項４に記載の方法。
14. 動き補償時間フィルタリング及び前記視差補償ビュー間フィルタリングが反復的に適用されて時間的相関及び空間的相関が除去される、請求項４に記載の方法。
15. 前記合成することはエンコーダにおいて行われる、請求項５に記載の方法。
16. 前記予測することは、
    

    

    に従ってコスト関数をマクロブロック毎に適応的に最小化する
    ここで、Ｊ（ｍ）＝Ｄ（ｍ）＋λＲ（ｍ）であり、Ｄは歪みであり、λは重みパラメータであり、Ｒはレートであり、ｍは候補予測モードの集合を示し、ｍ^＊は最小コストに基づいて選択される最適予測モードを示す
    請求項８に記載の方法。
17. 前記参照ピクチャリスト内の前記参照ピクチャを、ビュータイプの集合のうちの選択された１つのビュータイプに従って順序付けすること
    をさらに含む、請求項２に記載の方法。
18. 前記参照ピクチャリスト中の前記参照ピクチャを、前記複数のマルチビュービデオを取得するために使用されるカメラのパラメータに従って順序付けすること
    をさらに含む、請求項２に記載の方法。
19. 前記参照ピクチャリスト中の前記参照ピクチャを、符号化効率に従って順序付けすること
    をさらに含む、請求項２に記載の方法。
20. 前記ビュータイプの集合はＩビュー、Ｐビュー及びＢビューを含む、請求項１７に記載の方法。
21. 前記参照ピクチャリスト中の時間参照ピクチャは、相関係数に従って順序付けされる、請求項２に記載の方法。
22. 前記参照ピクチャリスト中の前記参照ピクチャを、マルチビュー予測モードの集合のうちの選択された１つのマルチビュー予測モードに従って符号化すること
    をさらに含む、請求項２に記載の方法。
23. 時間予測について第１のコストを求めること、
    空間予測について第２のコストを求めること、
    ビュー合成予測について第３のコストを求めること、
    イントラ予測について第４のコストを求めること、及び
    前記第１のコスト、前記第２のコスト、前記第３のコスト及び前記第４のコストのうちの最小コストに従って前記予測を選択すること
    をさらに含む、請求項２２に記載の方法。
24. 前記複数のマルチビュービデオから合成マルチビュービデオを、前記シーンに対して前記複数の姿勢のうちの１つと同じ姿勢にある仮想カメラについて合成すること
    をさらに含む、請求項３に記載の方法。
25. 現カメラビューに対する近傍カメラビューの近接度が求められ、指定された近接度以内の該近傍カメラビューに対応する前記参照ピクチャのみが前記現カメラビューの前記参照ピクチャリストに追加される、請求項１８に記載の方法。
26. マルチビュービデオを管理しエンコードするシステムであって、
    複数のマルチビュービデオの現フレーム毎に、前記複数のマルチビュービデオの時間参照ピクチャ及び空間参照ピクチャをインデックス付けする参照ピクチャリストを保持するように構成される参照ピクチャリストマネージャと、
    前記複数のマルチビュービデオの各現フレームを、関連する参照ピクチャリストによってインデックス付けされた参照ピクチャに従って予測する手段であり、同時間で異なるビューから参照される空間参照ピクチャのみを用いる空間予測を含む、前記予測する手段と、
    前記空間参照ピクチャのみを用いる空間予測を用いて前記現在の画像を生成する場合、前記参照ピクチャリストから全ての前記時間参照ピクチャを削除する手段と
    を備える、マルチビュービデオを管理しエンコードするシステム。

Images