WO2015163456A1 - 画像復号装置、画像符号化装置、および、符号化データ変換装置 - Google Patents

画像復号装置、画像符号化装置、および、符号化データ変換装置 Download PDF

Info

Publication number
WO2015163456A1
WO2015163456A1 PCT/JP2015/062555 JP2015062555W WO2015163456A1 WO 2015163456 A1 WO2015163456 A1 WO 2015163456A1 JP 2015062555 W JP2015062555 W JP 2015062555W WO 2015163456 A1 WO2015163456 A1 WO 2015163456A1
Authority
WO
WIPO (PCT)
Prior art keywords
layer
information
offset
target
area
Prior art date
Application number
PCT/JP2015/062555
Other languages
English (en)
French (fr)
Inventor
山本　智幸
知宏 猪飼
健史 筑波
Original Assignee
シャープ株式会社
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 シャープ株式会社 filed Critical シャープ株式会社
Priority to US15/303,585 priority Critical patent/US10187659B2/en
Priority to CN201580019567.6A priority patent/CN106170980A/zh
Priority to JP2016515226A priority patent/JP6542201B2/ja
Publication of WO2015163456A1 publication Critical patent/WO2015163456A1/ja
Priority to US16/181,509 priority patent/US20190075323A1/en

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
    • H04N19/60—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding
    • H04N19/61—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding in combination with predictive coding
    • 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
    • H04N19/105—Selection of the reference unit for prediction within a chosen coding or prediction mode, e.g. adaptive choice of position and number of pixels used for prediction
    • 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
    • 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
    • H04N19/187—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 scalable video layer
    • 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
    • H04N19/30—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using hierarchical techniques, e.g. scalability
    • 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
    • H04N19/10—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
    • H04N19/174—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 slice, e.g. a line of blocks or a group of blocks

Definitions

  • the present invention relates to an image decoding apparatus that decodes hierarchically encoded data in which an image is hierarchically encoded, and an image encoding apparatus that generates hierarchically encoded data by hierarchically encoding an image.
  • One of information transmitted in a communication system or information recorded in a storage device is an image or a moving image. 2. Description of the Related Art Conventionally, a technique for encoding an image for transmitting and storing these images (hereinafter including moving images) is known.
  • Non-patent Document 1 As video encoding methods, AVC (H.264 / MPEG-4 Advanced Video Coding) and HEVC (High-Efficiency Video Coding), which is a successor codec, are known (Non-patent Document 1).
  • a predicted image is usually generated based on a local decoded image obtained by encoding / decoding an input image, and obtained by subtracting the predicted image from the input image (original image).
  • the resulting prediction residual is encoded.
  • Examples of the method for generating a predicted image include inter-screen prediction (inter prediction) and intra-screen prediction (intra prediction).
  • predicted images in a picture are sequentially generated based on a locally decoded image in the same picture.
  • inter prediction a predicted image is generated by motion compensation between pictures.
  • a decoded picture used for predictive image generation in inter prediction is called a reference picture.
  • a technique for generating encoded data from a plurality of moving images by encoding a plurality of mutually related moving images into layers (hierarchies) is also known, which is called a hierarchical encoding technique.
  • the encoded data generated by the hierarchical encoding technique is also referred to as hierarchical encoded data.
  • SHVC Scalable HEVC
  • Non-patent Document 2 As a representative hierarchical encoding technique, SHVC (Scalable HEVC) based on HEVC is known (Non-patent Document 2).
  • SHVC supports spatial scalability, temporal scalability, and SNR scalability.
  • spatial scalability hierarchical encoded data is generated by dividing a plurality of moving images having different resolutions into layers. For example, an image downsampled from the original image to a desired resolution is encoded as a lower layer. Next, the original image is encoded as an upper layer after applying inter-layer prediction in order to remove redundancy between layers.
  • MV-HEVC Multi View HEVC
  • HEVC High Efficiency Video Coding
  • MV-HEVC Multi View HEVC
  • a moving image corresponding to a plurality of different viewpoints (views) is divided into layers and encoded to generate hierarchical encoded data. For example, a moving image corresponding to a basic viewpoint (base view) is encoded as a lower layer. Next, a moving image corresponding to a different viewpoint is encoded as an upper layer after applying inter-layer prediction.
  • Inter-layer prediction in SHVC and MV-HEVC includes inter-layer image prediction and inter-layer motion prediction.
  • inter-layer image prediction a predicted image is generated using a decoded image of a lower layer.
  • inter-layer motion prediction motion information prediction values are derived using motion information of lower layers.
  • a picture used for prediction in inter-layer prediction is called an inter-layer reference picture.
  • a layer including an inter-layer reference picture is called a reference layer.
  • reference pictures used for inter prediction and reference pictures used for inter-layer prediction are generically referred to simply as reference pictures.
  • any of inter prediction, intra prediction, and inter-layer image prediction can be used to generate a predicted image.
  • One of the applications that use SHVC and MV-HEVC is a video application that takes into account the attention area.
  • a video playback terminal normally plays back video in the entire area with a relatively low resolution.
  • the attention area When a part of the video displayed by the viewer of the video reproduction terminal is designated as the attention area, the attention area is displayed on the reproduction terminal with high resolution.
  • the video application considering the attention area as described above is a hierarchical code in which a relatively low resolution video of the entire area is encoded as lower layer encoded data, and a high resolution video of the attention area is encoded as upper layer encoded data.
  • This can be realized using the data. That is, when reproducing the entire region, only the encoded data of the lower layer is decoded and reproduced, and when reproducing the high-resolution video of the region of interest, the encoded data of the upper layer is converted into the encoded data of the lower layer.
  • the application can be realized with a smaller transmission band than when both encoded data for low-resolution video and encoded data for high-resolution video are sent. At that time, the transmission band can be further suppressed by extracting and transmitting the encoded data corresponding to the region including the region of interest from the upper layer and the lower layer, respectively.
  • Non-Patent Document 3 additional information indicating the position of an alternative picture on a lower layer is sent, and the reference pixel position and scale are calculated using the additional information, so that partial data corresponding to a region of interest is obtained from hierarchically encoded data.
  • a method for realizing matching before and after extraction of reference pixel positions (corresponding reference positions) and scales even when extracted is disclosed.
  • Non-Patent Document 3 an additional syntax element is used to encode or decode additional data for realizing reference pixel position and scale maintenance when extracting partial data corresponding to a region of interest.
  • the image decoding device and the image encoding device require additional processing for handling the additional syntax element, which causes an increase in the amount of decoding / encoding processing and the circuit scale.
  • the present invention has been made in view of the above problems, and its object is to maintain reference pixel positions and scales when extracting partial data corresponding to a region of interest using fewer additional syntax elements compared to the prior art.
  • an image encoding device and an image decoding device capable of maintaining a reference pixel position and a scale when extracting partial data corresponding to a region of interest by encoding or decoding processing with a smaller processing amount and a smaller circuit scale than before are realized. There is to do.
  • an image encoding device is an image decoding device that decodes hierarchically encoded data and restores a decoded picture of an upper layer that is a target layer, and includes a parameter A parameter set decoding unit that decodes a set, and a prediction image generation unit that generates a prediction image by inter-layer prediction with reference to a decoded pixel of a reference layer picture, and the parameter set decoding unit decodes reference region information;
  • the predicted image generation unit derives a target layer reference region position and a reference layer reference region position from reference region position information included in the reference region information, and uses the reference region position and the reference layer reference region position to It is characterized in that at least one of a scale used for prediction and a corresponding reference position is derived.
  • the reference region position information is reference region offset information
  • the target layer reference region position is a target layer reference region offset
  • the reference layer reference region position is a reference layer target region.
  • An offset is preferred.
  • the reference region position information is a two-dimensional array variable having the first layer identification information and the second layer identification information as indexes
  • the first layer identification information is:
  • the second layer identification information is information for specifying an inter-layer processing target layer
  • the predicted image generation unit is configured to identify a layer in which a reference area exists
  • the target layer reference is performed using the reference region position information using the first layer identification information indicating the target layer and the second layer identification information indicating the reference layer as indexes.
  • the reference region position which sets the region position and uses the first layer identification information indicating the reference layer and the second layer identification information indicating the target layer as an index To set the reference layer reference region position by using the distribution, it is preferable.
  • the first layer identification information is information that directly or indirectly specifies an index in the VPS of a layer in which a reference area exists
  • the second layer identification information is a layer This is information for directly or indirectly designating the intra-VPS index of the inter-process target layer
  • the predicted image generation unit sets the intra-VPS index C during inter-layer prediction for the target layer whose intra-VPS index value is C.
  • the target layer reference region position is set using the reference region position information using the first layer identification information to indicate and the second layer identification information indicating the index R in the VPS smaller than C as an index
  • the first layer identification information indicating the intra-VPS index R and the second layer identification information indicating the intra-VPS index C are used as indexes.
  • To set the reference layer reference area location with the serial reference area location information it is preferable.
  • the reference region position information is a two-dimensional array variable having the first layer identification information and the second layer identification information as indexes
  • the first layer identification information is:
  • the second layer identification information is information for specifying an inter-layer processing target layer
  • the predicted image generation unit is configured to identify a layer in which a reference area exists
  • the target layer reference is performed using the reference region position information using the first layer identification information indicating the target layer and the second layer identification information indicating the reference layer as indexes.
  • the region position is set, and the first layer identification information indicating the target layer and the second layer identification information indicating the target reference layer are used as indexes.
  • the parameter set decoding unit decodes reference region target selection information, derives first layer identification information and second layer identification information from the reference region target selection information, and The combination of the first layer identification information and the second layer identification information and the reference region position information are recorded in association with each other, and the prediction image generation unit performs the inter-layer prediction between the target layer and the reference layer,
  • the target layer reference area position is determined using the reference area position information recorded in association with the combination of the first layer identification information indicating the target layer and the second layer identification information indicating the reference layer.
  • the parameter set decoding unit decodes display area information of a target layer and a reference layer, and the prediction image generation unit performs the inter-layer prediction between the target layer and the reference layer,
  • the display indicated by the display area information of the target layer When the region position is set as the target layer reference region position and the first layer identification information indicating the reference layer and the reference region position information using the second layer identification information indicating the target layer as an index do not exist, the display indicated by the display area information of the target layer
  • the region position is set as the target layer reference region position and the first layer identification information indicating the reference layer and the reference region position information using the second layer identification information indicating the target layer as an index do not exist
  • the display area indicated by the display area information of the reference layer is set as the reference layer reference area position.
  • the predicted image generation unit may be a ratio of a reference area size indicated by the target layer reference area position and a reference area size indicated by the reference layer reference area position, or a value approximating the ratio. It is preferable to derive the scale.
  • an image encoding device is an image encoding device that generates encoded data of an upper layer that is a target layer from an input image, and is a parameter set that encodes a parameter set.
  • An encoding unit, and a prediction image generation unit that generates a prediction image by inter-layer prediction with reference to a decoded pixel of a reference layer picture, wherein the parameter set encoding unit encodes reference region information, and generates the prediction image
  • the unit derives the target layer reference region position and the reference layer reference region position from the reference region position information included in the reference region information, and uses the reference region position and the reference layer reference region position for a scale used for inter-layer prediction. And at least one of the corresponding reference positions is derived.
  • an encoded data conversion apparatus converts input hierarchical encoded data based on input attention area information, generates attention area hierarchical encoded data, and outputs the generated attention area hierarchical encoded data.
  • the parameter-encoded data conversion apparatus includes a parameter set correcting unit, wherein the parameter set correcting unit matches the target layer reference region position and the reference layer reference region position derived from the hierarchically encoded data before and after conversion, respectively.
  • the reference area position information is corrected as described above.
  • an image encoding device is an image decoding device that decodes hierarchically encoded data and restores a decoded picture of an upper layer that is a target layer, and includes a parameter A parameter set decoding unit that decodes the set, and a prediction image generation unit that generates a prediction image by inter-layer prediction with reference to a decoded pixel of the reference layer picture, and the parameter set decoding unit stores the inter-layer position correspondence information
  • the inter-layer position correspondence information includes an expanded reference layer offset syntax, a reference layer offset syntax, and an inter-layer phase offset syntax, which are associated with reference layers, respectively, and the parameter set decoding unit
  • the first reference layer identifier indicating the reference layer is decoded and is linked in the encoded data.
  • the extended reference layer offset syntax associated with the first reference layer identifier includes the reference layer offset syntax associated with the first reference layer identifier, the reference layer offset syntax associated with the first reference layer identifier, and the first reference layer identifier.
  • the predicted image generation unit generates a predicted image when a predetermined reference layer is used
  • the expansion associated with the reference layer At least one of a scale used for inter-layer prediction and a corresponding reference position is derived using a reference layer offset syntax, the reference layer offset syntax, and the inter-layer phase offset syntax.
  • the inter-layer position correspondence information includes a reference layer offset information presence / absence flag associated with a specific reference layer, and the predicted image generation unit sets a value of the reference layer offset information presence / absence flag. Accordingly, the reference layer offset syntax related to the reference layer associated with the reference layer offset is decoded.
  • the inter-layer position correspondence information includes an inter-layer phase offset information presence / absence flag associated with a specific reference layer
  • the predicted image generation unit includes an inter-layer phase offset information presence / absence flag. According to the value, the inter-layer phase offset syntax associated with the reference layer offset is decoded.
  • the inter-layer position correspondence information includes a layer offset information presence / absence flag associated with a specific reference layer
  • the predicted image generation unit is configured to respond to a value of the layer offset information presence / absence flag.
  • the reference layer offset syntax associated with the reference layer offset and the reference layer offset syntax are decoded.
  • An image decoding device (image encoding device) according to the present invention includes a parameter set decoding unit that decodes a parameter set including reference region position information, a target layer reference region position and a reference layer reference region derived from the reference region position information
  • a prediction image generation unit that derives a scale and a corresponding reference position in inter-layer prediction with reference to the position is provided.
  • the image decoding apparatus (image encoding apparatus) according to the present invention can cope with extraction of partial data corresponding to a region of interest by decoding processing (encoding processing) with a smaller processing amount and a smaller scale circuit than before.
  • the reference position and scale can be maintained.
  • (C) shows the slice layer that defines the slice S
  • (d) shows the CTU layer that defines the coding tree unit CTU
  • (e) shows the code layer 3 shows a CU layer that defines a coding unit (Coding Unit; CU) included in a coding tree unit CTU.
  • CU Coding Unit
  • (A) shows a transmission device equipped with a hierarchical video encoding device, and (b) shows a reception device equipped with a hierarchical video decoding device. It is the figure which showed the structure of the recording device carrying the said hierarchy moving image encoder, and the reproducing
  • (A) shows a recording device equipped with a hierarchical video encoding device, and (b) shows a playback device equipped with a hierarchical video decoding device. It is a figure which illustrates the relationship between a target layer picture, a target layer corresponding area, a reference layer picture, a reference layer target area, and an expanded reference layer offset.
  • the hierarchical moving picture decoding apparatus 1, the hierarchical moving picture encoding apparatus 2, and the encoded data conversion apparatus 3 according to an embodiment of the present invention are described as follows based on FIGS.
  • a hierarchical video decoding device (image decoding device) 1 decodes encoded data that has been hierarchically encoded by a hierarchical video encoding device (image encoding device) 2.
  • Hierarchical coding is a coding scheme that hierarchically encodes moving images from low quality to high quality.
  • Hierarchical coding is standardized in SVC and SHVC, for example.
  • the quality of a moving image here widely means an element that affects the appearance of a subjective and objective moving image.
  • the quality of the moving image includes, for example, “resolution”, “frame rate”, “image quality”, and “pixel representation accuracy”.
  • the quality of the moving image is different, it means that, for example, “resolution” is different, but it is not limited thereto.
  • the quality of moving images is different from each other.
  • Hierarchical coding technology is classified into (1) spatial scalability, (2) temporal scalability, (3) SNR (Signal to Noise Ratio) scalability, and (4) view scalability from the viewpoint of the type of information layered.
  • Spatial scalability is a technique for hierarchizing resolution and image size.
  • Time scalability is a technique for layering at a frame rate (number of frames per unit time).
  • SNR scalability is a technique for layering in coding noise.
  • view scalability is a technique for hierarchizing at the viewpoint position associated with each image.
  • the encoded data conversion device 3 converts the encoded data that has been hierarchically encoded by the hierarchical moving image encoding device 2, and converts the encoded data related to a predetermined attention region (the attention region encoded data). ) Is generated.
  • the attention area encoded data can be decoded by the hierarchical moving picture decoding apparatus 1 according to the present embodiment.
  • the hierarchical video decoding device 1 Prior to detailed description of the hierarchical video encoding device 2, the hierarchical video decoding device 1, and the hierarchical encoded data conversion device 3 according to the present embodiment, first, (1) the hierarchical video encoding device 2 or the hierarchical code. A layer structure of hierarchically encoded data generated by the encoded data conversion device 3 and decoded by the hierarchical video decoding device 1 will be described, and then (2) a specific example of a data structure that can be adopted in each layer will be described.
  • FIG. 2 is a diagram schematically illustrating a case where a moving image is hierarchically encoded / decoded by three layers of a lower layer L3, a middle layer L2, and an upper layer L1. That is, in the example shown in FIGS. 2A and 2B, of the three layers, the upper layer L1 is the highest layer and the lower layer L3 is the lowest layer.
  • a decoded image corresponding to a specific quality that can be decoded from hierarchically encoded data is referred to as a decoded image of a specific hierarchy (or a decoded image corresponding to a specific hierarchy) (for example, in the upper hierarchy L1).
  • Decoded image POUT # A a decoded image of a specific hierarchy (or a decoded image corresponding to a specific hierarchy) (for example, in the upper hierarchy L1).
  • FIG. 2A shows a hierarchical moving image encoding apparatus 2 # A to 2 # C that generates encoded data DATA # A to DATA # C by hierarchically encoding input images PIN # A to PIN # C, respectively. Is shown.
  • FIG. 2B shows a hierarchical moving picture decoding apparatus 1 # A ⁇ that generates decoded images POUT # A ⁇ POUT # C by decoding the encoded data DATA # A ⁇ DATA # C, which are encoded hierarchically. 1 # C is shown.
  • the input images PIN # A, PIN # B, and PIN # C that are input on the encoding device side have the same original image but different image quality (resolution, frame rate, image quality, and the like).
  • the image quality decreases in the order of the input images PIN # A, PIN # B, and PIN # C.
  • the hierarchical video encoding device 2 # C of the lower hierarchy L3 encodes the input image PIN # C of the lower hierarchy L3 to generate encoded data DATA # C of the lower hierarchy L3.
  • Basic information necessary for decoding the decoded image POUT # C of the lower layer L3 is included (indicated by “C” in FIG. 2). Since the lower layer L3 is the lowest layer, the encoded data DATA # C of the lower layer L3 is also referred to as basic encoded data.
  • the hierarchical video encoding apparatus 2 # B of the middle hierarchy L2 encodes the input image PIN # B of the middle hierarchy L2 with reference to the encoded data DATA # C of the lower hierarchy, and performs the middle hierarchy L2 Encoded data DATA # B is generated.
  • additional data necessary for decoding the decoded image POUT # B of the intermediate hierarchy is added to the encoded data DATA # B of the intermediate hierarchy L2.
  • Information (indicated by “B” in FIG. 2) is included.
  • the hierarchical video encoding apparatus 2 # A of the upper hierarchy L1 encodes the input image PIN # A of the upper hierarchy L1 with reference to the encoded data DATA # B of the intermediate hierarchy L2 to Encoded data DATA # A is generated.
  • the encoded data DATA # A of the upper layer L1 is used to decode the basic information “C” necessary for decoding the decoded image POUT # C of the lower layer L3 and the decoded image POUT # B of the middle layer L2.
  • additional information indicated by “A” in FIG. 2 necessary for decoding the decoded image POUT # A of the upper layer is included.
  • the encoded data DATA # A of the upper layer L1 includes information related to decoded images of different qualities.
  • the decoding device side will be described with reference to FIG.
  • the decoding devices 1 # A, 1 # B, and 1 # C corresponding to the layers of the upper layer L1, the middle layer L2, and the lower layer L3 are encoded data DATA # A and DATA # B, respectively.
  • And DATA # C are decoded to output decoded images POUT # A, POUT # B, and POUT # C.
  • the hierarchy decoding apparatus 1 # B of the middle hierarchy L2 receives information necessary for decoding the decoded image POUT # B from the hierarchy encoded data DATA # A of the upper hierarchy L1 (that is, the hierarchy encoded data DATA # A decoded image POUT # B may be decoded by extracting “B” and “C”) included in A.
  • the decoded images POUT # A, POUT # B, and POUT # C can be decoded based on information included in the hierarchically encoded data DATA # A of the upper hierarchy L1.
  • the hierarchical encoded data is not limited to the above three-layer hierarchical encoded data, and the hierarchical encoded data may be hierarchically encoded with two layers or may be hierarchically encoded with a number of layers larger than three. Good.
  • Hierarchically encoded data may be configured as described above. For example, in the example described above with reference to FIGS. 2A and 2B, it has been described that “C” and “B” are referred to for decoding the decoded image POUT # B, but the present invention is not limited thereto. It is also possible to configure the hierarchically encoded data so that the decoded image POUT # B can be decoded using only “B”. For example, it is possible to configure a hierarchical video decoding apparatus that receives the hierarchically encoded data composed only of “B” and the decoded image POUT # C for decoding the decoded image POUT # B.
  • Hierarchically encoded data can also be generated so that In that case, the lower layer hierarchical video encoding device generates hierarchical encoded data by quantizing the prediction residual using a larger quantization width than the upper layer hierarchical video encoding device. To do.
  • Upper layer A layer located above a certain layer is referred to as an upper layer.
  • the upper layers of the lower layer L3 are the middle layer L2 and the upper layer L1.
  • the decoded image of the upper layer means a decoded image with higher quality (for example, high resolution, high frame rate, high image quality, etc.).
  • Lower layer A layer located below a certain layer is referred to as a lower layer.
  • the lower layers of the upper layer L1 are the middle layer L2 and the lower layer L3.
  • the decoded image of the lower layer refers to a decoded image with lower quality.
  • Target layer A layer that is the target of decoding or encoding.
  • a decoded image corresponding to the target layer is referred to as a target layer picture.
  • pixels constituting the target layer picture are referred to as target layer pixels.
  • Reference layer A specific lower layer referred to for decoding a decoded image corresponding to the target layer is referred to as a reference layer.
  • a decoded image corresponding to the reference layer is referred to as a reference layer picture.
  • pixels constituting the reference layer are referred to as reference layer pixels.
  • the reference layers of the upper hierarchy L1 are the middle hierarchy L2 and the lower hierarchy L3.
  • the hierarchically encoded data can be configured so that it is not necessary to refer to all of the lower layers in decoding of the specific layer.
  • the hierarchical encoded data can be configured such that the reference layer of the upper hierarchy L1 is either the middle hierarchy L2 or the lower hierarchy L3.
  • Base layer A layer located at the lowest layer is called a base layer.
  • the decoded image of the base layer is the lowest quality decoded image that can be decoded from the encoded data, and is referred to as a basic decoded image.
  • the basic decoded image is a decoded image corresponding to the lowest layer.
  • the partially encoded data of the hierarchically encoded data necessary for decoding the basic decoded image is referred to as basic encoded data.
  • the basic information “C” included in the hierarchically encoded data DATA # A of the upper hierarchy L1 is the basic encoded data.
  • Extension layer The upper layer of the base layer is called the extension layer.
  • the layer identifier is for identifying the hierarchy, and corresponds to the hierarchy one-to-one.
  • the hierarchically encoded data includes a hierarchical identifier used for selecting partial encoded data necessary for decoding a decoded image of a specific hierarchy.
  • a subset of hierarchically encoded data associated with a layer identifier corresponding to a specific layer is also referred to as a layer representation.
  • a layer representation of the layer and / or a layer representation corresponding to a lower layer of the layer is used. That is, in decoding the decoded image of the target layer, layer representation of the target layer and / or layer representation of one or more layers included in a lower layer of the target layer are used.
  • Inter-layer prediction is based on the syntax element value, the value derived from the syntax element value included in the layer expression of the layer (reference layer) different from the layer expression of the target layer, and the decoded image. It is to predict the syntax element value of the target layer, the encoding parameter used for decoding of the target layer, and the like. Inter-layer prediction that predicts information related to motion prediction from reference layer information is sometimes referred to as motion information prediction. In addition, inter-layer prediction predicted from a lower layer decoded image may be referred to as inter-layer image prediction (or inter-layer texture prediction). Note that the hierarchy used for inter-layer prediction is, for example, a lower layer of the target layer. In addition, performing prediction within a target layer without using a reference layer may be referred to as intra-layer prediction.
  • the lower layer and the upper layer may be encoded by different encoding methods.
  • the encoded data of each layer may be supplied to the hierarchical video decoding device 1 via different transmission paths, or may be supplied to the hierarchical video decoding device 1 via the same transmission path. .
  • the base layer when transmitting ultra-high-definition video (moving image, 4K video data) with a base layer and one extended layer in a scalable encoding, the base layer downscales 4K video data, and interlaced video data. It may be encoded by MPEG-2 or H.264 / AVC and transmitted over a television broadcast network, and the enhancement layer may encode 4K video (progressive) with HEVC and transmit over the Internet.
  • FIG. 3 is a diagram illustrating a data structure of encoded data (hierarchically encoded data DATA # C in the example of FIG. 2) that can be employed in the base layer.
  • Hierarchically encoded data DATA # C illustratively includes a sequence and a plurality of pictures constituting the sequence.
  • FIG. 3 shows a hierarchical structure of data in the hierarchical encoded data DATA # C.
  • 3A to 3E respectively show a sequence layer that defines a sequence SEQ, a picture layer that defines a picture PICT, a slice layer that defines a slice S, and a coding tree unit (CTU).
  • CTU coding tree unit
  • sequence layer a set of data referred to by the hierarchical video decoding device 1 for decoding a sequence SEQ to be processed (hereinafter also referred to as a target sequence) is defined.
  • the sequence SEQ includes a video parameter set VPS (Video Parameter Set), a sequence parameter set SPS (Sequence Parameter Set), a picture parameter set PPS (Picture Parameter Set), and pictures PICT1 to PICTNP ( The NP includes the total number of pictures included in the sequence SEQ) and supplemental enhancement information (SEI).
  • VPS Video Parameter Set
  • sequence parameter set SPS Sequence Parameter Set
  • PPS Picture Parameter Set
  • SEI Supplemental Enhancement Information
  • the number of layers included in the encoded data and the dependency relationship between the layers are defined.
  • the sequence parameter set SPS defines a set of encoding parameters that the hierarchical video decoding device 1 refers to in order to decode the target sequence.
  • a plurality of SPSs may exist in the encoded data.
  • an SPS used for decoding is selected from a plurality of candidates for each target sequence.
  • An SPS used for decoding a specific sequence is also called an active SPS. In the following, unless otherwise specified, it means an active SPS for the target sequence.
  • a set of encoding parameters referred to by the hierarchical video decoding device 1 for decoding each picture in the target sequence is defined.
  • a plurality of PPS may exist in the encoded data. In that case, one of a plurality of PPSs is selected from each picture in the target sequence.
  • a PPS used for decoding a specific picture is also called an active PPS.
  • PPS means active PPS for the current picture.
  • the active SPS and the active PPS may be set to different SPSs and PPSs for each layer.
  • Picture layer In the picture layer, a set of data that is referred to by the hierarchical video decoding device 1 in order to decode a picture PICT to be processed (hereinafter also referred to as a target picture) is defined. As shown in FIG. 3B, the picture PICT includes slice headers SH1 to SHNS and slices S1 to SNS (NS is the total number of slices included in the picture PICT).
  • the slice header SHk includes a coding parameter group that the hierarchical video decoding device 1 refers to in order to determine a decoding method for the corresponding slice Sk.
  • a coding parameter group that the hierarchical video decoding device 1 refers to in order to determine a decoding method for the corresponding slice Sk.
  • an SPS identifier (seq_parameter_set_id) that specifies SPS
  • a PPS identifier (pic_parameter_set_id) that specifies PPS are included.
  • the slice type designation information (slice_type) for designating the slice type is an example of an encoding parameter included in the slice header SH.
  • I slice that uses only intra prediction at the time of encoding (2) P slice that uses unidirectional prediction or intra prediction at the time of encoding, (3) B-slice using unidirectional prediction, bidirectional prediction, or intra prediction at the time of encoding may be used.
  • slice layer In the slice layer, a set of data that is referred to by the hierarchical video decoding device 1 in order to decode a slice S (also referred to as a target slice) to be processed is defined. As shown in FIG. 3C, the slice S includes coding tree units CTU1 to CTUNC (NC is the total number of CTUs included in the slice S).
  • CTU layer In the CTU layer, a set of data referred to by the hierarchical video decoding device 1 for decoding a coding tree unit CTU to be processed (hereinafter also referred to as a target CTU) is defined.
  • the coding tree unit may be referred to as a coding tree block (CTB) or a maximum coding unit (LCU).
  • CTB coding tree block
  • LCU maximum coding unit
  • the coding tree unit CTU includes a CTU header CTUH and coding unit information CU1 to CUNL (NL is the total number of coding unit information included in the CTU).
  • NL is the total number of coding unit information included in the CTU.
  • the coding tree unit CTU is divided into units for specifying a block size for each process of intra prediction or inter prediction and conversion.
  • the above unit of the coding tree unit CTU is divided by recursive quadtree division.
  • the tree structure obtained by this recursive quadtree partitioning is hereinafter referred to as a coding tree.
  • a unit corresponding to a leaf that is a node at the end of a coding tree is referred to as a coding node.
  • the encoding node is a basic unit of the encoding process, hereinafter, the encoding node is also referred to as an encoding unit (CU).
  • CU encoding unit
  • coding unit information (hereinafter referred to as CU information)
  • CU1 to CUNL is information corresponding to each coding node (coding unit) obtained by recursively dividing the coding tree unit CTU into quadtrees. is there.
  • the root of the coding tree is associated with the coding tree unit CTU.
  • the coding tree unit CTU is associated with the highest node of the tree structure of the quadtree partition that recursively includes a plurality of coding nodes.
  • each coding node is half of the size of the coding node that is the parent node of the coding node (that is, the node that is one layer higher than the coding node).
  • the size of the coding tree unit CTU and the size that each coding unit can take are the size designation information of the minimum coding node and the maximum coding node and the minimum coding node included in the sequence parameter set SPS.
  • the size of the coding tree unit CTU is 64 ⁇ 64 pixels.
  • the size of the encoding node can take any of four sizes, that is, 64 ⁇ 64 pixels, 32 ⁇ 32 pixels, 16 ⁇ 16 pixels, and 8 ⁇ 8 pixels.
  • the CTU header CTUH includes an encoding parameter referred to by the hierarchical video decoding device 1 in order to determine a decoding method of the target CTU. Specifically, as shown in FIG. 3 (d), CTU division information SP_CTU for designating a division pattern of the target CTU into each CU, and a quantization parameter difference ⁇ qp (for designating the quantization step size) qp_delta).
  • the CTU division information SP_CTU is information representing a coding tree for dividing the CTU, and specifically, information specifying the shape and size of each CU included in the target CTU and the position in the target CTU. It is.
  • the CTU partition information SP_CTU does not need to explicitly include the shape or size of the CU.
  • the CTU division information SP_CTU may be a set of flags indicating whether or not the entire target CTU or a partial region of the CTU is to be divided into four. In that case, the shape and size of each CU can be specified by using the shape and size of the CTU together.
  • CU layer In the CU layer, a set of data referred to by the hierarchical video decoding device 1 for decoding a CU to be processed (hereinafter also referred to as a target CU) is defined.
  • the encoding node is a node at the root of a prediction tree (PT) and a transformation tree (TT).
  • PT prediction tree
  • TT transformation tree
  • the encoding node is divided into one or a plurality of prediction blocks, and the position and size of each prediction block are defined.
  • the prediction block is one or a plurality of non-overlapping areas constituting the encoding node.
  • the prediction tree includes one or a plurality of prediction blocks obtained by the above division.
  • Prediction processing is performed for each prediction block.
  • a prediction block that is a unit of prediction is also referred to as a prediction unit (PU).
  • PU partitioning There are roughly two types of partitioning in the prediction tree (hereinafter abbreviated as PU partitioning): intra prediction and inter prediction.
  • the encoding node is divided into one or a plurality of transform blocks, and the position and size of each transform block are defined.
  • the transform block is one or a plurality of non-overlapping areas constituting the encoding node.
  • the conversion tree includes one or a plurality of conversion blocks obtained by the above division.
  • the division in the transformation tree includes the one in which an area having the same size as the encoding node is assigned as the transformation block, and the one in the recursive quadtree division as in the above-described division of the tree block.
  • transform processing is performed for each conversion block.
  • the transform block which is a unit of transform is also referred to as a transform unit (TU).
  • the CU information CU specifically includes a skip flag SKIP, prediction tree information (hereinafter abbreviated as PT information) PTI, and conversion tree information (hereinafter abbreviated as TT information). Include TTI).
  • PT information prediction tree information
  • TT information conversion tree information
  • the skip flag SKIP is a flag indicating whether or not the skip mode is applied to the target PU.
  • the value of the skip flag SKIP is 1, that is, when the skip mode is applied to the target CU, A part of the PT information PTI and the TT information TTI in the CU information CU are omitted. Note that the skip flag SKIP is omitted for the I slice.
  • the PT information PTI is information related to a prediction tree (hereinafter abbreviated as PT) included in the CU.
  • PT prediction tree
  • the PT information PTI is a set of information related to each of one or a plurality of PUs included in the PT, and is referred to when a predicted image is generated by the hierarchical video decoding device 1.
  • the PT information PTI includes prediction type information PType and prediction information PInfo.
  • Prediction type information PType is information that specifies a predicted image generation method for the target PU. In the base layer, it is information that specifies whether intra prediction or inter prediction is used.
  • the prediction information PInfo is prediction information used in the prediction method specified by the prediction type information PType.
  • intra prediction information PP_Intra is included in the case of intra prediction.
  • inter prediction information PP_Inter is included in the case of inter prediction.
  • Inter prediction information PP_Inter includes prediction information that is referred to when the hierarchical video decoding device 1 generates an inter prediction image by inter prediction. More specifically, the inter prediction information PP_Inter includes inter PU division information that specifies a division pattern of the target CU into each inter PU, and inter prediction parameters (motion compensation parameters) for each inter PU. Examples of inter prediction parameters include a merge flag (merge_flag), a merge index (merge_idx), an estimated motion vector index (mvp_idx), a reference picture index (ref_idx), an inter prediction flag (inter_pred_flag), and a motion vector residual (mvd) including.
  • merge_flag merge flag
  • merge_idx merge index
  • mvp_idx estimated motion vector index
  • ref_idx reference picture index
  • inter_pred_flag inter prediction flag
  • mvd motion vector residual
  • the intra prediction information PP_Intra includes an encoding parameter that is referred to when the hierarchical video decoding device 1 generates an intra predicted image by intra prediction. More specifically, the intra prediction information PP_Intra includes intra PU division information that specifies a division pattern of the target CU into each intra PU, and intra prediction parameters for each intra PU.
  • the intra prediction parameter is a parameter for designating an intra prediction method (prediction mode) for each intra PU.
  • the TT information TTI is information regarding a conversion tree (hereinafter abbreviated as TT) included in the CU.
  • TT conversion tree
  • the TT information TTI is a set of information regarding each of one or a plurality of transform blocks included in the TT, and is referred to when the hierarchical video decoding device 1 decodes residual data.
  • the TT information TTI includes TT division information SP_TT for designating a division pattern for each transform block of the target CU, and quantized prediction residuals QD1 to QDNT (NT is assigned to the target CU. The total number of blocks included).
  • TT division information SP_TT is information for determining the shape of each transformation block included in the target CU and the position in the target CU.
  • the TT division information SP_TT can be realized from information (split_transform_unit_flag) indicating whether or not the target node is divided and information (trafoDepth) indicating the division depth.
  • each conversion block obtained by the division can take a size from 32 ⁇ 32 pixels to 4 ⁇ 4 pixels.
  • Each quantization prediction residual QD is encoded data generated by the hierarchical video encoding device 2 performing the following processes 1 to 3 on a target block that is a conversion block to be processed.
  • Process 1 The prediction residual obtained by subtracting the prediction image from the encoding target image is subjected to frequency conversion (for example, DCT conversion (Discrete Cosine Transform) and DST conversion (Discrete Sine Transform));
  • Process 2 Quantize the transform coefficient obtained in Process 1;
  • Process 3 Variable length coding is performed on the transform coefficient quantized in Process 2;
  • the PU partition type specified by the PU partition information includes the following eight patterns in total, assuming that the size of the target CU is 2N ⁇ 2N pixels. That is, 4 symmetric splittings of 2N ⁇ 2N pixels, 2N ⁇ N pixels, N ⁇ 2N pixels, and N ⁇ N pixels, and 2N ⁇ nU pixels, 2N ⁇ nD pixels, nL ⁇ 2N pixels, And four asymmetric splittings of nR ⁇ 2N pixels.
  • N 2m (m is an arbitrary integer of 1 or more).
  • a prediction unit obtained by dividing the target CU is referred to as a prediction block or a partition.
  • enhancement layer encoded data For encoded data included in the layer representation of the enhancement layer (hereinafter, enhancement layer encoded data), for example, a data structure substantially similar to the data structure shown in FIG. 3 can be adopted. However, in the enhancement layer encoded data, additional information can be added or parameters can be omitted as follows.
  • spatial scalability, temporal scalability, SNR scalability, and view scalability hierarchy identification information may be encoded.
  • the prediction type information PType included in the CU information CU is information that specifies whether the prediction image generation method for the target CU is intra prediction, inter prediction, or inter-layer image prediction.
  • the prediction type information PType includes a flag (inter-layer image prediction flag) that specifies whether or not to apply the inter-layer image prediction mode.
  • the inter-layer image prediction flag may be referred to as texture_rl_flag, inter_layer_pred_flag, or base_mode_flag.
  • the CU type of the target CU is an intra CU, an inter-layer CU, an inter CU, or a skip CU.
  • the intra CU can be defined in the same manner as the intra CU in the base layer.
  • the inter-layer image prediction flag is set to “0”, and the prediction mode flag is set to “0”.
  • An inter-layer CU can be defined as a CU that uses a decoded image of a picture in a reference layer for generating a predicted image.
  • the inter-layer image prediction flag is set to “1” and the prediction mode flag is set to “0”.
  • the skip CU can be defined in the same manner as in the HEVC method described above. For example, in the skip CU, “1” is set in the skip flag.
  • the inter CU may be defined as a CU that applies non-skip and motion compensation (MC).
  • MC non-skip and motion compensation
  • the encoded data of the enhancement layer may be generated by an encoding method different from the encoding method of the lower layer. That is, the encoding / decoding process of the enhancement layer does not depend on the type of the lower layer codec.
  • the lower layer may be encoded by, for example, MPEG-2 or H.264 / AVC format.
  • the VPS may be extended to include a parameter representing a reference structure between layers.
  • SPS, PPS, and slice header are extended, and information related to a decoded image of a reference layer used for inter-layer image prediction (for example, an inter-layer reference picture set, an inter-layer reference picture list described later) , Syntax for deriving base control information or the like directly or indirectly).
  • a reference layer used for inter-layer image prediction for example, an inter-layer reference picture set, an inter-layer reference picture list described later
  • the parameters described above may be encoded independently, or a plurality of parameters may be encoded in combination.
  • an index is assigned to the combination of parameter values, and the assigned index is encoded.
  • the encoding of the parameter can be omitted.
  • FIG. 4 is a diagram for explaining the relationship between pictures and tile slices in hierarchically encoded data.
  • a tile is associated with a rectangular partial area in a picture and encoded data relating to the partial area.
  • a slice is associated with a partial area in a picture and encoded data related to the partial area, that is, a slice header and slice data related to the partial area.
  • FIG. 4A illustrates a divided area when a picture is divided by tile slices.
  • the picture is divided into six rectangular tiles (T00, T01, T02, T10, T11, T12).
  • Each of the tile T00, the tile T02, the tile T10, and the tile T12 includes one slice (in order, a slice S00, a slice S02, a slice S10, and a slice S12).
  • the tile T01 includes two slices (slice S01a and slice S01b)
  • the tile T11 includes two slices (slice S11a and slice S11b).
  • FIG. 4B illustrates the relationship between tiles and slices in the configuration of encoded data.
  • encoded data includes a plurality of VCL (Video Coding Layer) NAL units and non-VCL (non-VCL) NAL units.
  • the encoded data of the video encoding layer corresponding to one picture is composed of a plurality of VCL NALs.
  • the encoded data corresponding to the picture includes encoded data corresponding to the tiles in the tile raster order. That is, as shown in FIG. 4A, when a picture is divided into tiles, encoded data corresponding to tiles is included in the order of tiles T00, T01, T02, T10, T11, and T12.
  • the encoded data corresponding to the slice is changed to the encoded data corresponding to the tile in the order of the CTU at the head of the slice starting from the slice positioned first in the CTU raster scan order within the tile. included.
  • the encoded data corresponding to the slices are included in the encoded data corresponding to the tile T01 in order of the slices S01a and S01b. .
  • encoded data corresponding to a specific tile in a picture is associated with encoded data corresponding to one or more slices. Therefore, if a decoded image of a slice associated with a tile can be generated, a decoded image of a partial region in a picture corresponding to the tile can be generated.
  • FIG. 5 is a functional block diagram showing a schematic configuration of the hierarchical video decoding device 1.
  • the hierarchical video decoding apparatus 1 receives hierarchical encoded data DATA (hierarchical encoded data DATAF provided from the hierarchical video encoding apparatus 2 or hierarchical encoded data DATAR provided from the encoded data conversion apparatus 3). Decoding is performed to generate a decoded image POUT # T of the target layer.
  • the target layer is an extension layer having the base layer as a reference layer. Therefore, the target layer is also an upper layer with respect to the reference layer. Conversely, the reference layer is also a lower layer with respect to the target layer.
  • the hierarchical video decoding device 1 includes a NAL demultiplexing unit 11, a parameter set decoding unit 12, a tile setting unit 13, a slice decoding unit 14, a base decoding unit 15, and a decoded picture management unit 16.
  • the NAL demultiplexing unit 11 demultiplexes hierarchically encoded data DATA transmitted in units of NAL units in NAL (Network Abstraction Layer).
  • NAL is a layer provided to abstract communication between VCL (Video Coding Layer) and lower systems that transmit and store encoded data.
  • VCL Video Coding Layer
  • VCL is a layer that performs video encoding processing, and encoding is performed in VCL.
  • the lower system here corresponds to the H.264 / AVC and HEVC file formats and the MPEG-2 system.
  • NAL the bit stream generated by VCL is divided into units called NAL units and transmitted to the lower system as the destination.
  • the NAL unit includes encoded data encoded by the VCL and a header for appropriately delivering the encoded data to a destination lower system.
  • the encoded data in each layer is stored in NAL units, is NAL multiplexed, and is transmitted to the hierarchical video decoding device 1.
  • Hierarchical encoded data DATA includes NAL including parameter sets (VPS, SPS, PPS), SEI, etc. in addition to NAL generated by VCL. Those NALs are called non-VCL NALs versus VCL NALs.
  • the NAL demultiplexing unit 11 demultiplexes the hierarchical encoded data DATA, and extracts the target layer encoded data DATA # T and the reference layer encoded data DATA # $. Further, the NAL demultiplexing unit 11 supplies non-VCL NAL to the parameter set decoding unit 12 and VCL NAL to the slice decoding unit 14 among the NALs included in the target layer encoded data DATA # T.
  • the parameter set decoding unit 12 decodes the parameter set, that is, VPS, SPS, and PPS, from the input non-VCL NAL and supplies them to the tile setting unit 13 and the slice decoding unit 14. Details of processing highly relevant to the present invention in the parameter set decoding unit 12 will be described later.
  • the tile setting unit 13 derives the tile information of the picture based on the input parameter set and supplies it to the slice decoding unit 14.
  • the tile information includes at least tile division information of a picture.
  • the slice decoding unit 14 generates a decoded picture or a partial area of the decoded picture based on the input VCL NAL, parameter set, tile information, and reference picture, and records them in a buffer in the decoded picture management unit 16. .
  • a detailed description of the slice decoding unit will be described later.
  • the decoded picture management unit 16 records the input decoded picture and the base decoded picture in an internal decoded picture buffer (DPB: “Decoded” Picture ”Buffer), and performs reference picture list generation and output picture determination. Further, the decoded picture management unit 16 outputs the decoded picture recorded in the DPB to the outside as an output picture POUT # T at a predetermined timing.
  • DPB internal decoded picture buffer
  • the base decoding unit 15 decodes the base decoded picture from the reference layer encoded data DATA # R.
  • the base decoded picture is a decoded picture of the reference layer used when decoding the decoded picture of the target layer.
  • the base decoding unit 15 records the decoded base decoded picture in the DPB in the decoded picture management unit 16.
  • FIG. 6 is a functional block diagram illustrating the configuration of the base decoding unit 15.
  • the base decoding unit 15 includes a base NAL demultiplexing unit 151, a base parameter set decoding unit 152, a base tile setting unit 153, a base slice decoding unit 154, and a base decoded picture management unit 156.
  • the base NAL demultiplexing unit 151 demultiplexes the reference layer encoded data DATA # R to extract VCL NAL and non-VCL NAL, non-VCL NAL to the base parameter set decoding unit 152, and VCL NAL to base slice Each is supplied to the decryption unit 154.
  • the base parameter set decoding unit 152 decodes the parameter set, that is, VPS, SPS, and PPS, from the input non-VCL NAL and supplies them to the base tile setting unit 153 and the base slice decoding unit 154.
  • the base style setting unit 153 derives picture tile information based on the input parameter set and supplies it to the base slice decoding unit 154.
  • the base slice decoding unit 154 generates a decoded picture or a partial area of the decoded picture based on the input VCL NAL, parameter set, tile information, and reference picture, and stores the decoded picture in the buffer in the base decoded picture management unit 156. Record.
  • the base decoded picture management unit 156 records the input decoded picture in the internal DPB, and performs reference picture list generation and output picture determination. Further, the base decoded picture management unit 156 outputs the decoded picture recorded in the DPB as a base decoded picture at a predetermined timing.
  • the parameter set decoding unit 12 decodes and outputs a parameter set (VPS, SPS, PPS) used for decoding the target layer from the input encoded data of the target layer.
  • a parameter set (VPS, SPS, PPS) used for decoding the target layer from the input encoded data of the target layer.
  • the decoding of the parameter set is performed based on a predetermined syntax table. That is, a bit string is read from the encoded data according to a procedure defined by the syntax table, and syntax values of syntax elements included in the syntax table are decoded.
  • the parameter set decoding unit 12 decodes picture information from input target layer encoded data.
  • the picture information is information that determines the size of the decoded picture of the target layer.
  • the picture information includes information indicating the width and height of the decoded picture of the target layer.
  • Picture information is included in SPS, for example.
  • the picture information decoded from the SPS includes the width of the decoded picture (pic_width_in_luma_samples) and the height of the decoded picture (pic_height_in_luma_samples).
  • the value of the syntax pic_width_in_luma_samples corresponds to the width of the decoded picture in luminance pixel units.
  • the value of the syntax pic_height_in_luma_samples corresponds to the height of the decoded picture in luminance pixel units.
  • picture information is shared between layers. That is, picture information of a layer different from the target layer can be referred to when the target layer is decoded and encoded.
  • the parameter set decoding unit 12 decodes the display area information from the input target layer encoded data.
  • the display area information is included in the SPS, for example.
  • the display area information decoded from the SPS includes a display area flag (conformance_flag).
  • the display area flag indicates whether information indicating the position of the display area (display area position information) is additionally included in the SPS. That is, when the display area flag is 1, it indicates that the display area position information is additionally included, and when the display area flag is 0, it indicates that the display area position information is not additionally included.
  • the display area information decoded from the SPS further includes display area left offset (conf_win_left_offset), display area right offset (conf_win_right_offset), display area upper offset (conf_win_top_offset), and display area. Contains the lower offset (conf_win_bottom_offset).
  • the entire picture is set as the display area.
  • the display area flag is 1
  • a partial area in the picture indicated by the display area position information is set.
  • the display area is also referred to as a conformance window.
  • FIG. 7 is a diagram illustrating a relationship between a display area which is a partial area in a picture and display area position information.
  • the display area is included in the picture
  • the display area offset is the distance between the picture upper edge and the display area upper edge
  • the display area left offset is the distance between the picture left edge and the display area left edge
  • the display area right offset Represents the distance between the right side of the picture and the right side of the display area
  • the lower offset of the display area represents the distance between the lower side of the picture and the lower side of the display area. Therefore, the position and size of the display area in the picture can be uniquely specified by the display area position information.
  • the display area information may be other information that can uniquely identify the position and size of the display area in the picture.
  • the display area information is shared between layers. That is, display area information of a layer different from the target layer can be referred to when the target layer is decoded and encoded.
  • the parameter set decoding unit 12 decodes the inter-layer position correspondence information from the input target layer encoded data.
  • the inter-layer position correspondence information schematically indicates the positional relationship between corresponding areas of the target layer and the reference layer. For example, when an object (object A) in a picture of the target layer and a picture of the reference layer is included, an area corresponding to the object A on the picture of the target layer and an area corresponding to the object A on the picture of the reference layer , Corresponding to the regions corresponding to the target layer and the reference layer.
  • the inter-layer position correspondence information may not necessarily be information that accurately indicates the positional relationship between the corresponding regions of the target layer and the reference layer, but generally, in order to improve the accuracy of inter-layer prediction. The correct positional relationship between the corresponding layers of the target layer and the reference layer is shown.
  • the inter-layer position correspondence information includes reference area information.
  • the reference area information is information representing the spatial positional relationship between the following two areas in a specific layer (hereinafter referred to as layer A).
  • a reference area offset is used as reference area information.
  • the reference area offset is information representing the displacement between each vertex of the reference area and the corresponding vertex of the picture area. From the following four offsets corresponding to left, top, right, and bottom, respectively. Composed.
  • Reference area left offset horizontal offset between reference area upper left pixel and picture area upper left pixel 2. Offset on reference area: vertical offset between upper left pixel in reference area and upper left pixel in picture area 3.
  • Reference area right offset horizontal offset between the reference area lower right pixel and the picture area lower right pixel.
  • Reference area lower offset vertical offset between the reference area lower right pixel and picture area lower right pixel
  • FIG. 8 is a diagram illustrating the relationship among the target layer picture, the target layer reference region, the reference layer picture, the reference layer reference region, and the reference region offset.
  • each reference area offset target layer reference area left offset, (Target layer reference area upper offset, target layer reference area right offset, target layer reference area lower offset).
  • Offset reference layer reference area upper offset, reference layer reference area right offset, reference layer reference area lower offset.
  • Corresponding pixel position derivation and scale derivation in inter-layer processing typified by inter-layer prediction are executed using the target layer reference region and the reference layer reference region.
  • FIG. 8 illustrates the case where the reference area is included in the picture area
  • the present invention is not limited thereto, and the picture area may be included in the reference area, or a part of the reference area and the picture area overlap each other. It doesn't matter.
  • the reference area offset is positive or negative when the reference area is included in the picture area, and negative when the reference area is included in the picture area. That is, when the reference area is included in the picture area shown in FIG. 8, all the reference area offset values are positive. Note that the positive / negative definition of the reference area offset may be reversed, but in that case, it is necessary to appropriately read and apply a corresponding reference position and a scale derivation formula described later.
  • the purpose of the reference area offset is to define the shape of the reference area and the spatial positional relationship between the picture area and the reference area. Therefore, if the purpose is achieved, parameters other than the reference offset other than those described above can be used. For example, a combination of the horizontal and vertical offsets of the upper left pixel of the reference area with respect to the upper left pixel of the picture area and the width and height of the reference area rectangle may be used.
  • Information that defines the shape of the reference area and the spatial positional relationship between the picture area and the reference area is referred to as reference area position information.
  • the reference area position information corresponds to a superordinate concept of the reference area offset. In the description of the present embodiment, it is assumed that a reference area offset is used as reference area position information.
  • FIG. 9 shows a part of the syntax table that is referred to when the parameter set decoding unit 12 decodes the VPS extension (vps_extension ()) included in the VPS, and relates to the reference region offset.
  • the VPS includes multiple syntax elements related to the reference area offset. Hereinafter, they are collectively referred to as a reference area offset-related syntax.
  • the syntax table shown in FIG. 9 indicates that the following syntax elements are included in the VPS extension as syntax elements constituting the reference area offset-related syntax.
  • A0 Reference region offset presence / absence flag (ref_region_offsets_in_vps_flag)
  • A1 Number of reference region offsets (num_ref_region_offsets [i])
  • A2 Reference region layer index information (ref_region_layer_idx_delta_minus1 [i] [j])
  • A3L Reference region left offset information (ref_region_left_offset [i] [j])
  • A3T Reference area offset information (ref_region_top_offset [i] [j])
  • A3R Reference region right offset information (ref_region_right_offset [i] [j])
  • A3B Reference region lower offset information (ref_region_bottom_offset [i] [j])
  • the syntax element A0 is a sign of a 1-bit flag (u (1)).
  • the syntax elements A1 and A2 are encoded by a non-negative integer 0th-order exponent Golomb code (ue (v)) defined by HEVC.
  • A3L, A3T, A3R, and A3B are encoded by a signed integer 0th-order exponent Golomb code (se (v)) defined by HEVC.
  • the reference area offset presence / absence flag (A0) is a flag indicating whether or not the reference area offset related syntax excluding the flag is included in the VPS extension. When the value of the flag is 1, it indicates that the reference area offset related syntax is included. Otherwise (the value of the flag is 0), it indicates that the reference area offset related syntax is not included.
  • the reference area offset number (A1) represents the number of reference area offsets for a layer (hereinafter referred to as layer i) specified by an index i included in the VPS extension.
  • the index i is an index indicating a layer included in the VPS extension.
  • the number of reference area offsets corresponds to the number of combinations of four offsets (A3L, A3T, A3R, A3B) corresponding to left, top, right, and bottom, respectively.
  • the reference region offset number is encoded / decoded for each layer specified by each index value between 0 and MaxLayersMinus1.
  • the number of reference region offsets included in the VPS extension is preferably the above number in order to realize functionality that allows transmission of reference region offsets to any layer.
  • the number of reference area offsets corresponding to the layer is omitted, and the value of the reference area offset for the layer is set to 0. May be estimated.
  • Reference area layer index information (A2) is information for specifying the j-th layer associated with layer i. Specifically, the reference area layer index information is used to derive a layer index (LIdx [i] [j]) in the VPS of the j-th layer associated with layer i. LIdx [i] [j] is derived by the following equation when the syntax value ref_region_layer_idx_delta_minus1 [i] [j] of the reference region layer index information is RRL [i] [j].
  • the maximum value of RRL [i] [j] is less than the maximum number of layers (MaxLayersMinus1 + 1) in the bitstream. That is, the maximum value of the index of the j-th layer associated with layer i can take a value larger than the index of layer i (index i).
  • the reference region layer index information is defined as described above, there is an effect of suppressing the code amount of the reference region layer index information.
  • another syntax for associating the index j with a specific layer and a combination of derivation means may be used.
  • an intra-VPS layer index may be used as the reference area layer index information.
  • LIdx [i] [j] is derived by the following equation.
  • Reference area offset information (reference area left offset information (A3L), reference area upper offset information (A3T), reference area right offset information (A3R), reference area lower offset information (A3B)) is a reference area on layer i. It is information for deriving an offset (reference area offset) representing a reference area referred to in inter-layer processing (inter-layer prediction) between layer i and the j-th layer associated with layer i. is there.
  • the reference area offset information is also information representing the position and size (shape) of the reference area, and is also referred to as reference area position information.
  • the above reference area offset information can be expressed as follows. That is, the reference area position information is an array variable that uses the first layer identification information (i) and the second layer identification information (j) as indexes. I which is the first layer identification information is an intra-VPS layer index of the layer in which the reference area exists.
  • the second layer identification information j is information for identifying the target layer of the inter-layer processing to which the reference region is applied, and the target layer of the inter-layer processing through the above Lidx [i] [j]. It is associated with the layer index within VPS.
  • the slice decoding unit 14 generates and outputs a decoded picture based on the input VCL NAL, parameter set, and tile information.
  • FIG. 13 is a functional block diagram illustrating a schematic configuration of the slice decoding unit 14.
  • the slice decoding unit 14 includes a slice header decoding unit 141, a slice position setting unit 142, and a CTU decoding unit 144.
  • the CTU decoding unit 144 further includes a prediction residual restoration unit 1441, a predicted image generation unit 1442, and a CTU decoded image generation unit 1443.
  • the slice header decoding unit 141 decodes the slice header based on the input VCL NAL and the parameter set, and outputs the decoded slice header to the slice position setting unit 142, the skip slice determination unit 143, and the CTU decoding unit 144.
  • the slice header includes information related to the slice position in the picture (SH slice position information) and information related to the skip slice (SH skip slice information).
  • the slice header includes an in-picture first slice flag (first_slice_segment_in_pic_flag) as slice position information.
  • first_slice_segment_in_pic_flag an in-picture first slice flag
  • the slice header includes a slice PPS identifier (slice_pic_parameter_set_id) as slice position information.
  • the slice PPS identifier is an identifier of a PPS associated with the target slice, and tile information to be associated with the target slice is specified via the PPS identifier.
  • the slice position setting unit 142 specifies the slice position in the picture based on the input slice header and tile information, and outputs the slice position to the CTU decoding unit 144.
  • the slice position in the picture derived by the slice position setting unit 142 includes the position in the picture of each CTU included in the slice.
  • the CTU decoding unit 144 decodes a slice by decoding a decoded image of a region corresponding to each CTU included in the slice based on the input slice header, slice data, and parameter set. Generate an image. The decoded image of the slice is output as a part of the decoded picture at the position indicated by the input slice position.
  • the decoded image of the CTU is generated by the prediction residual restoration unit 1441, the prediction image generation unit 1442, and the CTU decoded image generation unit 1443 inside the CTU decoding unit 144.
  • the prediction residual restoration unit 1441 decodes prediction residual information (TT information) included in the input slice data to generate and output a prediction residual of the target CTU.
  • the predicted image generation unit 1442 generates and outputs a predicted image based on the prediction method and the prediction parameter indicated by the prediction information (PT information) included in the input slice data. At that time, a decoded picture of a reference picture or a coding meter is used as necessary.
  • the CTU decoded image generation unit 1443 adds the input predicted image and the prediction residual to generate and output a decoded image of the target CTU.
  • the generation process of the predicted pixel value of the target pixel included in the target CTU to which the inter-layer image prediction is applied is executed according to the following procedure.
  • a reference picture position derivation process is executed to derive a corresponding reference position.
  • the corresponding reference position is a position on the reference layer corresponding to the target pixel on the target layer picture. Since the pixels of the target layer and the reference layer do not necessarily correspond one-to-one, the corresponding reference position is expressed with an accuracy of less than the pixel unit in the reference layer.
  • the prediction pixel value of the target pixel is generated by executing the interpolation filter process using the derived corresponding reference position as an input.
  • the corresponding reference position is derived based on the picture information and the reference area information included in the parameter set.
  • the detailed procedure of the corresponding reference position deriving process will be described with reference to FIG.
  • the target layer of the corresponding reference position derivation process is layer C (layer C index in VPS is c), and the reference layer of the target layer is layer R (layer R index in VPS is r) .
  • the reference layer of the target layer is a lower layer than the target layer, and the layer corresponding to the small intra-VPS index is a lower layer, there is a relationship that r is smaller than c. It holds.
  • FIG. 1 is a flowchart of the corresponding reference position derivation process.
  • the corresponding reference position derivation process in the inter-layer image prediction process between layer C and layer R when layer C is the target layer is sequentially executed in the following steps S101 to S107.
  • a reference region offset is derived from the reference region offset information decoded by the parameter set decoding unit 12 as reference region information using i and j as indexes.
  • the derived reference region offset is referred to as RRO [k] [l].
  • reference region offsets and symbols corresponding to left, top, right, and bottom that constitute RRO [k] [l] are defined as follows.
  • Reference area left offset RRLO [k] [l]
  • Reference area offset RRTO [k] [l]
  • Reference area right offset RRRO [k] [l]
  • Reference area lower offset RRBO [k] [l]
  • RRO [i] [j] [k] [l] offsets RRLO [k] [l], RRTO [k] [l], RRRO [k] [l], RRBO [k] [l] Is derived by the following calculation based on the corresponding reference region offset information.
  • RRLO [k] [l] (ref_region_left_offset [i] [j] ⁇ 1)
  • RRTO [k] [l] (ref_region_top_offset [i] [j] ⁇ 1)
  • RRRO [k] [l] (ref_region_right_offset [i] [j] ⁇ 1)
  • RRBO [k] [l] (ref_region_bottom_offset [i] [j] ⁇ 1)
  • LIdx [i] [j] is an array derived based on the reference region layer index information decoded by the parameter set decoding unit 12, and is the VPS of the layer with which the j-th reference region offset information for layer i is associated Represents the inner index.
  • RRO [k] [l] a reference area offset corresponding to a corresponding combination of i and j for a reference area offset (RRO [k] [l]) corresponding to a specific combination of k and l
  • RRO [k The value of each offset constituting [] [l] is set to 0.
  • a reference region on layer k and a region corresponding to the entire picture on layer k is set as a default value of the reference region that is referred to in inter-layer prediction between layers k and l Is done.
  • a value obtained by doubling the syntax value of the corresponding reference area offset information is set as the reference area offset, but the relationship between the reference area offset and the reference area offset information is not limited thereto.
  • the relationship between the reference area offset information and the reference area offset is merely an example, and the two may be associated by another appropriate method.
  • a reference layer reference region offset (reference layer reference region position) indicating the position and shape of the reference region on the reference layer (layer r) is derived.
  • the reference layer reference region offset is composed of four offsets (RL_RRLO, RL_RRTO, RL_RRRO, and RL_RRBO, respectively) corresponding to left, top, right, and bottom, respectively, and is derived from the following equation.
  • RL_RRLO RRLO [r] [c]
  • RL_RRTO RRTO [r] [c]
  • RL_RRRO RRRO [r] [c]
  • RL_RRBO RRBO [r] [c] That is, a reference region offset that is a reference region on the reference layer R and is referred to in inter-layer prediction between the reference layer R and the target layer C is set as the value of the reference layer reference region offset.
  • the reference region offset (RRO [r] [c]) used for the reference layer reference region offset value is a reference region offset that satisfies the condition “r ⁇ c”.
  • the reference layer reference region offset (reference layer reference region position) at the time of performing inter-layer prediction between the target layer and the reference layer is the index within the VPS of the reference layer as the first array index, and the index within the VPS of the target layer. It is set using the reference area offset element as the second array index.
  • each element of the reference area offset corresponding to the above is a number that indirectly represents the index r in the VPS of the reference layer (first layer identification information) as the first array index and the index c within the VPS of the target layer.
  • a value of reference area position information (RRO [r] [c]) having i (second layer identification information) as the second array index is set.
  • the size of the reference area on the reference layer is derived based on the reference layer reference area offset derived in S102 and the reference layer picture size.
  • the width (RL_RRW) and height (RL_RRH) of the reference area on the reference layer are derived from the following equations based on the width (RL_PICW) and height (RL_PICH) of the reference layer picture, respectively.
  • n is a parameter for aligning the pixel unit of the reference layer picture with the unit of the reference area offset.
  • the width of the reference area on the reference layer is obtained by adding the sum of the reference layer reference area left offset and the reference layer reference area right offset to the width of the reference layer picture. Derived. The same applies to the height of the reference area on the reference layer.
  • the target layer reference region offset (target layer reference region position) representing the position and shape of the reference region on the target layer (layer c) is derived.
  • the target layer reference area offset is composed of four offsets (CL_RRLO, CL_RRTO, CL_RRRO, CL_RRBO in order) corresponding to left, top, right, and bottom, respectively, and is derived from the following equation.
  • a reference region offset that is a reference region on the target layer C and is referred to in inter-layer prediction between the target layer C and the reference layer R is set as the value of the target layer reference region offset.
  • the reference region offset (RRO [c] [r]) used for the target layer reference region offset value is a reference region offset that satisfies the condition “c> r”.
  • the target layer reference region offset (target layer reference region position) when performing inter-layer prediction between the target layer and the reference layer is the index within the VPS of the target layer c as the first array index, and the index within the VPS of the reference layer It is set with reference to a reference area offset element with r as the second array index.
  • each element of the reference area offset corresponding to the above is the number j that indirectly represents the index i within the VPS (first layer identification information) of the target layer as the first array index and the index within the VPS of the reference layer in S101.
  • a value of reference area position information (RRO [i] [j]) having (second layer identification information) as the second array index is set.
  • the size of the target area on the target layer is derived based on the target layer reference area offset derived in S104 and the target layer picture size.
  • the width (CL_RRW) and height (CL_RRH) of the reference area on the target layer are derived from the following equations based on the width (CL_PICW) and height (CL_PICH) of the target layer picture, respectively.
  • n is the same as n described in S103, and is a parameter for aligning the pixel unit of the target layer picture and the unit of the target region offset.
  • the width of the reference layer on the target layer is obtained by adding the sum of the target layer reference region left offset and the target layer reference region right offset to the width of the target layer picture in units. Derived. The same applies to the height of the reference area on the target layer.
  • a scale used for inter-layer prediction is derived based on the size of the reference layer reference region derived in S103 and the size of the target layer reference region derived in S105.
  • the horizontal scale sx and the vertical scale sy are derived by the following equations, respectively.
  • a reference pixel position with 1/16 pixel accuracy is derived.
  • the values of the horizontal component (x component) xRef16 and the vertical component (y component) yRef16 of the reference pixel position of 1/16 pixel accuracy on the reference layer corresponding to the pixel position (xP, yP) on the target layer are Each is derived by the following equation.
  • addX, addY, deltaX, and deltaY are parameters representing a shift between a pixel on the target layer and a pixel on the reference layer due to upsampling or interlace.
  • the reference pixel position is calculated based on the reference layer reference region offset and scale.
  • the derived reference pixel position with 1/16 pixel accuracy is set as the corresponding reference position, and the corresponding reference position deriving process is terminated.
  • the scale is derived not as a picture size but as a ratio of sizes between areas specified by the reference area. Therefore, even when the picture size of the target layer picture or reference layer picture is changed for the purpose of extracting the attention area, the same scale is set before and after extraction by setting the related syntax value so that the reference area is the same. Can be derived.
  • the pixel value at the position corresponding to the corresponding reference position derived in the corresponding reference position deriving process is applied to the decoded pixels of the pixels near the corresponding reference position on the reference layer picture. Generate.
  • the hierarchical moving picture decoding apparatus 1 (hierarchical picture decoding apparatus) according to the present embodiment described above includes a parameter set decoding unit 12 that decodes a parameter set, and a prediction image by inter-layer prediction with reference to a decoded pixel of a reference layer picture. Is provided with a predicted image generation unit 1442.
  • the parameter set decoding unit 12 decodes the reference region offset, and the predicted image generation unit 1442 calculates a scale based on the reference layer reference region offset and the target layer reference region offset derived from the reference region offset, and calculates the scale.
  • the corresponding reference position is derived with reference to perform inter-layer prediction.
  • the hierarchical video decoding device 1 decodes the syntax value necessary for deriving the reference region offset from the encoded data, and calculates the corresponding reference position based on the parameter derived based on the syntax value.
  • the hierarchical video decoding apparatus 1 can provide a function of maintaining the accuracy of the positional relationship between the upper layer pixel and the lower layer pixel before and after extracting the attention area by using fewer syntax elements than in the conventional art.
  • the reference region layer index information included in the reference region information is decoded by the parameter set decoding unit 12 and is associated with the layer i derived based on the reference region layer index information. It was described that the index LIdx [i] [j] of the jth layer can take a value larger than i. This is used to indicate the reference region in the inter-layer processing between the j-th reference region offset information associated with layer i and LIdx [i] [j], and is indicated by LIdx [i] [j] This means that a layer can be specified independently for each layer above layer i.
  • the j-th reference region offset information associated with layer i is a reference region on layer i, and is used in inter-layer processing between layer i and any layer above layer i.
  • the information indicates the offset of the reference area.
  • the reference layer reference region offset derivation process described in S102 of the corresponding reference position derivation process is modified as follows. That is, a target layer reference region offset indicating a reference region on the reference layer (layer R, VPS index r) is derived.
  • the reference layer reference region offset is composed of four offsets (RL_RRLO, RL_RRTO, RL_RRRO, and RL_RRBO, respectively) corresponding to left, top, right, and bottom, respectively, and is derived from the following equation.
  • RL_RRLO RRLO [r] [r]
  • RL_RRTO RRTO [r] [r]
  • RL_RRRO RRRO [r] [r]
  • RL_RRBO RRBO [r] [r] That is, the reference region offset that is a reference region on the reference layer R and is referred to in inter-layer prediction between the layer R and an arbitrary layer higher than the layer R is set as the target layer reference region offset value. ing.
  • the amount of code required for the reference area information can be reduced. This is because, when referring to a common layer (referenced layer), the same reference area on the referenced layer can be specified by a set of reference area offsets. In general, since the reference regions referred to by inter-layer prediction are often the same, it is functionally sufficient for many applications if the same reference region can be set on the referenced layer as described above.
  • FIG. 10 is a part of the syntax table that the parameter set decoding unit 12 refers to when decoding the SPS extension (sps_multilayer_extension ()) included in the SPS, and is a part related to the reference region offset.
  • the SPS extension includes multiple syntax elements related to the reference area offset. Hereinafter, these are collectively referred to as SPS reference area offset related syntax.
  • the syntax table shown in FIG. 10 indicates that the following syntax elements are included in the SPS extension as syntax elements constituting the SPS reference area offset related syntax.
  • B1 Number of reference region offsets (num_ref_region_offsets)
  • B2 Reference region layer identifier information (ref_region_layer_id [i])
  • B3L Reference region left offset information (ref_region_left_offset [i])
  • B3T Reference region offset information (ref_region_top_offset [i])
  • B3R Reference region right offset information (ref_region_right_offset [i])
  • B3B Reference region lower offset information (ref_region_bottom_offset [i])
  • B1 is a 6-bit binary representation code
  • B2 is a non-negative integer 0th order exponential Golomb code (ue (v)) defined by HEVC
  • B3L, B3T, A3R, and A3B are defined by HEVC. It is decoded or encoded using a signed integer 0th-order exponent Golomb code (se (v)).
  • the reference area offset number (B1) represents the number of reference area offsets for a layer (hereinafter referred to as a target layer) to which a slice (picture) referring to the SPS extension belongs.
  • the number of reference area offsets corresponds to the number of combinations of four offsets (B3L, B3T, B3R, B3B) corresponding to left, top, right, and bottom, respectively.
  • the reference area layer identifier information (B2) is information for specifying a layer associated with the i-th reference area offset in the target layer.
  • the reference area layer identifier information is a layer identifier (nuh_layer_id) of the i-th layer associated with the target layer.
  • the value of ref_region_layer_id [i] is less than or equal to the layer identifier of the target layer. If the value of ref_region_layer_id [i] is less than the layer identifier of the target layer, the reference region offset information associated with index i is the reference region on the target layer and is between the target layer and the layer indicated by ref_region_layer_id [i] The offset of the reference area referred by the prediction between layers is shown.
  • the reference region offset information associated with the index i is a reference region on the target layer, and the layer having the target layer as the reference layer, the target layer, The reference area offset referred in the inter-layer prediction during is shown.
  • the reference region layer identifier information is preferably included in the SPS extension in the order in which the corresponding layer identifiers are in ascending order. If the layer identifiers are ordered, the reference region layer identifier information with the largest layer identifier can be easily derived by, for example, ref_region_layer_id [num_ref_region_offsets-1].
  • the reference area offset information (reference area left offset information (B3L), reference area upper offset information (B3T), reference area right offset information (B3R), reference area lower offset information (B3B)) is the reference area on the target layer. It is information for deriving an offset (reference region offset) representing a reference region that is referred to in inter-layer processing (inter-layer prediction) between the target layer and the i-th layer associated with the target layer. is there.
  • the corresponding reference position derivation process in the inter-layer image prediction process between the target layer and the reference layer is sequentially executed in the following steps S201 to S207.
  • the reference area on the target layer is the target layer (layer C, layer identifier cLId).
  • a reference layer offset that is referred to in inter-layer prediction between the reference layer (layer R, layer identifier rLId).
  • the derived reference region offset is referred to as RRO [cLId] [rLId].
  • reference region offsets and symbols respectively corresponding to left, top, right, and bottom constituting RRO [cLId] [rLId] are defined as follows.
  • RRLO [cLId] [rLId] (ref_region_left_offset [rLId] ⁇ 1)
  • RRTO [cLId] [rLId] (ref_region_top_offset [rLId] ⁇ 1)
  • RRRO [cLId] [rLId] (ref_region_right_offset [rLId] ⁇ 1)
  • RRBO [cLId] [rLId] (ref_region_bottom_offset [rLId] ⁇ 1)
  • a reference layer reference area offset indicating a reference area on the reference layer is derived.
  • the reference layer reference area offset is composed of four offsets (RL_RRLO, RL_RRTO, RL_RRRO, and RL_RRBO, respectively) corresponding to left, top, right, and bottom, respectively, and is derived from the following equation.
  • RL_RRLO RRLO [cLId] [cLId]
  • RL_RRTO RRTO [cLId] [cLId]
  • RL_RRRO RRRO [cLId] [cLId]
  • RL_RRBO RRBO [cLId] [cLId] That is, as a reference layer reference region offset value, a reference region offset which is a reference region on the reference layer and is referred to in inter-layer prediction between the reference layer and a layer higher than the reference layer is set.
  • the reference area offset having the first array index as rLIdx can be referred to, and the following may be used.
  • RL_RRLO RRLO [rLId] [rLId]
  • RL_RRTO RRTO [rLId] [rLId]
  • RL_RRRO RRRO [rLId] [rLId]
  • RL_RRBO RRBO [rLId] [rLId]
  • the size of the reference region on the reference layer is derived based on the reference layer reference region offset derived in S202 and the reference layer picture size.
  • the specific process is the same as the process of S103 except that the value of the reference layer reference region offset is the value derived in S202, and the description is omitted.
  • a target layer reference area offset indicating a reference area on the target layer is derived.
  • the target layer reference area offset is composed of four offsets (CL_RRLO, CL_RRTO, CL_RRRO, CL_RRBO in order) corresponding to left, top, right, and bottom, respectively, and is derived from the following equation.
  • CL_RRLO RRLO [cLId] [rLId]
  • CL_RRTO RRTO [cLId] [rLId]
  • CL_RRRO RRRO [cLId] [rLId]
  • CL_RRBO RRBO [cLId] [rLId] That is, as a value of the target layer reference region offset, a reference region on the target layer, which is referred to in inter-layer prediction between the target layer (layer identifier cLId) and the reference layer (layer identifier rLId) Is set.
  • the size of the reference area on the reference layer is derived based on the target layer reference area offset derived in S204 and the target layer picture size.
  • the specific process is the same as the process of S105 except that the value of the target layer reference region offset is the value derived in S204, and the description is omitted.
  • a scale used for inter-layer prediction is derived based on the size of the reference layer reference region derived in S203 and the size of the target layer reference region derived in S205.
  • the specific process is the same as the process of S106 except that the size of the reference layer reference area is the value derived in S203, and the size of the target layer reference area is the value derived in S205. Omitted.
  • the hierarchical video decoding device performs the attention region extraction.
  • a function for deriving an appropriate corresponding reference position can be provided.
  • the reference area offset that follows the reference area on the target layer and the reference area on the reference layer depend on whether the value of the reference area layer identifier is less than or equal to the layer identifier of the target layer. It was determined which offset was to be shown. A method of determining a layer to which a reference region offset is associated by another syntax and a derivation method may be used.
  • reference region target selection information is sent, and on which layer the reference region is a reference region based on the reference region target selection information in a predetermined method, the reference region Is a reference region to be referenced in the layer processing between which two layers.
  • FIG. 11 is a syntax table that is referred to when decoding the SPS reference region offset-related syntax in the parameter set decoding unit 12, and can be used instead of the syntax table described in FIG. .
  • the syntax table of FIG. 11 shows that the following syntax elements are included instead of the syntax elements of B2, B3L, B3T, B3R, and B3B included in the syntax table of FIG. ing.
  • C2 Reference region target selection information (ref_region_target_info [i])
  • C3L Reference region left offset information (ref_region_left_offset [lid1] [lid2])
  • C3T Reference region upper offset information (ref_region_top_offset [lid1] [lid2])
  • C3R Reference region right offset information (ref_region_right_offset [lid1] [lid2])
  • C3B Reference region lower offset information (ref_region_bottom_offset [lid1] [lid2])
  • the reference area target selection information is decoded, and then two layer identifiers lid1 and lid2 are derived from the reference area target selection information.
  • the reference area offset information decoded thereafter is set to the reference area offset on the layer lid1 and referred to in the inter-layer prediction between the layers lid1 and lid2.
  • the reference area target selection information (C2) is information for specifying a layer to which a subsequent reference area offset is associated. Two layer identifiers lid1 and lid2 are derived from the reference area target selection information.
  • the layer identifier lid1 (first layer identification information) represents the layer identifier of the layer in which the reference area exists. lid1 is derived by the following procedure. Note that the value of the reference region target selection information (ref_region_target_info [i]) is abbreviated as RRTI [i].
  • the layer identifier lid2 (second layer identification information) represents whether the reference region is a reference region that is referred to in inter-layer prediction between the layer lid1 and which layer. lid2 is derived by the following procedure.
  • the two layer identifiers lid1 and lid2 are derived from the value of the reference area target selection information by the above procedure.
  • the reference area target selection information is smaller than the value of the layer identifier of the target layer (the layer that refers to the SPS)
  • the subsequent reference area offset is used as the reference area offset on the target layer.
  • the reference area target selection information is greater than or equal to the value of the layer identifier of the target layer
  • the subsequent reference area offset is changed from the layer identifier of the target layer to the layer identifier whose value is the current value of the reference area target selection information. Used as a reference area offset.
  • mapping from the reference area target selection information to the two layer identifiers may be executed by other methods. However, in that case, it is necessary to perform a derivation process in which any layer identifier becomes the layer identifier of the target layer.
  • the layer identifier nuh_layer_id of the target layer is used in the determination formula or subtraction, but the maximum value of the layer identifier may be used instead.
  • the code amount of the reference area target selection information increases, but even if rewriting is required so that the SPS is referred to from another layer, it is possible to omit rewriting the value of the reference area target selection information. There is.
  • the reference area offset information (reference area left offset information (C3L), reference area upper offset information (C3T), reference area right offset information (C3R), reference area lower offset information (C3B)) is the reference area on the target layer.
  • the reference area offset information is recorded in association with the combination of lid1 and lid2.
  • Mode 4 Display area use control information
  • a method using display area information is known as a method of implicitly determining a reference area when performing inter-layer prediction between two layers.
  • the display area information is used for the purpose of designating the reference area, there is a problem that the display area information is restricted from being changed for designating the display area.
  • the display area of a specific layer is changed, the inter-layer prediction image of the upper layer that uses the layer as a reference layer changes, so that it is necessary to regenerate the encoded data of the upper layer There is. Therefore, it is preferable that whether or not the display area is used as a reference area can be controlled by another information.
  • RRLO [c] [r] (ref_region_left_offset [i] [j] ⁇ 1)
  • RRTO [c] [r] (ref_region_top_offset [i] [j] ⁇ 1)
  • RRRO [c] [r] (ref_region_right_offset [i] [j] ⁇ 1)
  • RRBO [c] [r] (ref_region_bottom_offset [i] [j] ⁇ 1)
  • LIdx [i] [j] is an array derived based on the reference region layer index information decoded by the parameter set decoding unit 12, and is the VPS of the layer with which the j-th reference region offset information for layer i is associated Represents the inner index.
  • RRO [c] [r] is set to a value corresponding to the display area information of the reference layer R (intra-VPS index r).
  • the display area on the reference layer R is set as the default value of the reference area on the target layer C that is referred to in inter-layer prediction between the target layer C and the reference layer R. Is done.
  • the offsets that make up RRO [c] [r], RRLO [c] [r], RRTO [c] [r], RRRO [c] [r], RRBO [c] [r] are Based on the display area information of the reference layer R, the following formula is set.
  • RRLO [c] [r] conf_win_left_offset [r]
  • RRTO [c] [r] conf_win_top_offset [r]
  • RRRO [c] [r] conf_win_right_offset [r]
  • RRBO [c] [r] conf_win_bottom_offset [r]
  • conf_win_left_offset [r] conf_win_top_offset [r]
  • a flag (display area use control flag) indicating whether the reference area is set as a display area can be included in the parameter set, decoded by the parameter set decoding unit 12, and used for the corresponding reference position derivation process in the predicted image generation unit 1442. Any of the following can be used as the display area use control flag.
  • Display area use control flag A When the value of the display area use control flag A is 1, it indicates that the display area is used as a reference area in inter-layer prediction. When the value of the flag is 0, it indicates that the entire picture is used as a reference area in inter-layer prediction.
  • Display area use control flag B When the value of the display area use control flag B is 1, it indicates that the display area is used as a reference area in inter-layer prediction. When the value of the flag is 0, it indicates that the reference area specified by the reference area offset information is set as the reference area.
  • the display area use control flag A (use_conf_win_il_flag) is included in the SPS extension and is decoded or encoded as a 1-bit flag.
  • the reference layer reference area is set by the following procedure.
  • each offset value included in the display area information for specifying the display area of the reference layer is set as each offset of the reference layer reference area offset.
  • Using the display area use control flag as described above can control whether or not to use the display area as a reference area. Therefore, even when the display area is used for a different purpose from the reference area in the inter-layer prediction, the reference area in the inter-layer prediction can be avoided.
  • reference area position information (reference area offset information) is directly or indirectly associated with the two layer identification information. That is, a certain set of reference area position information is information indicating the shape and position of the reference area on the layer A and referred to in the inter-layer processing between the layer A and the layer B.
  • the reference area position information does not necessarily need to be included in the encoded data for all combinations of layer A and layer B, and the above-described layer A so that only the reference area position information relating to the required combination can be decoded from the encoded data.
  • layer identification information for specifying layer B may be used.
  • the possible range of layer B may be limited to the direct reference layer (direct reference layer) of layer A.
  • an index for the list of direct reference layers for layer A can be used as the layer identification information, thereby reducing the code amount of the layer identification information.
  • the range of layer B may be limited to a direct reference layer (active reference layer) that is effective in the picture including the slice header.
  • the layer identification information of layer B can use an index for a list of direct reference layers that are valid in the picture including the slice header.
  • FIG. 14 is a functional block diagram showing a schematic configuration of the hierarchical video encoding device 2.
  • the hierarchical video encoding device 2 encodes the input image PIN # T of the target layer with reference to the reference layer encoded data DATA # R to generate hierarchical encoded data DATA of the target layer. It is assumed that the reference layer encoded data DATA # R has been encoded in the hierarchical video encoding apparatus corresponding to the reference layer.
  • the hierarchical video encoding device 2 includes a NAL multiplexing unit 21, a parameter set encoding unit 22, a tile setting unit 23, a slice encoding unit 24, a decoded picture management unit 16, and a base decoding unit. 15.
  • the NAL multiplexer 21 generates NAL-multiplexed hierarchical moving image encoded data DATA by storing the input target layer encoded data DATA # T and reference layer encoded data DATA # R in the NAL unit. And output to the outside.
  • the parameter set encoding unit 22 sets parameter sets (VPS, SPS, and PPS) used for encoding the input image based on the input tile information and the input image, and sets the target layer encoded data DATA #. Packetized as a part of T in the format of VCL NAL and supplied to the NAL multiplexer 21.
  • the parameter set encoded by the parameter set encoding unit 22 includes at least the picture information, the display area information, and the reference area information described in relation to the hierarchical video decoding device 1.
  • the tile setting unit 23 sets the tile information of a picture based on the input image, and supplies it to the parameter set encoding unit 22 and the slice encoding unit 24. For example, tile information indicating that the picture size is divided into M ⁇ N tiles is set.
  • M and N are arbitrary positive integers.
  • the slice encoding unit 24 is a part of the input image corresponding to the slice constituting the picture. Is encoded to generate encoded data of the part, and the encoded data is supplied to the NAL multiplexer 21 as a part of the target layer encoded data DATA # T. Detailed description of the slice encoding unit 24 will be described later.
  • the decoded picture management unit 16 is the same component as the decoded picture management unit 16 included in the hierarchical video decoding device 1 already described. However, since the decoded picture management unit 16 included in the hierarchical video encoding device 2 does not need to output the picture recorded in the internal DPB as an output picture, the output can be omitted. Note that the description described as “decoding” in the description of the decoded picture management unit 16 of the hierarchical video decoding device 1 is also applied to the decoded picture management unit 16 of the hierarchical video encoding device 2 by replacing “coding”. it can.
  • the base decoding unit 15 is the same constituent element as the base decoding unit 15 included in the hierarchical video decoding device 1 already described, and detailed description thereof is omitted.
  • FIG. 15 is a functional block diagram showing a schematic configuration of the slice encoding unit 24.
  • the slice encoding unit 24 includes a slice header setting unit 241, a slice position setting unit 242, and a CTU encoding unit 244.
  • the CTU encoding unit 244 includes a prediction residual encoding unit 2441, a prediction image encoding unit 2442, and a CTU decoded image generation unit 1443 therein.
  • the slice header setting unit 241 generates a slice header used for encoding an input image input in units of slices based on the input parameter set and slice position information.
  • the generated slice header is output as a part of the slice encoded data, and is supplied to the CTU encoding unit 244 together with the input image.
  • the slice header generated by the slice header setting unit 241 includes at least SH slice position information.
  • the slice position setting unit 242 determines the slice position in the picture based on the input tile information and supplies the slice position to the slice header setting unit 241.
  • the CTU encoding unit 244 encodes an input image (target slice portion) in units of CTUs based on the input parameter set and slice header, and generates slice data and a decoded image (decoded picture) related to the target slice. Output.
  • the CTU encoding is performed by a prediction image encoding unit 2442, a prediction residual encoding unit 2441, and a CTU decoded image generation unit.
  • the prediction image encoding unit 2442 determines a prediction method and prediction parameters for the target CTU included in the target slice, generates a prediction image based on the determined prediction method, and generates a prediction residual encoding unit 2441 and a CTU decoded image. Output to the unit 1443.
  • Information on the prediction method and prediction parameters is variable-length encoded as prediction information (PT information) and output as a part of slice data included in the slice encoded data.
  • the prediction methods that can be selected by the prediction image encoding unit 2442 include at least inter-layer image prediction.
  • the predicted image encoding unit 2442 When inter-layer image prediction is selected as the prediction method, the predicted image encoding unit 2442 performs a corresponding reference position derivation process, determines a reference layer pixel position corresponding to the prediction target pixel, and performs interpolation based on the position A predicted pixel value is determined by processing.
  • the corresponding reference position derivation process each process described for the predicted image generation unit 1442 of the hierarchical video decoding device 1 can be applied. For example, the process of deriving the corresponding reference position based on the reference area information included in the parameter set described with reference to FIG. 1 is applied.
  • the prediction residual coding unit 2441 converts a quantized transform coefficient (TT information) obtained by transforming and quantizing a difference image between an input image and a predicted image into one piece of slice data included in the slice coded data. Output as part.
  • the prediction residual is restored by applying inverse transformation / inverse quantization to the quantized transform coefficient, and the restored prediction residual is output to the CTU decoded image generation unit 1443.
  • the CTU decoded image generation unit 1443 has the same function as the component of the same name of the hierarchical moving image decoding apparatus 1, the same reference numerals are given and description thereof is omitted.
  • the hierarchical video encoding device 2 (hierarchical image encoding device) according to the present embodiment described above includes a parameter set encoding unit 22 that encodes a parameter set and an inter-layer referring to a decoded pixel of a reference layer picture.
  • a prediction image encoding unit 2442 that generates a prediction image by prediction is provided.
  • the parameter set encoding unit 22 encodes the reference region information, and the predictive image encoding unit 2442 uses the target layer reference region offset derived from the reference region information and the value of the reference layer reference region information to generate pixels on the target layer.
  • the corresponding reference position for is derived.
  • the hierarchical moving image encoding device 2 is the same before and after the conversion even when converting the hierarchical encoded data for the purpose represented by the attention region extraction by appropriately setting the reference region information.
  • the same corresponding reference position can be derived for the pixels of the target layer corresponding to the position.
  • both the target area and the reference area of the reference layer used for the scale calculation are derived from the reference area information, a function for deriving the same corresponding reference position before and after conversion using fewer syntax elements than in the past. realizable.
  • FIG. 16 is a functional block diagram showing a schematic configuration of the hierarchically encoded data conversion device 3.
  • the hierarchical encoded data conversion device 3 converts the input hierarchical encoded data DATA to generate hierarchical encoded data DATA-ROI related to the input attention area information.
  • the hierarchically encoded data DATA is hierarchically encoded data generated by the hierarchical moving image encoding device 2. Also, by inputting the hierarchically encoded data DATA-ROI to the hierarchical video decoding device 1, it is possible to reproduce the upper layer video related to the attention area information.
  • the hierarchical encoded data conversion device 3 includes a NAL demultiplexing unit 11, a NAL multiplexing unit 21, a parameter set decoding unit 12, a tile setting unit 13, a parameter set modification unit 32, and a NAL selection unit 34. including.
  • Each of the NAL demultiplexing unit 11, the parameter set decoding unit 12, and the tile setting unit 13 has the same function as the component of the same name included in the hierarchical video decoding device 1, and therefore, the same reference numerals are given and description thereof is omitted. To do.
  • the NAL multiplexing unit 21 has the same function as the component of the same name included in the hierarchical video encoding device 2, the same reference numeral is given and the description is omitted.
  • the parameter set correction unit 32 corrects and outputs the input parameter set information based on the input attention area information and tile information.
  • the parameter set correction unit 32 generally corrects picture information, display area information, inter-layer pixel correspondence information, reference area information, and PPS tile information included in the parameter set.
  • the attention area information is a partial area of a picture specified by a user (for example, a viewer of a reproduction moving image) in a picture constituting the moving image.
  • the attention area information is specified by a rectangular area, for example.
  • an offset of a position from the corresponding side (upper side, lower side, left side, or right side) of the entire picture of the upper side, the lower side, the left side, and the right side of the rectangle representing the target region can be designated as the attention region information.
  • an area having a shape other than a rectangle for example, a circle, a polygon, or an area indicating an object extracted by object extraction
  • a rectangular attention area is assumed below. To do.
  • a rectangle with the smallest area including the region of interest can be regarded as the region of interest in the following description.
  • FIG. 17 is a diagram illustrating the relationship among pictures, attention areas, and tiles in hierarchically encoded data before and after conversion.
  • hierarchical encoded data pre-conversion hierarchical encoded data
  • hierarchical encoded data post-conversion hierarchical encoded data
  • the enhancement layer of the pre-conversion hierarchical encoded data is data corresponding to the pre-conversion EL picture
  • the base layer is data corresponding to the pre-conversion BL picture
  • the enhancement layer of the post-conversion hierarchically encoded data is data corresponding to the post-conversion EL picture
  • the base layer is data corresponding to the post-conversion BL picture.
  • the hierarchical encoded data conversion apparatus 3 removes tiles that do not have a region of interest and an overlapping region on the enhancement layer from the input pre-conversion hierarchically encoded data, and corrects the related parameter set. Then, the encoded hierarchical encoded data is generated.
  • the hierarchical moving image decoding apparatus can generate a decoded image related to a region of interest with the converted hierarchical encoded data as an input.
  • the parameter set correction unit 32 refers to the input attention area information and tile information, and sets the PPS tile information of the enhancement layer so that only a tile (extraction target tile) in which a part of the corresponding area overlaps the attention area is included. Update. Update the PPS tile information of the enhancement layer based on the information of the extraction target tile. First, when there is one extraction target tile, tiles_enabled_flag is corrected to 0. If there are two or more extraction target tiles, the correction process can be omitted. Next, the number of tile rows (num_tile_columns_minus1) and the number of tile columns (num_tile_rows_minus1) are corrected based on the number of extraction target tiles included in the horizontal and vertical directions of the picture.
  • the bit string corresponding to the syntax related to the width of the tile column not including the extraction target tile and the height of the tile row not including the extraction target tile is set as a parameter. Remove from set.
  • the parameter set correction unit 32 removes tiles unnecessary for decoding the tile extracted in the enhancement layer from the tiles included in the pre-conversion BL picture.
  • the base layer PPS tile information is updated so that the region on the enhancement layer corresponding to the converted BL picture (the converted reference layer corresponding region) includes the converted EL picture.
  • the parameter set correction unit 32 corrects the picture information with the region corresponding to the set of extraction target tiles of the enhancement layer as the converted EL picture size.
  • the width and height of the converted EL picture are set as values of pic_width_in_luma_samples and pic_height_in_luma_samples of the enhancement layer SPS, respectively.
  • the parameter set correction unit 32 corrects the picture information with the region corresponding to the set of base layer extraction target tiles as the converted BL picture size.
  • the width and height of the BL picture after conversion are set as pic_width_in_luma_samples and pic_height_in_luma_samples values of the base layer SPS, respectively.
  • the parameter set correction unit 32 corrects the inter-layer pixel correspondence information included in the parameter set based on the change in the picture size. Specifically, the reference area offset included in the inter-layer pixel correspondence information is corrected.
  • the layer identifier of the enhancement layer is e and the layer identifier of the base layer is b.
  • Reference region left offset ref_region_right_offset [e] [k] for the reference region on layer e included in the reference region offset which is referred to in inter-layer prediction between layers e and b
  • the reference area offset values corresponding to the other upper, right, and lower are similarly set.
  • the parameter set correction unit 32 rewrites the display area information of the SPS included in the input parameter set so as to match the attention area indicated by the input attention area information.
  • the display area information is rewritten by, for example, the following steps S301 to S303.
  • Each offset of the display area offset is set to the offset value of the position of each side of the rectangle representing the attention area with the corresponding side of the picture. For example, the position offset of the upper side of the attention area with respect to the upper side of the picture is set to the value of the display area upper offset (conf_win_top_offset). If the value of the display area flag before rewriting is 1, the original attention area offset value is overwritten using the attention area offset value set above. When the value of the display area flag before rewriting is 1, the set attention area offset is inserted immediately after the SPS display area flag.
  • the NAL selection unit 34 selects an input video encoding layer NAL (VCL NAL) based on the input attention area information and tile information.
  • VCL NAL input video encoding layer NAL
  • the selected VCL NAL is sequentially output to the NAL multiplexing unit 21, and the unselected VCLALNAL is discarded.
  • the VCL NAL selected by the NAL selection unit 34 is a VCL NAL including a slice header and slice data related to a slice included in the extraction target tile.
  • the NAL selection unit 34 determines whether the slice is included in the extraction target tile from the slice address and tile information included in the slice header. If included, the NAL selection unit 34 selects the VCL NAL including the slice. If not, discard the VCL NAL.
  • Hierarchical coded data conversion process flow The hierarchical encoded data conversion process by the hierarchical encoded data conversion device 3 is realized by sequentially executing the procedures shown in S501 to S506.
  • the NAL demultiplexing unit 11 demultiplexes the input hierarchical encoded data DATA.
  • the part related to the parameter set (non-VCL NAL) is output to the parameter decoding unit 12, and the video coding layer NAL (VCL NAL) that is the part related to the slice layer (slice header, slice data) is output to the NAL selection unit 34. .
  • the parameter set decoding unit 12 decodes the parameter set (VPS, SPS, PPS) from the input non-VCL NAL and outputs it to the parameter set correction unit 32 and the tile setting unit 13.
  • the tile setting unit 13 derives tile information from the input parameter set, and outputs the tile information to the parameter set correction unit 32 and the NAL selection unit 34.
  • the parameter set correction unit 32 corrects and outputs the parameter set input based on the input attention area information and tile information.
  • the NAL selection unit 34 selects a part of the input VCL NAL based on the input tile information and attention area information, and outputs the selected VCL NAL to the NAL multiplexing unit 21.
  • the NAL multiplexing unit 21 receives the input reference layer encoded data DATA # R as the encoded data of the target layer after correction of the corrected parameter set, the corrected slice header, and the slice data. And output to the outside as hierarchically encoded data DATA-ROI.
  • the hierarchically encoded data conversion device 3 based on attention area information, a part of the encoded data (VCL NAL) of the video layer included in the encoded data of the target layer (upper layer).
  • a NAL selection unit 34 to be corrected and a parameter set correction unit 32 are provided.
  • the NAL selection unit 34 selects, as an extraction target tile, a tile having an area overlapping with the attention area based on the attention area indicated by the attention area information, and the code of the video layer related to the slice included in the selected extraction target tile
  • the encoded data is included in the converted hierarchical encoded data.
  • the parameter set correction unit 32 corrects the picture information, the PPS tile information, the display information, and the reference area information based on the attention area information and the tile information.
  • the input hierarchical encoded data is converted, and the VCL NAL related to the extraction target tile (the tile having the area overlapping the attention area) is extracted in the upper layer.
  • the hierarchical encoded data after conversion can be configured. Since the VCL NAL related to the tile having no overlap area with the attention area is discarded, the code amount of the hierarchically encoded data after conversion is smaller than that of the hierarchically encoded data before conversion.
  • the hierarchically encoded data after conversion since the parameter set is modified to match picture information, PPS tile information, and display information in accordance with the extraction target tile, the hierarchically encoded data after conversion is a hierarchical moving image.
  • the decoding device can be decoded by the decoding device, and a decoded picture related to the region of interest can be displayed.
  • the reference area information is corrected, the correspondence relationship between the scale, the upper layer pixel, and the reference layer pixel is maintained in the hierarchically encoded data before and after conversion. Therefore, the prediction image of inter-layer prediction generated from the encoded data before conversion and the prediction image of inter-layer prediction generated from the encoded data after conversion can be maintained at the same level.
  • a system that displays attention area information can be configured by combining the above-described hierarchical moving picture decoding apparatus 1, hierarchical moving picture encoding apparatus 2, and hierarchical encoded data conversion apparatus 3.
  • FIG. 18 is a block diagram illustrating a configuration of a region of interest display system that is a combination of the hierarchical video decoding device 1, the hierarchical video encoding device 2, and the hierarchical encoded data conversion device 3.
  • the attention area display system SYS is generally provided by hierarchically encoding and storing input images having different qualities, and converting and providing the hierarchically encoded data accumulated according to attention area information from the user, By decoding the converted hierarchically encoded data, a high-quality reproduced image related to the region of interest (ROI) is displayed.
  • ROI region of interest
  • the attention area display system SYS includes a hierarchical video encoding unit SYS1A, a hierarchical video encoding unit SYS1B, a hierarchical encoded data storage unit SYS2, a hierarchical encoded data conversion unit SYS3, and a hierarchical video decoding.
  • the unit SYS4, the display unit SYS6, and the ROI notification unit SYS8 are included as components.
  • the hierarchical video encoding device 2 described above can be used for the hierarchical video encoding units SYS1A and SYS1B.
  • the hierarchically encoded data storage unit SYS2 stores hierarchically encoded data and supplies the hierarchically encoded data as required.
  • a computer having a recording medium (memory, hard disk, optical disk) can be used as the hierarchically encoded data storage unit SYS2.
  • the hierarchical encoded data conversion unit 3 can be used as the hierarchical encoded data conversion unit SYS3. Therefore, the hierarchical encoded data conversion unit SYS3 can set the reference area information included in the input hierarchical encoded data to an appropriate value according to the input attention area.
  • the hierarchical video decoding device 1 described above can be used for the hierarchical video decoding unit SYS4. Therefore, the hierarchical video decoding unit SYS4 can decode the reference area information from the parameter set and perform inter-layer prediction with reference to the reference area information.
  • the display unit SYS6 displays the decoded image at a predetermined display position in a predetermined display area.
  • the display area is a television screen, and the display position is the whole.
  • the display unit SYS6 preferably displays the input decoded image in an enlarged or reduced size so as to match the size of the display area.
  • the ROI notification unit SYS8 notifies attention area information designated by the user by a predetermined method. For example, the user can inform the ROI notification unit of the attention area by designating an area corresponding to the attention area on the display area where the entire display image is displayed. Note that the ROI notification unit SYS8 notifies information indicating that there is no attention area as attention area information when there is no user designation.
  • Processing by the attention area display system can be divided into hierarchical encoded data generation and accumulation processing and attention area data generation and reproduction processing.
  • hierarchical encoded data generation and accumulation process hierarchical encoded data is generated and stored from different quality input images.
  • the hierarchically encoded data generation / accumulation process is executed in the sequence from T101 to T103.
  • the hierarchical moving image encoding unit SYS1B encodes the input low-quality input image and supplies the generated hierarchical encoded data to the hierarchical moving image encoding unit SYS1A. That is, the hierarchical moving image encoding unit SYS1B generates and outputs hierarchical encoded data used as a reference layer (lower layer) in the hierarchical moving image encoding unit SYS1A from the input image.
  • the hierarchical moving image encoding unit SYS1A encodes the input high-quality input image using the input hierarchical encoded data as encoded data of the reference layer, generates hierarchical encoded data, and generates a hierarchical code Output to the digitized data storage unit SYS2.
  • the hierarchically encoded data storage unit SYS2 attaches an appropriate index to the input hierarchically encoded data and records it on an internal recording medium.
  • the hierarchically encoded data is read from the hierarchically encoded data storage unit SYS2, converted into hierarchically encoded data corresponding to the attention area, and the converted hierarchically encoded data is decoded and reproduced and displayed. .
  • the attention area data generation / reproduction processing is executed in the following steps T201 to T205.
  • T201 The hierarchically encoded data related to the moving image selected by the user is supplied from the hierarchically encoded data storage unit SYS2 to the hierarchically encoded data conversion unit SYS3.
  • the ROI notification unit SYS8 notifies the hierarchical encoded data conversion unit SYS3 of the attention area information designated by the user.
  • the hierarchical encoded data conversion unit SYS3 converts the input hierarchical encoded data based on the input attention area information, and outputs the converted hierarchical encoded data to the hierarchical video decoding unit SYS4.
  • the hierarchical video decoding unit SYS4 decodes the input hierarchical video encoded data (after conversion), and outputs the obtained decoded picture of the upper layer to the display unit SYS6.
  • the display unit SYS6 displays the input decoded image.
  • the attention area display system SYS includes an attention area notification section (ROI notification section SYS8) that supplies attention area information, and converts the hierarchically encoded data based on the attention area information and after conversion.
  • ROI notification section SYS8 that supplies attention area information, and converts the hierarchically encoded data based on the attention area information and after conversion.
  • a hierarchical encoded data conversion unit SYS3 that generates hierarchical encoded data
  • a hierarchical moving image decoding unit SYS4 that decodes the converted hierarchical encoded data and outputs decoded pictures of an upper layer and a lower layer
  • a display unit SYS6 I have.
  • the decoded picture of the area specified by the attention area information can be displayed.
  • the decoded picture of the region specified by the attention region information is subjected to inter-layer image prediction using the scale derived from the encoded data of the upper layer of the hierarchical encoded data and the corresponding reference position based on the reference region information. Since it is used and decoded, the image quality is high.
  • the hierarchically encoded data converted based on the attention area has a smaller code amount than the hierarchically encoded data before conversion. Therefore, by using the attention area display system SYS described above, it is possible to reproduce a decoded picture with high image quality related to the attention area while reducing the bandwidth required for transferring the hierarchically encoded data.
  • Hierarchical video decoding device 3 A schematic configuration of the hierarchical video decoding device 3 will be described.
  • Hierarchical video decoding device 3 is configured by replacing parameter set decoding unit 12 with parameter set decoding unit 12A and slice decoding unit 14 with slice decoding unit 14A in hierarchical video decoding device 1 described with reference to FIG. It is. That is, the hierarchical video decoding device 3 includes a NAL demultiplexing unit 11, a parameter set decoding unit 12A, a tile setting unit 13, a slice decoding unit 14A, a base decoding unit 15, and a decoded picture management unit 16.
  • parameter decoding unit 12A and slice decoding unit 14A which are new components, will be described.
  • the parameter set decoding unit 12A decodes the inter-layer position correspondence information from the input target layer encoded data.
  • the inter-layer position correspondence information schematically indicates the positional relationship between corresponding areas of the target layer and the reference layer. For example, when an object (object A) in a picture of the target layer and a picture of the reference layer is included, an area corresponding to the object A on the picture of the target layer and an area corresponding to the object A on the picture of the reference layer , Corresponding to the regions corresponding to the target layer and the reference layer.
  • the inter-layer position correspondence information may not necessarily be information that accurately indicates the positional relationship between the corresponding regions of the target layer and the reference layer, but generally, in order to improve the accuracy of inter-layer prediction.
  • the correct positional relationship between the corresponding layers of the target layer and the reference layer is shown.
  • the inter-layer position correspondence information includes expanded reference layer offset information, reference layer offset information, and inter-layer phase information.
  • Inter-layer position correspondence information Extended reference layer offset information
  • the information for specifying the enlarged reference layer offset is included in the inter-layer position correspondence information.
  • a plurality of extended reference layer offsets can be included in the encoded data, and each extended reference layer offset is composed of four offsets corresponding to left, upper, right, and lower, respectively, the target picture, and the reference It is associated with a combination of two pictures.
  • information defining the corresponding expanded reference layer offset for each combination of the target picture and a specific reference picture is included in the inter-layer position correspondence information. Note that it is not always necessary to include information defining the reference layer offset for all combinations of the target picture and the reference picture, and a predetermined value can be used by omitting some combinations under specific conditions. .
  • FIG. 21 is a diagram illustrating the relationship between the target layer picture, the reference layer picture, and the inter-layer pixel corresponding offset.
  • FIG. 21 (a) shows an example in which the entire picture of the reference layer corresponds to a part of the picture of the target layer.
  • an area on the target layer corresponding to the entire reference layer picture (target layer corresponding area) is included in the target layer picture.
  • FIG. 21B illustrates an example in which a part of the reference layer picture corresponds to the entire picture of the target layer.
  • the target layer picture is included inside the reference layer corresponding area. Note that the entire target layer picture includes an offset.
  • the enlarged reference layer left offset represents the offset of the left side of the reference layer corresponding area with respect to the left side of the target layer picture.
  • SRL left offset When the SRL left offset is larger than 0, it indicates that the left side of the reference layer corresponding area is located on the right side of the left side of the target layer picture.
  • the enlarged reference layer offset (in the figure, SRL offset) represents the offset of the upper side of the reference layer corresponding area with respect to the upper side of the target layer picture.
  • SRL offset represents the offset of the upper side of the reference layer corresponding area with respect to the upper side of the target layer picture.
  • the enlarged reference layer right offset represents the offset of the right side of the reference layer corresponding area to the right side of the target layer picture.
  • SRL right offset When the SRL right offset is larger than 0, it indicates that the right side of the reference layer corresponding region is located on the left side of the right side of the target layer picture.
  • the enlarged reference layer lower offset represents an offset of the lower side of the reference layer corresponding area to the lower side of the target layer picture.
  • SRL lower offset When the SRL lower offset is larger than 0, it indicates that the lower side of the reference layer corresponding region is located above the lower side of the target layer picture.
  • the inter-layer position correspondence information includes information that defines a reference layer offset (reference layer offset information).
  • a plurality of reference layer offsets can be included in the encoded data, and each reference layer offset is composed of four offsets corresponding to left, top, right, and bottom, respectively, and the target picture and reference picture Associated with a combination of two pictures.
  • a corresponding reference layer offset can be included in the inter-layer pixel correspondence information.
  • the reference layer left offset represents the offset of the left side of the reference layer standard area with respect to the left side of the reference layer picture.
  • the offset value is greater than 0, it means that the left side of the reference layer base area is located on the right side of the left side of the reference layer picture.
  • the reference layer upper offset represents an offset of the upper side of the reference layer standard area with respect to the upper side of the reference layer picture. When the offset value is greater than 0, it indicates that the upper side of the reference layer base area is located below the upper side of the reference layer picture.
  • the reference layer right offset represents an offset of the right side of the reference layer base area with respect to the right side of the reference layer picture.
  • the offset value is larger than 0, it means that the right side of the reference layer base area is located on the left side of the right side of the reference layer picture.
  • the reference layer lower offset represents an offset of the lower side of the reference layer standard area with respect to the lower side of the reference layer picture. When the offset value is greater than 0, this indicates that the lower side of the reference layer base area is located above the lower side of the reference layer picture.
  • Inter-layer position correspondence information phase information between layers
  • the information on the phase difference between layers is included in the phase information between layers.
  • a plurality of inter-phase phases can be included in the encoded data, and each inter-phase phase offset is composed of four offsets in the luminance horizontal direction, luminance vertical direction, color difference horizontal direction, and color difference vertical direction.
  • the picture and the reference picture are associated with a combination of two pictures. In other words, for each combination of the target picture and a specific reference picture, the corresponding inter-layer phase offset may be included in the inter-layer pixel correspondence information.
  • the inter-layer phase luminance horizontal offset represents a horizontal shift of less than one pixel between the upper left pixel of the reference layer corresponding region and the pixel on the reference layer corresponding to the pixel on the luminance image of the target layer.
  • the inter-layer phase luminance vertical offset represents a vertical shift of less than one pixel between the upper left pixel of the reference layer corresponding region and the pixel on the reference layer corresponding to the pixel on the luminance image of the target layer.
  • the inter-layer phase color difference horizontal offset represents a horizontal shift of less than one pixel between the upper left pixel of the reference layer corresponding region and the pixel on the reference layer corresponding to the pixel on the color difference image of the target layer.
  • the inter-layer phase color difference vertical offset represents a vertical shift of less than one pixel between the upper left pixel of the reference layer corresponding region and the pixel on the reference layer corresponding to the pixel on the color difference image of the target layer.
  • the expanded reference layer offset information, the reference layer offset information, and the inter-layer phase offset information are included in, for example, a PPS extension (pps_estension) that is a part of the PPS of the higher layer, and follow the syntax table shown in FIG. Decrypted.
  • FIG. 22 is a part of a syntax table that the parameter set decoding unit 12A refers to when performing PPS decoding, and is a part related to inter-layer pixel correspondence information.
  • the extended reference layer offset information decoded from the PPS includes the number of extended reference layer offsets (num_scaled_ref_layer_offsets) included in the PPS extension.
  • the number of extended reference layer offsets indicated by the number of extended reference layer offsets is included together with the reference layer identifier.
  • the reference layer identifier (ref_layer_id) is an identifier indicating a reference layer to which a subsequent extended reference layer offset is associated.
  • the inter-layer pixel corresponding offset includes an enlarged reference layer left offset (scaled_ref_layer_left_offset), an enlarged reference layer upper offset (scaled_ref_layer_top_offset), an enlarged reference layer right offset (scaled_ref_layer_right_offset), and an enlarged reference layer lower offset (scaled_ref_layer_bottom_offset).
  • scaled_ref_layer_left_offset, scaled_ref_layer_top_offset, scaled_ref_layer_right_offset, and scaled_ref_layer_bottom_offset are collectively referred to as an enlarged reference layer offset syntax.
  • the array reference “[ref_layer_id [i]]” is added after the expanded reference layer offset syntax because the expanded reference layer offset syntax is indicated by ref_layer_id [i]. Indicates that it is associated with a reference layer.
  • the parameter set decoding unit 12A decodes the value of the extended reference layer offset syntax by decoding the code of the signed exponent Golomb code (se (v)) from the encoded data.
  • the signed exponent Golomb code specifically, a code with the same name defined in HEVC can be used.
  • the value of the decoded expanded reference layer offset syntax is in units of chrominance pixels of the target picture.
  • the value of each extended reference layer offset corresponding to the reference layer is set to 0.
  • the reference layer offset information decoded from the PPS includes a reference layer offset information presence / absence flag (ref_layer_offset_present_flag) that is a flag indicating whether or not the reference layer offset information associated with the reference layer indicated by the layer identifier “ref_layer_id [i]” is present in the PPS. )including.
  • a reference layer offset information presence / absence flag (ref_layer_offset_present_flag [i]) having an array index of “i” is 1, each reference associated with the layer (target layer) to which the slice that refers to the PPS belongs to the PPS and the reference layer Layer offset is included.
  • a reference layer left offset (ref_layer_left_offset), a reference layer upper offset (ref_layer_top_offset), a reference layer right offset (ref_layer_right_offset), and a reference layer lower offset (ref_layer_bottom_offset) are included.
  • ref_layer_left_offset, ref_layer_top_offset, ref_layer_right_offset, and ref_layer_bottom_offset are collectively referred to as a reference layer offset syntax.
  • the parameter set decoding unit 12A decodes the value of the reference layer offset syntax by decoding the code of the signed exponential Golomb code (se (v)) from the encoded data.
  • the value of the decoded reference layer offset syntax is based on the chrominance pixel of the reference layer picture associated with the reference layer offset syntax through the reference layer identifier.
  • the reference layer offset syntax corresponding to a specific reference layer does not exist in the encoded data, the value of each reference layer offset corresponding to the reference layer is set to 0.
  • the inter-layer phase offset information is a flag indicating whether or not the inter-layer phase offset information associated with the reference layer indicated by the layer identifier “ref_layer_id [i]” is present in the PPS.
  • a flag (resample_phase_present_flag) is included.
  • phase_hor_luma an inter-layer phase luminance horizontal offset
  • phase_ver__luma an inter-layer phase luminance vertical offset
  • phase_hor_chroma an inter-layer phase color difference horizontal offset
  • phase_ver_chroma an inter-layer phase color difference vertical offset
  • phase_ver_chroma an inter-layer phase color difference vertical offset
  • the parameter set decoding unit 12A decodes the code of the signless exponential Golomb code (ue (v)) from the encoded data, thereby decoding the value of the inter-layer phase offset syntax. Note that when the inter-layer phase offset syntax corresponding to a specific reference layer does not exist in the encoded data, the value of the inter-layer phase offset corresponding to the reference layer is set to 0.
  • the inter-layer position correspondence information decoded from the PPS in the parameter set decoding unit 12A described with reference to the syntax table of FIG. 22 has the following characteristics.
  • a reference layer identifier for selecting one of the reference layers is included in the PPS, and an extended reference layer offset syntax, a reference layer offset syntax, and an inter-layer phase offset syntax associated with the same reference layer identifier are It is continuously included in the encoded data.
  • the PPS includes ref_layer_id [i] and has the same array index “[ref_layer_id [i]]”, the expanded reference layer offset syntax, the reference layer offset syntax, and the inter-layer phase offset syntax.
  • the tax is continuously included in the encoded data.
  • presence / absence flags of each offset information may be included, and some offsets may be included depending on the value of the presence / absence flag. It may be omitted. Also, the order in the encoded data of the expanded reference layer offset syntax, the reference layer offset syntax, and the inter-layer phase offset syntax associated with the same reference layer identifier does not necessarily have to be the order described above. It may be replaced.
  • the extended reference layer offset syntax, the reference layer offset syntax, and the inter-layer phase offset syntax associated with the same reference layer identifier are continuously included in the encoded data, so that each offset type In each case, it is possible to decode the inter-layer position correspondence information from the encoded data with a small code amount, as compared with the case of decoding the number of offsets and the identifier of the associated reference layer.
  • the parameter set decoding unit 12A decodes a first reference layer identifier (ref_layer_id [i]) indicating a specific reference layer, and the extended reference layer offset syntax associated with the first reference layer identifier. Less decoding by successively decoding the reference layer offset syntax associated with the first reference layer identifier and the inter-layer phase offset syntax associated with the first reference layer identifier from encoded data Inter-layer position information can be decoded from encoded data of a code amount.
  • the inter-layer position correspondence information includes a reference layer offset information presence / absence flag, it is possible to reduce the amount of codes when it is not necessary to explicitly transmit the reference layer offset. Since the reference layer offset has a characteristic that the ratio of applying the default value is high, the average code amount can be reduced by using the inter-reference layer offset information presence / absence flag.
  • the inter-layer position correspondence information includes an inter-layer phase offset information presence / absence flag, it is possible to reduce the amount of codes when it is not necessary to explicitly transmit the inter-layer phase offset. Since an inter-layer phase offset has a characteristic that a ratio of applying a default value is high, an average code amount can be reduced by using an inter-layer phase offset information presence / absence flag.
  • the slice decoding unit 14A has the same configuration and function as the slice decoding unit 14 described with reference to FIG. The difference between the two is that the slice decoding unit 14A includes a predicted image generation unit 1443A instead of the predicted image generation unit 1442 included in the slice decoding unit 14.
  • the predicted image generation unit 1443A executes the corresponding reference position derivation process according to the following steps S401 to S409 based on the inter-layer position correspondence information when executing the predicted image generation process when the inter-layer prediction is selected.
  • (S401) It is determined whether the target of predicted image generation processing is a luminance pixel or a color difference pixel. If the target is a luminance pixel, S402 is executed. If the target is a color difference pixel, S404 is executed.
  • the extended reference layer offset is derived from the value of the extended reference layer offset syntax corresponding to the reference layer decoded by the parameter set decoding unit 12A.
  • the derived extended reference layer offset related to the reference layer (layer R) is referred to as SRLO [r].
  • SRLO [r] the expanded reference layer offsets and symbols corresponding to left, top, right, and bottom that constitute SRLO [r] are defined as follows.
  • Extended reference layer left offset SRLLO [r]
  • Extended reference layer offset SRLTO [r]
  • Extended reference layer right offset SRLRO [r]
  • Extended reference layer lower offset SRLBO [r]
  • SRLLO (scaled_ref_layer_left_offset [r] * SubWidthC)
  • SRLTO (scaled_ref_layer_top_offset [r] * SubHeightC)
  • SRLRO (scaled_ref_layer_right_offset [r] * SubWidthC)
  • SRLBO (scaled_ref_layer_bottom_offset [r] * SubHeightC)
  • SubWidthC and SubHeightC are a luminance color difference width ratio and a luminance color difference height ratio derived from the color format associated with the target layer.
  • the above derivation process of the extended reference layer offset can be expressed as follows.
  • the target of the predicted image generation process is a luminance pixel
  • enlargement is performed by multiplying the value of the enlarged reference layer offset syntax by the luminance color difference size ratio (luminance color difference width ratio or luminance color difference height ratio) in the target layer.
  • luminance color difference size ratio luminance color difference width ratio or luminance color difference height ratio
  • a reference layer offset on the reference layer (layer r) is derived.
  • the reference layer offset is composed of four offsets (RLLO, RLTO, RLRO, and RLBO in order) corresponding to left, top, right, and bottom, respectively, and is derived from the following equation based on the value of the reference layer offset syntax.
  • RefSubWidthC and RefSubHeightC are luminance color difference size ratios derived from the color format associated with the reference layer.
  • the value of SubWidthC derived based on the color format of the reference layer is set to RefSubWidthC
  • the value of SubHeightC derived based on the color format of the reference layer is set to RefSubHeightC.
  • the above reference layer offset derivation process can be expressed as follows. That is, when the target of the predicted image generation process is a luminance pixel, the reference layer offset is derived from the product of the reference layer offset syntax value and the luminance / color difference size ratio in the reference layer. Next, S406 is executed.
  • Each offset, SRLLO, SRLTO, SRLRO, SRLBO constituting SRLO [j] described in S402 is derived by the following calculation based on the value of the corresponding expanded reference layer offset syntax.
  • SRLLO scaled_ref_layer_left_offset [r]
  • SRLTO scaled_ref_layer_top_offset [r]
  • SRLRO scaled_ref_layer_right_offset [r]
  • SRLBO scaled_ref_layer_bottom_offset [r]
  • the reference layer offset derivation process can be expressed as follows. That is, when the target of the predicted image generation process is a chrominance pixel, the reference layer offset syntax value is derived as the reference layer offset value. Next, S406 is executed.
  • the size of the expanded reference layer is derived based on the expanded reference layer offset derived in S402 or S404 and the target layer picture size.
  • the width (SRLW) and height (SRLH) of the expanded reference layer are derived from the following equations based on the width (CL_PICW) and height (CL_PICH) of the target layer picture, respectively.
  • SRLW CL_PICW-(SRLLO + SRLRO)
  • SRLH CL_PICH-(SRLTO + SRLBO) That is, according to the above equation, the width of the expanded reference layer on the target layer is derived by subtracting the sum of the expanded reference layer left offset and the expanded reference layer right offset from the width of the target layer picture. The same applies to the height of the enlarged reference layer on the target layer.
  • S407 is executed. It should be noted that the sum of offsets in the above equation is subtracted when the enlarged reference layer (reference layer corresponding area in the figure) is inside the target layer picture, as shown in FIG. 21 (a). This is because the sign of the offset is defined so that the value becomes positive.
  • the size of a region (reference layer reference region) serving as a reference for scale calculation on the reference layer is derived.
  • the width (RLW) and height (RLH) of the reference layer reference region are derived from the following equations based on the width (RL_PICW) and height (RL_PICH) of the reference layer picture, respectively.
  • the width of the reference layer standard region is derived by subtracting the sum of the reference layer left offset and the reference layer right offset from the reference layer picture width. The same applies to the height of the reference layer standard region.
  • a scale used for inter-layer prediction is derived based on the size of the enlarged reference layer derived in S406 and the size of the reference layer standard region derived in S407.
  • the horizontal scale sx and the vertical scale sy are derived by the following equations, respectively.
  • phase_hor_luma [r] is set as the value of phaseX
  • phase_ver_luma [r] is set as the value of phaseY.
  • the target pixel is a color difference pixel
  • the value of phase_hor_chroma [r] is set in phaseX
  • the value of phase_ver_chroma [r] is set in phaseY.
  • the reference pixel position is calculated based on the expanded reference layer offset, the reference layer offset, the inter-layer phase offset, and the scale.
  • the derived reference pixel position with 1/16 pixel accuracy is set as the corresponding reference position, and the corresponding reference position deriving process is terminated.
  • the pixel value at the position corresponding to the corresponding reference position derived in the corresponding reference position deriving process is applied to the decoded pixels of the pixels near the corresponding reference position on the reference layer picture. Generate.
  • Modification 5 Extended reference layer offset information presence / absence flag
  • the expanded reference layer offset information presence / absence flag (scaled_ref_layer_offset_prsent_flag) is a flag indicating whether or not the expanded reference layer offset information exists in the PPS.
  • the expanded reference layer offset information presence / absence flag (scaled_ref_layer_offset_present_flag [i]) corresponding to the array index i is the syntax (scaled_ref_layer_left_offset [ref_layer_id [i], scaled_ref_layer_top_offset) of the expanded reference layer offset corresponding to the reference layer whose layer identifier is ref_layer_id [i].
  • a syntax table including a layer offset information presence / absence flag and an inter-layer phase offset presence / absence flag may be used in the inter-layer position correspondence information.
  • the layer offset information presence / absence flag (layer_offset_present_flag) is a flag indicating the presence of the expanded reference layer offset information and the reference layer offset information in the PPS.
  • the layer offset information presence / absence flag (layer_offset_present_flag [i]) corresponding to the array index i is present in the encoded data of the extended reference layer offset and the reference layer offset syntax corresponding to the reference layer whose layer identifier is ref_layer_id [i] When the value is 1, it indicates that the syntax exists, and when the value is 0, the syntax does not exist.
  • the above-described hierarchical video encoding device 2 and hierarchical video decoding device 1 can be used by being mounted on various devices that perform transmission, reception, recording, and reproduction of moving images.
  • the moving image may be a natural moving image captured by a camera or the like, or may be an artificial moving image (including CG and GUI) generated by a computer or the like.
  • FIG. 19A is a block diagram illustrating a configuration of a transmission device PROD_A in which the hierarchical video encoding device 2 is mounted.
  • the transmission device PROD_A modulates a carrier wave with an encoding unit PROD_A1 that obtains encoded data by encoding a moving image and the encoded data obtained by the encoding unit PROD_A1.
  • a modulation unit PROD_A2 that obtains a modulation signal and a transmission unit PROD_A3 that transmits the modulation signal obtained by the modulation unit PROD_A2 are provided.
  • the hierarchical moving image encoding apparatus 2 described above is used as the encoding unit PROD_A1.
  • the transmission device PROD_A is a camera PROD_A4 that captures a moving image, a recording medium PROD_A5 that records the moving image, an input terminal PROD_A6 that inputs the moving image from the outside, as a supply source of the moving image input to the encoding unit PROD_A1.
  • An image processing unit A7 that generates or processes an image may be further provided.
  • FIG. 19A illustrates a configuration in which the transmission apparatus PROD_A includes all of these, but a part of the configuration may be omitted.
  • the recording medium PROD_A5 may be a recording of a non-encoded moving image, or a recording of a moving image encoded by a recording encoding scheme different from the transmission encoding scheme. It may be a thing. In the latter case, a decoding unit (not shown) for decoding the encoded data read from the recording medium PROD_A5 according to the recording encoding method may be interposed between the recording medium PROD_A5 and the encoding unit PROD_A1.
  • FIG. 19 is a block diagram illustrating a configuration of the receiving device PROD_B in which the hierarchical video decoding device 1 is mounted.
  • the receiving device PROD_B includes a receiving unit PROD_B1 that receives a modulated signal, a demodulating unit PROD_B2 that obtains encoded data by demodulating the modulated signal received by the receiving unit PROD_B1, and a demodulator.
  • a decoding unit PROD_B3 that obtains a moving image by decoding the encoded data obtained by the unit PROD_B2.
  • the above-described hierarchical video decoding device 1 is used as the decoding unit PROD_B3.
  • the receiving device PROD_B has a display PROD_B4 for displaying a moving image, a recording medium PROD_B5 for recording the moving image, and an output terminal for outputting the moving image to the outside as a supply destination of the moving image output by the decoding unit PROD_B3.
  • PROD_B6 may be further provided.
  • FIG. 19B illustrates a configuration in which the reception apparatus PROD_B includes all of these, but a part of the configuration may be omitted.
  • the recording medium PROD_B5 may be used for recording a non-encoded moving image, or may be encoded using a recording encoding method different from the transmission encoding method. May be. In the latter case, an encoding unit (not shown) for encoding the moving image acquired from the decoding unit PROD_B3 according to the recording encoding method may be interposed between the decoding unit PROD_B3 and the recording medium PROD_B5.
  • the transmission medium for transmitting the modulation signal may be wireless or wired.
  • the transmission mode for transmitting the modulated signal may be broadcasting (here, a transmission mode in which the transmission destination is not specified in advance) or communication (here, transmission in which the transmission destination is specified in advance). Refers to the embodiment). That is, the transmission of the modulation signal may be realized by any of wireless broadcasting, wired broadcasting, wireless communication, and wired communication.
  • a terrestrial digital broadcast broadcasting station (broadcasting equipment or the like) / receiving station (such as a television receiver) is an example of a transmitting device PROD_A / receiving device PROD_B that transmits and receives a modulated signal by wireless broadcasting.
  • a broadcasting station (such as broadcasting equipment) / receiving station (such as a television receiver) of cable television broadcasting is an example of a transmitting device PROD_A / receiving device PROD_B that transmits and receives a modulated signal by cable broadcasting.
  • a server workstation etc.
  • Client television receiver, personal computer, smart phone etc.
  • VOD Video On Demand
  • video sharing service using the Internet is a transmitting device for transmitting and receiving modulated signals by communication.
  • PROD_A / reception device PROD_B usually, either a wireless or wired transmission medium is used in a LAN, and a wired transmission medium is used in a WAN.
  • the personal computer includes a desktop PC, a laptop PC, and a tablet PC.
  • the smartphone also includes a multi-function mobile phone terminal.
  • the video sharing service client has a function of encoding a moving image captured by the camera and uploading it to the server. That is, the client of the video sharing service functions as both the transmission device PROD_A and the reception device PROD_B.
  • FIG. 20A is a block diagram illustrating a configuration of a recording apparatus PROD_C in which the above-described hierarchical video encoding apparatus 2 is mounted.
  • the recording device PROD_C has an encoding unit PROD_C1 that obtains encoded data by encoding a moving image, and the encoded data obtained by the encoding unit PROD_C1 on the recording medium PROD_M.
  • the hierarchical moving image encoding device 2 described above is used as the encoding unit PROD_C1.
  • the recording medium PROD_M may be of a type built in the recording device PROD_C, such as (1) HDD (Hard Disk Drive) or SSD (Solid State Drive), or (2) SD memory. It may be of the type connected to the recording device PROD_C, such as a card or USB (Universal Serial Bus) flash memory, or (3) DVD (Digital Versatile Disc) or BD (Blu-ray Disc: registration) For example, it may be loaded into a drive device (not shown) built in the recording device PROD_C.
  • the recording device PROD_C is a camera PROD_C3 that captures moving images as a supply source of moving images to be input to the encoding unit PROD_C1, an input terminal PROD_C4 for inputting moving images from the outside, and reception for receiving moving images.
  • the unit PROD_C5 and an image processing unit C6 that generates or processes an image may be further provided.
  • FIG. 20A a configuration in which the recording apparatus PROD_C includes all of these is illustrated, but a part may be omitted.
  • the receiving unit PROD_C5 may receive a non-encoded moving image, or may receive encoded data encoded by a transmission encoding scheme different from the recording encoding scheme. You may do. In the latter case, a transmission decoding unit (not shown) that decodes encoded data encoded by the transmission encoding method may be interposed between the reception unit PROD_C5 and the encoding unit PROD_C1.
  • Examples of such a recording device PROD_C include a DVD recorder, a BD recorder, and an HDD (Hard Disk Drive) recorder (in this case, the input terminal PROD_C4 or the receiving unit PROD_C5 is a main supply source of moving images).
  • a camcorder in this case, the camera PROD_C3 is a main source of moving images
  • a personal computer in this case, the receiving unit PROD_C5 or the image processing unit C6 is a main source of moving images
  • a smartphone in this case In this case, the camera PROD_C3 or the receiving unit PROD_C5 is a main supply source of moving images
  • the camera PROD_C3 or the receiving unit PROD_C5 is a main supply source of moving images
  • FIG. 20 is a block showing a configuration of a playback device PROD_D in which the above-described hierarchical video decoding device 1 is mounted.
  • the playback device PROD_D reads a moving image by decoding a read unit PROD_D1 that reads encoded data written on the recording medium PROD_M and a coded data read by the read unit PROD_D1.
  • a decoding unit PROD_D2 to be obtained.
  • the hierarchical moving image decoding apparatus 1 described above is used as the decoding unit PROD_D2.
  • the recording medium PROD_M may be of the type built into the playback device PROD_D, such as (1) HDD or SSD, or (2) such as an SD memory card or USB flash memory, It may be of a type connected to the playback device PROD_D, or (3) may be loaded into a drive device (not shown) built in the playback device PROD_D, such as DVD or BD. Good.
  • the playback device PROD_D has a display PROD_D3 that displays a moving image, an output terminal PROD_D4 that outputs the moving image to the outside, and a transmission unit that transmits the moving image as a supply destination of the moving image output by the decoding unit PROD_D2.
  • PROD_D5 may be further provided.
  • FIG. 20B illustrates a configuration in which the playback apparatus PROD_D includes all of these, but a part of the configuration may be omitted.
  • the transmission unit PROD_D5 may transmit an unencoded moving image, or transmits encoded data encoded by a transmission encoding method different from the recording encoding method. You may do. In the latter case, it is preferable to interpose an encoding unit (not shown) that encodes a moving image with an encoding method for transmission between the decoding unit PROD_D2 and the transmission unit PROD_D5.
  • Examples of such a playback device PROD_D include a DVD player, a BD player, and an HDD player (in this case, an output terminal PROD_D4 to which a television receiver or the like is connected is a main supply destination of moving images).
  • a television receiver in this case, the display PROD_D3 is a main supply destination of moving images
  • a digital signage also referred to as an electronic signboard or an electronic bulletin board
  • the display PROD_D3 or the transmission unit PROD_D5 is a main supply of moving images.
  • Desktop PC (in this case, the output terminal PROD_D4 or the transmission unit PROD_D5 is the main video image supply destination), laptop or tablet PC (in this case, the display PROD_D3 or the transmission unit PROD_D5 is a moving image)
  • a smartphone which is a main image supply destination
  • a smartphone in this case, the display PROD_D3 or the transmission unit PROD_D5 is a main moving image supply destination
  • the like are also examples of such a playback device PROD_D.
  • each block of the hierarchical video decoding device 1 and the hierarchical video encoding device 2 may be realized in hardware by a logic circuit formed on an integrated circuit (IC chip), or may be a CPU (Central It may be realized by software using a Processing Unit).
  • IC chip integrated circuit
  • CPU Central It may be realized by software using a Processing Unit
  • each of the devices includes a CPU that executes instructions of a control program that realizes each function, a ROM (Read Memory) that stores the program, a RAM (Random Access Memory) that expands the program, the program, and A storage device (recording medium) such as a memory for storing various data is provided.
  • An object of the present invention is to provide a recording medium in which a program code (execution format program, intermediate code program, source program) of a control program for each of the above devices, which is software that realizes the above-described functions, is recorded in a computer-readable manner This can also be achieved by supplying each of the above devices and reading and executing the program code recorded on the recording medium by the computer (or CPU or MPU (Micro Processing Unit)).
  • a program code execution format program, intermediate code program, source program
  • Examples of the recording medium include tapes such as magnetic tapes and cassette tapes, magnetic disks such as floppy (registered trademark) disks / hard disks, CD-ROMs (Compact Disc-Read-Only Memory) / MO (Magneto-Optical) / Discs including optical discs such as MD (Mini Disc) / DVD (Digital Versatile Disc) / CD-R (CD Recordable), cards such as IC cards (including memory cards) / optical cards, mask ROM / EPROM (Erasable) Programmable Read-only Memory / EEPROM (registered trademark) (ElectricallyErasable Programmable Read-only Memory) / Semiconductor memories such as flash ROM, or logic circuits such as PLD (Programmable Logic Device) and FPGA (Field Programmable Gate Array) Etc. can be used.
  • tapes such as magnetic tapes and cassette tapes
  • magnetic disks such as floppy (registered trademark) disks / hard disks
  • each of the above devices may be configured to be connectable to a communication network, and the program code may be supplied via the communication network.
  • the communication network is not particularly limited as long as it can transmit the program code.
  • the Internet intranet, extranet, LAN (Local Area Network), ISDN (Integrated Services Digital Network), VAN (Value-Added Network), CATV (Community Area Antenna Television) communication network, Virtual Private Network (Virtual Private Network), A telephone line network, a mobile communication network, a satellite communication network, etc. can be used.
  • the transmission medium constituting the communication network may be any medium that can transmit the program code, and is not limited to a specific configuration or type.
  • IEEE Institute of Electrical and Electronic Engineers 1394, USB, power line carrier, cable TV line, telephone line, ADSL (Asymmetric Digital Subscriber Line) line, etc. wired such as IrDA (Infrared Data Association) and remote control
  • IrDA Infrared Data Association
  • wireless such as Bluetooth (registered trademark), IEEE 802.11 wireless, HDR (High Data Rate), NFC (Near Field Communication), DLNA (Digital Living Network Alliance), mobile phone network, satellite line, terrestrial digital network, etc.
  • the present invention can also be realized in the form of a computer data signal embedded in a carrier wave in which the program code is embodied by electronic transmission.
  • the present invention is suitable for a hierarchical image decoding device that decodes encoded data in which image data is hierarchically encoded, and a hierarchical image encoding device that generates encoded data in which image data is hierarchically encoded. Applicable to. Further, the present invention can be suitably applied to the data structure of hierarchically encoded data generated by the hierarchical image encoding device and referenced by the hierarchical image decoding device.

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

　階層動画像復号装置（１）は、参照領域情報を復号するパラメータセット復号部（１２）と、前記参照領域情報から導出される対象レイヤ参照領域位置および参照レイヤ参照領域位置に基づいてスケールまたは対応参照位置を導出して予測画像を生成する予測画像生成部（１４４２）を備えている。

Description

画像復号装置、画像符号化装置、および、符号化データ変換装置
　本発明は、画像が階層的に符号化された階層符号化データを復号する画像復号装置、および画像を階層的に符号化することによって階層符号化データを生成する画像符号化装置に関する。
　通信システムで伝送される情報、あるいは蓄積装置に記録される情報の１つに画像あるいは動画像がある。従来、これらの画像（以降、動画像を含む）の伝送・蓄積のため、画像を符号化する技術が知られている。
　動画像符号化方式としては、AVC（H.264/MPEG-4 Advanced Video Coding）や、その後継コーデックであるHEVC（High-Efficiency Video Coding）が知られている（非特許文献１）。
　これらの動画像符号化方式では、通常、入力画像を符号化／復号することによって得られる局所復号画像に基づいて予測画像が生成され、当該予測画像を入力画像（原画像）から減算して得られる予測残差が符号化される。予測画像の生成方法としては、画面間予測（インター予測）、および、画面内予測（イントラ予測）が挙げられる。
　イントラ予測では、同一ピクチャ内の局所復号画像に基づいて、当該ピクチャにおける予測画像が順次生成される。
　インター予測では、ピクチャ間の動き補償により予測画像が生成される。インター予測で予測画像生成に用いられる復号済のピクチャは参照ピクチャと呼ばれる。
　また、複数の相互に関連する動画像をレイヤ（階層）に分けて符号化することで、複数の動画像から符号化データを生成する技術も知られており、階層符号化技術と呼ばれる。階層符号化技術により生成される符号化データは階層符号化データとも呼ばれる。
　代表的な階層符号化技術としてHEVCを基礎とするSHVC（Scalable HEVC）が知られている（非特許文献２）。
　SHVCでは、空間スケーラビリティ、時間スケーラビリティ、SNRスケーラビリティをサポートする。例えば空間スケーラビリティの場合、複数の異なる解像度の動画像をレイヤに分けて符号化して階層符号化データを生成する。例えば、原画像から所望の解像度にダウンサンプリングした画像を下位レイヤとして符号化する。次に原画像をレイヤ間の冗長性を除去するためにレイヤ間予測を適用した上で、上位レイヤとして符号化する。
　別の代表的な階層符号化技術としてHEVCを基礎とするMV-HEVC（Multi View HEVC）が知られている。MV-HEVCではビュースケーラビリティをサポートする。ビュースケーラビリティでは、複数の異なる視点（ビュー）に対応する動画像をレイヤに分けて符号化して階層符号化データを生成する。例えば、基本となる視点（ベースビュー）に対応する動画像を下位レイヤとして符号化する。次に、異なる視点に対応する動画像を、レイヤ間予測を適用した上で、上位レイヤとして符号化する。
　SHVCやMV-HEVCにおけるレイヤ間予測には、レイヤ間画像予測とレイヤ間動き予測がある。レイヤ間画像予測では、下位レイヤの復号画像を利用して、予測画像を生成する。レイヤ間動き予測では、下位レイヤの動き情報を利用して、動き情報の予測値を導出する。レイヤ間予測において予測に用いられるピクチャはレイヤ間参照ピクチャと呼ばれる。また、レイヤ間参照ピクチャを含むレイヤは参照レイヤと呼ばれる。なお、以下では、インター予測に用いられる参照ピクチャと、レイヤ間予測に用いられる参照ピクチャを総称して単に参照ピクチャと呼称する。
　レイヤ間画像予測には、上位レイヤ上の予測対象画素の位置に対応する下位レイヤ上の画素位置を導出する参照画素位置導出処理と、下位レイヤのピクチャに適用される拡大処理における拡大率に相当するスケールを導出するスケール導出処理が含まれる。
　SHVCやMV-HEVCでは、予測画像の生成に、インター予測、イントラ予測、レイヤ間画像予測のいずれかを利用できる。
　SHVCやMV-HEVCを利用するアプリケーションの一つに、注目領域を考慮した映像アプリケーションがある。例えば、映像再生端末において、通常は全領域の映像を比較的低解像度で再生する。映像再生端末の視聴者が表示されている映像の一部を注目領域として指定した場合、当該注目領域が高解像度で再生端末に表示される。
　前記のような注目領域を考慮した映像アプリケーションは、全領域の比較的低解像度の映像を下位レイヤの符号化データとして、注目領域の高解像度映像を上位レイヤの符号化データとして符号化した階層符号化データを用いて実現できる。すなわち、全領域を再生する場合は下位レイヤの符号化データのみを復号して再生し、注目領域の高解像度映像を再生する場合は、上位レイヤの符号化データを前記下位レイヤの符号化データに追加して伝送することで、低解像度映像に対する符号化データと高解像度映像に対する符号化データを両方送る場合に較べて少ない伝送帯域で前記アプリケーションが実現できる。その際、注目領域を含む領域に対応する符号化データを上位レイヤおよび下位レイヤからそれぞれ抽出して伝送することで、さらに伝送帯域を抑制できる。
　上記のような注目領域を考慮した映像アプリケーションにおいて、注目領域を含む上位レイヤおよび下位レイヤの符号化データを生成する場合に、上位レイヤの画素と下位レイヤの画素の位置関係が変化し、その結果、下位レイヤの画素値に基づく上位レイヤの画素値を予測する場合の予測の正確さが低下するという課題がある。
　非特許文献３では、下位レイヤ上の代替ピクチャの位置を表す追加情報を送り、該追加情報を用いて参照画素位置やスケールを計算することで、階層符号化データから注目領域に相当する部分データを抽出した場合であっても、参照画素位置（対応参照位置）やスケールの抽出前後での一致を実現する方法が開示されている。
「Recommendation H.265 (04/13)」, ITU-T (２０１３年６月７日公開) JCTVC-Q1008_v1 「Preliminary version of High efficiency video coding (HEVC) scalable extension Draft 6」, Joint Collaborative Team on Video Coding (JCT-VC) of ITU-T SG 16 WP 3 and ISO/IEC JTC 1/SC 29/WG 11 17th Meeting: Valencia, ES, 27 March - 4 April 2014（2014年4月15日公開） JCTVC-Q0159 「AHG 13: Sub-region extraction - position calculation and comparison of different approaches」, Joint Collaborative Team on Video Coding (JCT-VC) of ITU-T SG 16 WP 3 and ISO/IEC JTC 1/SC 29/WG 11 17th Meeting: Valencia, ES, 27 March - 4 April 2014（2014年3月18日公開）
　しかしながら、非特許文献３に開示されている方式では、注目領域に相当する部分データ抽出時における参照画素位置やスケール維持を実現するための追加データを符号化または復号するために追加のシンタックス要素を多数導入する必要があるという課題があった。そのため、画像復号装置および画像符号化装置では、該追加シンタックス要素を扱うための処理が追加で必要となり、復号/符号化処理の処理量や回路規模の増大につながるという課題があった。
　本発明は、上記問題に鑑みてなされたものであり、その目的は、従来技術に較べてより少ない追加シンタックス要素を用いて、注目領域に相当する部分データ抽出時における参照画素位置やスケール維持を実現できる画像符号化装置および画像復号装置を実現することにある。すなわち、従来より少ない処理量、および、小さい回路規模で符号化または復号処理により、注目領域に相当する部分データ抽出時における参照画素位置やスケール維持を実現できる画像符号化装置および画像復号装置を実現することにある。
　上記課題を解決するために、本発明に係る画像符号化装置は、階層符号化された符号化データを復号し、対象レイヤである上位レイヤの復号ピクチャを復元する画像復号装置であって、パラメータセットを復号するパラメータセット復号部と、参照レイヤピクチャの復号画素を参照して、レイヤ間予測により予測画像を生成する予測画像生成部を備え、前記パラメータセット復号部は参照領域情報を復号し、前記予測画像生成部は、前記参照領域情報に含まれる参照領域位置情報から対象レイヤ参照領域位置および参照レイヤ参照領域位置を導出し、前記参照領域位置および前記参照レイヤ参照領域位置を用いてレイヤ間予測に用いるスケール、および、対応参照位置の少なくとも一方を導出する、ことを特徴としている。
　また、上記画像復号装置において、前記参照領域位置情報は、参照領域オフセット情報であり、前記対象レイヤ参照領域位置は、対象レイヤ参照領域オフセットであり、前記参照レイヤ参照領域位置は、参照レイヤ対象領域オフセットである、ことが好ましい。
　また、上記画像復号装置において、前記参照領域位置情報は、第一のレイヤ識別情報と第二のレイヤ識別情報をインデックスとする二次元の配列変数であって、前記第一のレイヤ識別情報は、参照領域が存在するレイヤを特定する情報であって、前記第二のレイヤ識別情報は、レイヤ間処理対象レイヤを特定する情報であって、前記予測画像生成部は、対象レイヤと参照レイヤの間のレイヤ間予測実行時に、前記対象レイヤを示す前記第一のレイヤ識別情報と、前記参照レイヤを示す前記第二のレイヤ識別情報とをインデックスとする前記参照領域位置情報を用いて前記対象レイヤ参照領域位置を設定し、参照レイヤを示す前記第一のレイヤ識別情報と、対象レイヤを示す前記第二のレイヤ識別情報をインデックスとする前記参照領域位置情報を用いて前記参照レイヤ参照領域位置を設定する、ことが好ましい。
　また、上記画像復号装置において、前記第一のレイヤ識別情報は、参照領域が存在するレイヤのVPS内インデックスを直接または間接的に指定する情報であって、前記第二のレイヤ識別情報は、レイヤ間処理対象レイヤのVPS内インデックスを直接または間接的に指定する情報であって、前記予測画像生成部は、VPS内インデックスの値がＣの対象レイヤに対するレイヤ間予測実行時に、VPS内インデックスＣを示す前記第一のレイヤ識別情報と、Ｃより小さいVPS内インデックスＲを示す前記第二のレイヤ識別情報とをインデックスとする前記参照領域位置情報を用いて前記対象レイヤ参照領域位置を設定し、前記VPS内インデックスＲを示す前記第一のレイヤ識別情報と、VPS内インデックスＣを示す前記第二のレイヤ識別情報をインデックスとする前記参照領域位置情報を用いて前記参照レイヤ参照領域位置を設定する、ことが好ましい。
　また、上記画像復号装置において、前記参照領域位置情報は、第一のレイヤ識別情報と第二のレイヤ識別情報をインデックスとする二次元の配列変数であって、前記第一のレイヤ識別情報は、参照領域が存在するレイヤを特定する情報であって、前記第二のレイヤ識別情報は、レイヤ間処理対象レイヤを特定する情報であって、前記予測画像生成部は、対象レイヤと参照レイヤの間のレイヤ間予測実行時に、前記対象レイヤを示す前記第一のレイヤ識別情報と、前記参照レイヤを示す前記第二のレイヤ識別情報とをインデックスとする前記参照領域位置情報を用いて前記対象レイヤ参照領域位置を設定し、前記対象レイヤを示す前記一第のレイヤ識別情報と、前記対象参照レイヤを示す前記第二のレイヤ識別情報をインデックスとする前記参照領域位置情報を用いて前記参照レイヤ参照領域位置を設定する、ことが好ましい。
　また、上記画像復号装置において、前記パラメータセット復号部は、参照領域対象選択情報を復号し、該参照領域対象選択情報から第一のレイヤ識別情報と第二のレイヤ識別情報を導出するとともに、上記第一のレイヤ識別情報と上記第二のレイヤ識別情報の組み合わせと上記参照領域位置情報を関連付けて記録し、前記予測画像生成部は、対象レイヤと参照レイヤの間のレイヤ間予測実行時に、前記対象レイヤを示す前記第一のレイヤ識別情報と、前記参照レイヤを示す前記第二のレイヤ識別情報の組み合わせに関連付けられて記録されている前記参照領域位置情報を用いて前記対象レイヤ参照領域位置を設定し、参照レイヤを示す前記第一のレイヤ識別情報と、対象レイヤを示す前記第二のレイヤ識別情報に関連付けられて記録されている前記参照領域位置情報を用いて前記参照レイヤ参照領域位置を設定する、ことが好ましい。
　また、上記画像復号装置において、前記パラメータセット復号部は、対象レイヤと参照レイヤの表示領域情報を復号し、前記予測画像生成部は、対象レイヤと参照レイヤの間のレイヤ間予測実行時に、前記対象レイヤを示す前記第一のレイヤ識別情報と、前記参照レイヤを示す前記第二のレイヤ識別情報とをインデックスとする前記参照領域位置情報が存在しない場合、対象レイヤの前記表示領域情報の示す表示領域位置を前記対象レイヤ参照領域位置として設定し、参照レイヤを示す前記第一のレイヤ識別情報と、対象レイヤを示す前記第二のレイヤ識別情報をインデックスとする前記参照領域位置情報が存在しない場合、参照レイヤの前記表示領域情報の示す表示領域を前記参照レイヤ参照領域位置として設定する、ことが好ましい。
　また、上記画像復号装置において、前記予測画像生成部は、前記対象レイヤ参照領域位置の示す参照領域サイズと、前記参照レイヤ参照領域位置の示す参照領域サイズの比、または、比を近似する値として、前記スケールを導出する、ことが好ましい。
　上記課題を解決するために、本発明に係る画像符号化装置は、入力画像から対象レイヤである上位レイヤの符号化データを生成する画像符号化装置であって、パラメータセットを符号化するパラメータセット符号化部と、参照レイヤピクチャの復号画素を参照して、レイヤ間予測により予測画像を生成する予測画像生成部を備え、前記パラメータセット符号化部は参照領域情報を符号化し、前記予測画像生成部は、前記参照領域情報に含まれる参照領域位置情報から対象レイヤ参照領域位置および参照レイヤ参照領域位置を導出し、前記参照領域位置および前記参照レイヤ参照領域位置を用いてレイヤ間予測に用いるスケール、および、対応参照位置の少なくとも一方を導出する、ことを特徴としている。
　上記課題を解決するために、本発明に係る符号化データ変換装置は、入力される階層符号化データを入力される注目領域情報に基づいて変換し、注目領域階層符号化データを生成して出力する、パラメータセット修正部を備える階層符号化データ変換装置であって、前記パラメータセット修正部は、階層符号化データから導出される対象レイヤ参照領域位置および参照レイヤ参照領域位置がそれぞれ変換前後で一致するように参照領域位置情報を修正する、ことを特徴としている。
　上記課題を解決するために、本発明に係る画像符号化装置は、階層符号化された符号化データを復号し、対象レイヤである上位レイヤの復号ピクチャを復元する画像復号装置であって、パラメータセットを復号するパラメータセット復号部と、参照レイヤピクチャの復号画素を参照して、レイヤ間予測により予測画像を生成する予測画像生成部を備え、前記パラメータセット復号部は、レイヤ間位置対応情報を復号し、前記レイヤ間位置対応情報は、参照レイヤにそれぞれ関連付けられる、拡大参照レイヤオフセットシンタックス、参照レイヤオフセットシンタックス、および、レイヤ間位相オフセットシンタックスを含み、前記パラメータセット復号部は、特定の参照レイヤを示す第一の参照レイヤ識別子を復号し、符号化データ内で連続して含まれる、前記第一の参照レイヤ識別子に関連付けられる前記拡大参照レイヤオフセットシンタックス、前記第一の参照レイヤ識別子に関連付けられる前記参照レイヤオフセットシンタックス、および、前記第一の参照レイヤ識別子に関連付けられるレイヤ間位相オフセットシンタックスを、符号化データから続けて復号し、前記予測画像生成部は、所定の参照レイヤを用いる場合の予測画像を生成する場合に、該参照レイヤに関連付けられる前記拡大参照レイヤオフセットシンタックス、前記参照レイヤオフセットシンタックス、および、前記レイヤ間位相オフセットシンタックスを用いて、レイヤ間予測に用いるスケール、および、対応参照位置の少なくとも一方を導出することを特徴としている。
　また、上記画像復号装置において、前記レイヤ間位置対応情報は、特定の参照レイヤと関連付けられた参照レイヤオフセット情報存否フラグを含み、前記予測画像生成部は、前記参照レイヤオフセット情報存否フラグの値に応じて、該参照レイヤオフセットが関連付けられた参照レイヤに関する参照レイヤオフセットシンタックスを復号することを特徴としている。
　また、上記画像復号装置において、前記レイヤ間位置対応情報は、特定の参照レイヤと関連付けられたレイヤ間位相オフセット情報存否フラグを含み、前記予測画像生成部は、前記レイヤ間位相オフセット情報存否フラグの値に応じて、該参照レイヤオフセットが関連付けられたレイヤ間位相オフセットシンタックスを復号することを特徴としている。
　また、上記画像復号装置において、前記レイヤ間位置対応情報は、特定の参照レイヤと関連付けられたレイヤオフセット情報存否フラグを含み、前記予測画像生成部は、前記レイヤオフセット情報存否フラグの値に応じて、該参照レイヤオフセットが関連付けられた拡大参照レイヤオフセットシンタックス、および、参照レイヤオフセットシンタックスを復号することを特徴としている。
　本発明に係る画像復号装置（画像符号化装置）は、参照領域位置情報を含むパラメータセットを復号するパラメータセット復号部と、参照領域位置情報から導出される対象レイヤ参照領域位置および参照レイヤ参照領域位置を参照してレイヤ間予測におけるスケールや対応参照位置を導出する予測画像生成部を備えている。
　したがって、本発明に係る画像復号装置（画像符号化装置）は、従来より少ない処理量、および、小さい規模の回路による復号処理（符号化処理）により、注目領域に相当する部分データ抽出時における対応参照位置やスケールの維持を実現できる。
本実施形態に係る、階層動画像復号装置および階層動画像符号化装置において実行される対応参照位置導出処理のフロー図である。 本発明の実施形態に係る階層符号化データのレイヤ構造を説明するための図であって、（ａ）は、階層動画像符号化装置側について示しており、（ｂ）は、階層動画像復号装置側について示している。 本発明の実施形態に係る階層符号化データの構成を説明するための図であって、（ａ）は、シーケンスＳＥＱを規定するシーケンスレイヤを示しており、（ｂ）は、ピクチャＰＩＣＴを規定するピクチャレイヤを示しており、（ｃ）は、スライスＳを規定するスライスレイヤを示しており、（ｄ）は、符号化ツリーユニットＣＴＵを規定するＣＴＵレイヤを示しており、（ｅ）は、符号化ツリーユニットＣＴＵに含まれる符号化単位（Coding Unit；ＣＵ）を規定するＣＵレイヤを示している。 本発明の実施形態に係る階層符号化データにおけるピクチャとタイル・スライスの関係を説明する図であり、（ａ）はピクチャをタイル・スライスにより分割する場合の分割領域を例示しており、（ｂ）は符号化データの構成におけるタイルとスライスの関係を例示している。 上記階層動画像復号装置の概略的構成を示す機能ブロック図である。 上記階層動画像復号装置に含まれるベース復号部の構成を例示する機能ブロック図である。 ピクチャ内の部分領域である表示領域と表示領域位置情報の関係を例示する図である。 対象レイヤピクチャ、対象レイヤ参照領域、参照レイヤピクチャ、参照レイヤ参照領域と、参照領域オフセットの関係を例示する図である。 VPS拡張の復号時に参照されるシンタックス表の一部であって、参照領域情報に係るシンタックスに係る部分である。 SPS拡張の復号時に参照されるシンタックス表の一部であって、参照領域情報に係るシンタックスに係る部分である。 SPS拡張の復号時に参照されるシンタックス表の一部であって、参照領域情報に係るシンタックスに係る部分の別の例である。 SPS拡張の復号時に参照されるシンタックス表の一部であって、表示領域利用制御フラグに係る部分の例である。 上記階層動画像復号装置に含まれるスライス復号部の構成を例示する機能ブロック図である。 本発明の一実施形態に係る階層動画像符号化装置の概略的構成を示す機能ブロック図である。 上記階層動画像符号化装置に含まれるスライス符号化部の構成を例示する機能ブロック図である。 本発明の一実施形態に係る階層符号化データ変換装置の概略的構成を示した機能ブロック図である。 変換前後の階層符号化データにおけるピクチャ、注目領域、および、タイルの関係を例示した図である。 上記階層動画像復号装置、階層動画像符号化装置、及び、階層符号化データ変換装置の組み合わせにより実現する注目領域表示システムの構成を示したブロック図である。 上記階層動画像符号化装置を搭載した送信装置、および、上記階層動画像復号装置を搭載した受信装置の構成を示した図である。（ａ）は、階層動画像符号化装置を搭載した送信装置を示しており、（ｂ）は、階層動画像復号装置を搭載した受信装置を示している。 上記階層動画像符号化装置を搭載した記録装置、および、上記階層動画像復号装置を搭載した再生装置の構成を示した図である。（ａ）は、階層動画像符号化装置を搭載した記録装置を示しており、（ｂ）は、階層動画像復号装置を搭載した再生装置を示している。 対象レイヤピクチャ、対象レイヤ対応領域、参照レイヤピクチャ、参照レイヤ対象領域と、拡大参照レイヤオフセットの関係を例示する図である。 PPS拡張の復号時に参照されるシンタックス表の一部であって、レイヤ間位置対応情報に係るシンタックスに係る部分である。 PPS拡張の復号時に参照されるシンタックス表の一部の別の例であって、レイヤ間位置対応情報に係るシンタックスに係る部分である。 PPS拡張の復号時に参照されるシンタックス表の一部の別の例であって、レイヤ間位置対応情報に係るシンタックスに係る部分である。
図１～図２０に基づいて、本発明の一実施形態に係る階層動画像復号装置１、階層動画像符号化装置２、および符号化データ変換装置３を説明すれば以下のとおりである。
　〔概要〕
　本実施の形態に係る階層動画像復号装置（画像復号装置）１は、階層動画像符号化装置（画像符号化装置）２によって階層符号化された符号化データを復号する。階層符号化とは、動画像を低品質のものから高品質のものにかけて階層的に符号化する符号化方式のことである。階層符号化は、例えば、SVCやSHVCにおいて標準化されている。なお、ここでいう動画像の品質とは、主観的および客観的な動画像の見栄えに影響する要素のことを広く意味する。動画像の品質には、例えば、“解像度”、“フレームレート”、“画質”、および、“画素の表現精度”が含まれる。よって、以下、動画像の品質が異なるといえば、例示的には、“解像度”等が異なることを指すが、これに限られない。例えば、異なる量子化ステップで量子化された動画像の場合（すなわち、異なる符号化雑音により符号化された動画像の場合）も互いに動画像の品質が異なるといえる。
　階層符号化技術は、階層化される情報の種類の観点から、（１）空間スケーラビリティ、（２）時間スケーラビリティ、（３）ＳＮＲ（Signal to Noise Ratio）スケーラビリティ、および（４）ビュースケーラビリティに分類されることもある。空間スケーラビリティとは、解像度や画像のサイズにおいて階層化する技術である。時間スケーラビリティとは、フレームレート（単位時間のフレーム数）において階層化する技術である。ＳＮＲスケーラビリティは、符号化雑音において階層化する技術である。また、ビュースケーラビリティは、各画像に対応付けられた視点位置において階層化する技術である。
　また、本実施形態に係る符号化データ変換装置３は、階層動画像符号化装置２によって階層符号化された符号化データを変換し、所定の注目領域に関する符号化データを（注目領域符号化データ）を生成する。注目領域符号化データは、本実施形態に係る階層動画像復号装置１で復号できる。
　本実施形態に係る階層動画像符号化装置２、階層動画像復号装置１、及び階層符号化データ変換装置３の詳細な説明に先立って、まず（１）階層動画像符号化装置２または階層符号化データ変換装置３によって生成され、階層動画像復号装置１によって復号される階層符号化データのレイヤ構造を説明し、次いで（２）各レイヤで採用できるデータ構造の具体例について説明を行う。
　〔階層符号化データのレイヤ構造〕
　ここで、図２を用いて、階層符号化データの符号化および復号について説明すると次のとおりである。図２は、動画像を、下位階層Ｌ３、中位階層Ｌ２、および上位階層Ｌ１の３階層により階層的に符号化／復号する場合について模式的に表す図である。つまり、図２（ａ）および（ｂ）に示す例では、３階層のうち、上位階層Ｌ１が最上位層となり、下位階層Ｌ３が最下位層となる。
　以下において、階層符号化データから復号され得る特定の品質に対応する復号画像は、特定の階層の復号画像（または、特定の階層に対応する復号画像）と称される（例えば、上位階層Ｌ１の復号画像ＰＯＵＴ＃Ａ）。
　図２（ａ）は、入力画像ＰＩＮ＃Ａ～ＰＩＮ＃Ｃをそれぞれ階層的に符号化して符号化データＤＡＴＡ＃Ａ～ＤＡＴＡ＃Ｃを生成する階層動画像符号化装置２＃Ａ～２＃Ｃを示している。図２（ｂ）は、階層的に符号化された符号化データＤＡＴＡ＃Ａ～ＤＡＴＡ＃Ｃをそれぞれ復号して復号画像ＰＯＵＴ＃Ａ～ＰＯＵＴ＃Ｃを生成する階層動画像復号装置１＃Ａ～１＃Ｃを示している。
　まず、図２（ａ）を用いて、符号化装置側について説明する。符号化装置側の入力となる入力画像ＰＩＮ＃Ａ、ＰＩＮ＃Ｂ、およびＰＩＮ＃Ｃは、原画は同じだが、画像の品質（解像度、フレームレート、および画質等）が異なる。画像の品質は、入力画像ＰＩＮ＃Ａ、ＰＩＮ＃Ｂ、およびＰＩＮ＃Ｃの順に低くなる。
　下位階層Ｌ３の階層動画像符号化装置２＃Ｃは、下位階層Ｌ３の入力画像ＰＩＮ＃Ｃを符号化して下位階層Ｌ３の符号化データＤＡＴＡ＃Ｃを生成する。下位階層Ｌ３の復号画像ＰＯＵＴ＃Ｃを復号するのに必要な基本情報が含まれる（図２において“Ｃ”にて示している）。下位階層Ｌ３は、最下層の階層であるため、下位階層Ｌ３の符号化データＤＡＴＡ＃Ｃは、基本符号化データとも称される。
　また、中位階層Ｌ２の階層動画像符号化装置２＃Ｂは、中位階層Ｌ２の入力画像ＰＩＮ＃Ｂを、下位階層の符号化データＤＡＴＡ＃Ｃを参照しながら符号化して中位階層Ｌ２の符号化データＤＡＴＡ＃Ｂを生成する。中位階層Ｌ２の符号化データＤＡＴＡ＃Ｂには、符号化データＤＡＴＡ＃Ｃに含まれる基本情報“Ｃ”に加えて、中位階層の復号画像ＰＯＵＴ＃Ｂを復号するのに必要な付加的情報（図２において“Ｂ”にて示している）が含まれる。
　また、上位階層Ｌ１の階層動画像符号化装置２＃Ａは、上位階層Ｌ１の入力画像ＰＩＮ＃Ａを、中位階層Ｌ２の符号化データＤＡＴＡ＃Ｂを参照しながら符号化して上位階層Ｌ１の符号化データＤＡＴＡ＃Ａを生成する。上位階層Ｌ１の符号化データＤＡＴＡ＃Ａには、下位階層Ｌ３の復号画像ＰＯＵＴ＃Ｃを復号するのに必要な基本情報“Ｃ”および中位階層Ｌ２の復号画像ＰＯＵＴ＃Ｂを復号するのに必要な付加的情報“Ｂ”に加えて、上位階層の復号画像ＰＯＵＴ＃Ａを復号するのに必要な付加的情報（図２において“Ａ”にて示している）が含まれる。
　このように上位階層Ｌ１の符号化データＤＡＴＡ＃Ａは、異なる複数の品質の復号画像に関する情報を含む。
　次に、図２（ｂ）を参照しながら復号装置側について説明する。復号装置側では、上位階層Ｌ１、中位階層Ｌ２、および下位階層Ｌ３それぞれの階層に応じた復号装置１＃Ａ、１＃Ｂ、および１＃Ｃが、符号化データＤＡＴＡ＃Ａ、ＤＡＴＡ＃Ｂ、およびＤＡＴＡ＃Ｃを復号して復号画像ＰＯＵＴ＃Ａ、ＰＯＵＴ＃Ｂ、およびＰＯＵＴ＃Ｃを出力する。
　なお、上位の階層符号化データの一部の情報を抽出して、より下位の特定の復号装置において、当該抽出した情報を復号することで特定の品質の動画像を再生することもできる。
　例えば、中位階層Ｌ２の階層復号装置１＃Ｂは、上位階層Ｌ１の階層符号化データＤＡＴＡ＃Ａから、復号画像ＰＯＵＴ＃Ｂを復号するのに必要な情報（すなわち、階層符号化データＤＡＴＡ＃Ａに含まれる“Ｂ”および“Ｃ”）を抽出して、復号画像ＰＯＵＴ＃Ｂを復号してもよい。言い換えれば、復号装置側では、上位階層Ｌ１の階層符号化データＤＡＴＡ＃Ａに含まれる情報に基づいて、復号画像ＰＯＵＴ＃Ａ、ＰＯＵＴ＃Ｂ、およびＰＯＵＴ＃Ｃを復号できる。
　なお、以上の３階層の階層符号化データに限られず、階層符号化データは、２階層で階層符号化されていてもよいし、３階層よりも多い階層数にて階層符号化されていてもよい。
　また、特定の階層の復号画像に関する符号化データの一部または全部を他の階層とは独立して符号化し、特定の階層の復号の際に、他の階層の情報を参照しなくても済むように階層符号化データを構成してもよい。例えば、図２（ａ）および（ｂ）を用いて上述した例では、復号画像ＰＯＵＴ＃Ｂの復号に“Ｃ”および“Ｂ”を参照すると説明したが、これに限られない。復号画像ＰＯＵＴ＃Ｂが“Ｂ”だけを用いて復号できるように階層符号化データを構成することも可能である。例えば、復号画像ＰＯＵＴ＃Ｂの復号に、“Ｂ”だけから構成される階層符号化データと、復号画像ＰＯＵＴ＃Ｃを入力とする階層動画像復号装置も構成できる。
　なお、ＳＮＲスケーラビリティを実現する場合、入力画像ＰＩＮ＃Ａ、ＰＩＮ＃Ｂ、およびＰＩＮ＃Ｃとして同一の原画を用いた上で、復号画像ＰＯＵＴ＃Ａ、ＰＯＵＴ＃Ｂ、およびＰＯＵＴ＃Ｃが異なる画質となるよう階層符号化データを生成することもできる。その場合、下位階層の階層動画像符号化装置が、上位階層の階層動画像符号化装置に較べて、より大きい量子化幅を用いて予測残差を量子化することで階層符号化データを生成する。
　本書では、説明の便宜上、次のとおり用語を定義する。以下の用語は、特に断りがなければ、下記の技術的事項のことを表わすのに用いる。
　上位レイヤ　：　ある階層よりも上位に位置する階層のことを、上位レイヤと称する。例えば、図２において、下位階層Ｌ３の上位レイヤは、中位階層Ｌ２および上位階層Ｌ１である。また、上位レイヤの復号画像とは、より品質の高い（例えば、解像度が高い、フレームレートが高い、画質が高い等）復号画像のことをいう。
　下位レイヤ　：　ある階層よりも下位に位置する階層のことを、下位レイヤと称する。例えば、図２において、上位階層Ｌ１の下位レイヤは、中位階層Ｌ２および下位階層Ｌ３である。また、下位レイヤの復号画像とは、より品質の低い復号画像のことをいう。
　対象レイヤ　：　復号または符号化の対象となっている階層のことをいう。なお、対象レイヤに対応する復号画像を対象レイヤピクチャと呼ぶ。また、対象レイヤピクチャを構成する画素を対象レイヤ画素と呼ぶ。
　参照レイヤ（reference layer）　：　対象レイヤに対応する復号画像を復号するのに参照される特定の下位レイヤのことを参照レイヤと称する。なお、参照レイヤに対応する復号画像を参照レイヤピクチャと呼ぶ。また、参照レイヤを構成する画素を参照レイヤ画素と呼ぶ。
　図２（ａ）および（ｂ）に示した例では、上位階層Ｌ１の参照レイヤは、中位階層Ｌ２および下位階層Ｌ３である。しかしながら、これに限られず、特定の上記レイヤの復号において、下位レイヤのすべてを参照しなくてもよいように階層符号化データを構成することもできる。例えば、上位階層Ｌ１の参照レイヤが、中位階層Ｌ２および下位階層Ｌ３のいずれか一方となるように階層符号化データを構成することも可能である。
　基本レイヤ（base layer；ベースレイヤ）　：　最下層に位置する階層のことを基本レイヤと称する。基本レイヤの復号画像は、符号化データから復号され得るもっとも低い品質の復号画像であり、基本復号画像と呼称される。別の言い方をすれば、基本復号画像は、最下層の階層に対応する復号画像のことである。基本復号画像の復号に必要な階層符号化データの部分符号化データは基本符号化データと呼称される。例えば、上位階層Ｌ１の階層符号化データＤＡＴＡ＃Ａに含まれる基本情報“Ｃ”が基本符号化データである。
　拡張レイヤ　：　基本レイヤの上位レイヤは、拡張レイヤと称される。
　レイヤ識別子　：　レイヤ識別子は、階層を識別するためのものであり、階層と１対１に対応する。階層符号化データには特定の階層の復号画像の復号に必要な部分符号化データを選択するために用いられる階層識別子が含まれる。特定のレイヤに対応するレイヤ識別子に関連付けられた階層符号化データの部分集合は、レイヤ表現とも呼称される。
　一般に、特定の階層の復号画像の復号には、当該階層のレイヤ表現、および／または、当該階層の下位レイヤに対応するレイヤ表現が用いられる。すなわち、対象レイヤの復号画像の復号においては、対象レイヤのレイヤ表現、および／または、対象レイヤの下位レイヤに含まれる１つ以上階層のレイヤ表現が用いられる。
　レイヤ間予測　：　レイヤ間予測とは、対象レイヤのレイヤ表現と異なる階層（参照レイヤ）のレイヤ表現に含まれるシンタックス要素値、シンタックス要素値より導出される値、および復号画像に基づいて、対象レイヤのシンタックス要素値や対象レイヤの復号に用いられる符号化パラメータ等を予測することである。動き予測に関する情報を参照レイヤの情報から予測するレイヤ間予測のことを動き情報予測と称することもある。また、下位レイヤの復号画像から予測するレイヤ間予測のことをレイヤ間画像予測（あるいはレイヤ間テクスチャ予測）と称することもある。なお、レイヤ間予測に用いられる階層は、例示的には、対象レイヤの下位レイヤである。また、参照レイヤを用いず対象レイヤ内で予測を行うことをレイヤ内予測と称することもある。
　なお、以上の用語は、飽くまで説明の便宜上のものであり、上記の技術的事項を別の用語にて表現してもかまわない。
　〔階層符号化データのデータ構造について〕
　以下、各階層の符号化データを生成する符号化方式として、HEVCおよびその拡張方式を用いる場合について例示する。しかしながら、これに限られず、各階層の符号化データを、MPEG-2や、H.264/AVCなどの符号化方式により生成してもよい。
　また、下位レイヤと上位レイヤとが異なる符号化方式によって符号化されていてもよい。また、各階層の符号化データは、互いに異なる伝送路を介して階層動画像復号装置１に供給されてもよいし、同一の伝送路を介して階層動画像復号装置１に供給されてもよい。
　例えば、超高精細映像（動画像、４Ｋ映像データ）を基本レイヤおよび１つの拡張レイヤによりスケーラブル符号化して伝送する場合、基本レイヤは、４Ｋ映像データをダウンスケーリングし、インタレース化した映像データをMPEG-2またはH.264/AVCにより符号化してテレビ放送網で伝送し、拡張レイヤは、４Ｋ映像（プログレッシブ）をHEVCにより符号化して、インターネットで伝送してもよい。
　（基本レイヤ）
　図３は、基本レイヤにおいて採用できる符号化データ（図２の例でいえば、階層符号化データＤＡＴＡ＃Ｃ）のデータ構造を例示する図である。階層符号化データＤＡＴＡ＃Ｃは、例示的に、シーケンス、およびシーケンスを構成する複数のピクチャを含む。
　階層符号化データＤＡＴＡ＃Ｃにおけるデータの階層構造を図３に示す。図３の（ａ）～（ｅ）は、それぞれ、シーケンスＳＥＱを規定するシーケンスレイヤ、ピクチャＰＩＣＴを規定するピクチャレイヤ、スライスＳを規定するスライスレイヤ、符号化ツリーユニット（Coding Tree Unit；ＣＴＵ）を規定するＣＴＵレイヤ、符号化ツリーユニットＣＴＵに含まれる符号化単位（Coding Unit；ＣＵ）を規定するＣＵレイヤを示す図である。
　　（シーケンスレイヤ）
　シーケンスレイヤでは、処理対象のシーケンスＳＥＱ（以下、対象シーケンスとも称する）を復号するために階層動画像復号装置１が参照するデータの集合が規定されている。シーケンスＳＥＱは、図３の（ａ）に示すように、ビデオパラメータセットＶＰＳ（Video Parameter Set）、シーケンスパラメータセットＳＰＳ（Sequence Parameter Set）、ピクチャパラメータセットＰＰＳ（Picture Parameter Set）、ピクチャＰＩＣＴ１～ＰＩＣＴNP（ＮＰはシーケンスＳＥＱに含まれるピクチャの総数）、及び、付加拡張情報ＳＥＩ（Supplemental Enhancement Information）を含んでいる。
　ビデオパラメータセットＶＰＳでは、符号化データに含まれるレイヤ数、レイヤ間の依存関係が規定されている。
　シーケンスパラメータセットＳＰＳでは、対象シーケンスを復号するために階層動画像復号装置１が参照する符号化パラメータの集合が規定されている。ＳＰＳは符号化データ内に複数存在してもよい。その場合、対象シーケンス毎に復号に用いられるＳＰＳが複数の候補から選択される。特定シーケンスの復号に使用されるＳＰＳは、アクティブＳＰＳとも呼ばれる。以下では、特に断りがなければ、対象シーケンスに対するアクティブＳＰＳを意味する。
　ピクチャパラメータセットＰＰＳでは、対象シーケンス内の各ピクチャを復号するために階層動画像復号装置１が参照する符号化パラメータの集合が規定されている。なお、ＰＰＳは符号化データ内に複数存在してもよい。その場合、対象シーケンス内の各ピクチャから複数のＰＰＳの何れかを選択する。特定ピクチャの復号に使用されるＰＰＳはアクティブＰＰＳとも呼ばれる。以下では、特に断りがなければ、ＰＰＳは対象ピクチャに対するアクティブＰＰＳを意味する。なお、アクティブＳＰＳおよびアクティブＰＰＳは、レイヤ毎に異なるＳＰＳやＰＰＳに設定してもよい。
　　（ピクチャレイヤ）
　ピクチャレイヤでは、処理対象のピクチャＰＩＣＴ（以下、対象ピクチャとも称する）を復号するために階層動画像復号装置１が参照するデータの集合が規定されている。ピクチャＰＩＣＴは、図３の（ｂ）に示すように、スライスヘッダＳＨ1～ＳＨNS、及び、スライスＳ1～ＳNSを含んでいる（ＮＳはピクチャＰＩＣＴに含まれるスライスの総数）。
　なお、以下、スライスヘッダＳＨ1～ＳＨNSやスライスＳ1～ＳNSのそれぞれを区別する必要が無い場合、符号の添え字を省略して記述することがある。また、以下に説明する階層符号化データＤＡＴＡ＃Ｃに含まれるデータであって、添え字を付している他のデータも同様である。
　スライスヘッダＳＨkには、対応するスライスＳkの復号方法を決定するために階層動画像復号装置１が参照する符号化パラメータ群が含まれている。例えば、ＳＰＳを指定するＳＰＳ識別子（seq_parameter_set_id）や、ＰＰＳを指定するＰＰＳ識別子（pic_parameter_set_id）が含まれる。また、スライスタイプを指定するスライスタイプ指定情報（slice_type）は、スライスヘッダＳＨに含まれる符号化パラメータの一例である。
　スライスタイプ指定情報により指定可能なスライスタイプとしては、（１）符号化の際にイントラ予測のみを用いるＩスライス、（２）符号化の際に単方向予測、又は、イントラ予測を用いるＰスライス、（３）符号化の際に単方向予測、双方向予測、又は、イントラ予測を用いるＢスライスなどが挙げられる。
　　（スライスレイヤ）
　スライスレイヤでは、処理対象のスライスＳ（対象スライスとも称する）を復号するために階層動画像復号装置１が参照するデータの集合が規定されている。スライスＳは、図３の（ｃ）に示すように、符号化ツリーユニットＣＴＵ1～ＣＴＵNC（ＮＣはスライスＳに含まれるＣＴＵの総数）を含んでいる。
　　（ＣＴＵレイヤ）
　ＣＴＵレイヤでは、処理対象の符号化ツリーユニットＣＴＵ（以下、対象ＣＴＵとも称する）を復号するために階層動画像復号装置１が参照するデータの集合が規定されている。なお、符号化ツリーユニットのことを符号化ツリーブロック（CTB: Coding Tree block）、または、最大符号化単位（LCU:Largest Cording Unit）と呼ぶこともある。
　符号化ツリーユニットＣＴＵは、ＣＴＵヘッダＣＴＵＨと、符号化単位情報ＣＵ１～ＣＵＮＬ（ＮＬはＣＴＵに含まれる符号化単位情報の総数）とを含む。ここで、まず、符号化ツリーユニットＣＴＵと、符号化単位情報ＣＵとの関係について説明すると次のとおりである。
　符号化ツリーユニットＣＴＵは、イントラ予測またはインター予測、および、変換の各処理ためのブロックサイズを特定するための単位に分割される。
　符号化ツリーユニットＣＴＵの上記単位は、再帰的な４分木分割により分割されている。この再帰的な４分木分割により得られる木構造のことを以下、符号化ツリー（coding tree）と称する。
　以下、符号化ツリーの末端のノードであるリーフ（leaf）に対応する単位を、符号化ノード（coding node）として参照する。また、符号化ノードは、符号化処理の基本的な単位となるため、以下、符号化ノードのことを、符号化単位（ＣＵ）とも称する。
　つまり、符号化単位情報（以下、ＣＵ情報と称する）ＣＵ１～ＣＵＮＬは、符号化ツリーユニットＣＴＵを再帰的に４分木分割して得られる各符号化ノード（符号化単位）に対応する情報である。
　また、符号化ツリーのルート（root）は、符号化ツリーユニットＣＴＵに対応付けられる。換言すれば、符号化ツリーユニットＣＴＵは、複数の符号化ノードを再帰的に含む４分木分割の木構造の最上位ノードに対応付けられる。
　なお、各符号化ノードのサイズは、当該符号化ノードの親ノードとなる符号化ノード（すなわち、当該符号化ノードの１階層上位のノード）のサイズの縦横とも半分である。
　また、符号化ツリーユニットＣＴＵのサイズ、および、各符号化ユニットのとり得るサイズは、シーケンスパラメータセットＳＰＳに含まれる、最小符号化ノードのサイズ指定情報、および最大符号化ノードと最小符号化ノードの階層深度の差分に依存する。例えば、最小符号化ノードのサイズが８×８画素であって、最大符号化ノードと最小符号化ノードの階層深度の差分が３である場合、符号化ツリーユニットＣＴＵのサイズが６４×６４画素であって、符号化ノードのサイズは、４種類のサイズ、すなわち、６４×６４画素、３２×３２画素、１６×１６画素、および、８×８画素の何れかをとり得る。
　　（ＣＴＵヘッダ）
　ＣＴＵヘッダＣＴＵＨには、対象ＣＴＵの復号方法を決定するために階層動画像復号装置１が参照する符号化パラメータが含まれる。具体的には、図３の（ｄ）に示すように、対象ＣＴＵの各ＣＵへの分割パターンを指定するＣＴＵ分割情報ＳＰ＿ＣＴＵ、および、量子化ステップの大きさを指定する量子化パラメータ差分Δｑｐ（qp_delta）が含まれる。
　ＣＴＵ分割情報ＳＰ＿ＣＴＵは、ＣＴＵを分割するための符号化ツリーを表す情報であり、具体的には、対象ＣＴＵに含まれる各ＣＵの形状、サイズ、および、対象ＣＴＵ内での位置を指定する情報である。
　なお、ＣＴＵ分割情報ＳＰ＿ＣＴＵは、ＣＵの形状やサイズを明示的に含んでいなくてもよい。例えばＣＴＵ分割情報ＳＰ＿ＣＴＵは、対象ＣＴＵ全体またはＣＴＵの部分領域を四分割するか否かを示すフラグの集合であってもよい。その場合、ＣＴＵの形状やサイズを併用することで各ＣＵの形状やサイズを特定できる。
　　（ＣＵレイヤ）
　ＣＵレイヤでは、処理対象のＣＵ（以下、対象ＣＵとも称する）を復号するために階層動画像復号装置１が参照するデータの集合が規定されている。
　ここで、ＣＵ情報ＣＵに含まれるデータの具体的な内容の説明をする前に、ＣＵに含まれるデータの木構造について説明する。符号化ノードは、予測ツリー（prediction tree；ＰＴ）および変換ツリー（transform tree；ＴＴ）のルートのノードとなる。予測ツリーおよび変換ツリーについて説明すると次のとおりである。
　予測ツリーにおいては、符号化ノードが１または複数の予測ブロックに分割され、各予測ブロックの位置とサイズとが規定される。換言すれば、予測ブロックは、符号化ノードを構成する１または複数の重複しない領域である。また、予測ツリーは、上述の分割により得られた１または複数の予測ブロックを含む。
　予測処理は、この予測ブロックごとに行われる。以下、予測の単位である予測ブロックのことを、予測単位（prediction unit；ＰＵ）とも称する。
　予測ツリーにおける分割（以下、ＰＵ分割と略称する）の種類は、大まかにいえば、イントラ予測の場合と、インター予測の場合との２つがある。
　イントラ予測の場合、分割方法は、２Ｎ×２Ｎ（符号化ノードと同一サイズ）と、Ｎ×Ｎとがある。また、インター予測の場合、分割方法は、２Ｎ×２Ｎ（符号化ノードと同一サイズ）、２Ｎ×Ｎ、２Ｎ×ｎＵ、２Ｎ×ｎＤ、Ｎ×２Ｎ、ｎＬ×２Ｎ、および、ｎＲ×２Ｎなどがある。
　また、変換ツリーにおいては、符号化ノードが１または複数の変換ブロックに分割され、各変換ブロックの位置とサイズとが規定される。換言すれば、変換ブロックは、符号化ノードを構成する１または複数の重複しない領域のことである。また、変換ツリーは、上述の分割より得られた１または複数の変換ブロックを含む。
　変換ツリーにおける分割には、符号化ノードと同一のサイズの領域を変換ブロックとして割り付けるものと、上述したツリーブロックの分割と同様、再帰的な４分木分割によるものがある。
　変換処理は、この変換ブロックごとに行われる。以下、変換の単位である変換ブロックのことを、変換単位（transform unit；ＴＵ）とも称する。
　　（ＣＵ情報のデータ構造）
　続いて、図３（ｅ）を参照しながらＣＵ情報ＣＵに含まれるデータの具体的な内容を説明する。図３（ｅ）に示すように、ＣＵ情報ＣＵは、具体的には、スキップフラグＳＫＩＰ、予測ツリー情報（以下、ＰＴ情報と略称する）ＰＴＩ、および、変換ツリー情報（以下、ＴＴ情報と略称する）ＴＴＩを含む。
　スキップフラグＳＫＩＰは、対象のＰＵについて、スキップモードが適用されているか否かを示すフラグであり、スキップフラグＳＫＩＰの値が１の場合、すなわち、対象ＣＵにスキップモードが適用されている場合、そのＣＵ情報ＣＵにおけるＰＴ情報ＰＴＩの一部、および、ＴＴ情報ＴＴＩは省略される。なお、スキップフラグＳＫＩＰは、Ｉスライスでは省略される。
　　［ＰＴ情報］
　ＰＴ情報ＰＴＩは、ＣＵに含まれる予測ツリー（以下、ＰＴと略称する）に関する情報である。言い換えれば、ＰＴ情報ＰＴＩは、ＰＴに含まれる１または複数のＰＵそれぞれに関する情報の集合であり、階層動画像復号装置１により予測画像を生成する際に参照される。ＰＴ情報ＰＴＩは、図３（ｅ）に示すように、予測タイプ情報ＰＴｙｐｅ、および、予測情報ＰＩｎｆｏを含んでいる。
　予測タイプ情報ＰＴｙｐｅは、対象ＰＵについての予測画像生成方法を指定する情報である。ベースレイヤにおいては、イントラ予測を用いるのか、または、インター予測を用いるのかを指定する情報である。
　予測情報ＰＩｎｆｏは、予測タイプ情報ＰＴｙｐｅで指定される予測方法において用いられる予測情報である。ベースレイヤにおいては、イントラ予測の場合にイントラ予測情報PP_Intraが含まれる。また、インター予測の場合にはインター予測情報PP_Interを含む。
　インター予測情報PP_Interは、階層動画像復号装置１が、インター予測によってインター予測画像を生成する際に参照される予測情報を含む。より具体的には、インター予測情報PP_Interは、対象ＣＵの各インターＰＵへの分割パターンを指定するインターＰＵ分割情報、および、各インターＰＵについてのインター予測パラメータ（動き補償パラメータ）を含む。インター予測パラメータとしては、例えば、マージフラグ（merge_flag）、マージインデックス（merge_idx）、推定動きベクトルインデックス（mvp_idx）、参照ピクチャインデックス（ref_idx）、インター予測フラグ（inter_pred_flag）、および動きベクトル残差（mvd）を含む。
　イントラ予測情報PP_Intraは、階層動画像復号装置１が、イントラ予測によってイントラ予測画像を生成する際に参照される符号化パラメータを含む。より具体的には、イントラ予測情報PP_Intraには、対象ＣＵの各イントラＰＵへの分割パターンを指定するイントラＰＵ分割情報、および、各イントラＰＵについてのイントラ予測パラメータが含まれる。イントラ予測パラメータは、各イントラＰＵについてのイントラ予測方法（予測モード）を指定するためのパラメータである。
　　［ＴＴ情報］
　ＴＴ情報ＴＴＩは、ＣＵに含まれる変換ツリー（以下、ＴＴと略称する）に関する情報である。言い換えれば、ＴＴ情報ＴＴＩは、ＴＴに含まれる１または複数の変換ブロックそれぞれに関する情報の集合であり、階層動画像復号装置１により残差データを復号する際に参照される。
　ＴＴ情報ＴＴＩは、図３（ｅ）に示すように、対象ＣＵの各変換ブロックへの分割パターンを指定するＴＴ分割情報ＳＰ＿ＴＴ、および、量子化予測残差ＱＤ1～ＱＤNT（ＮＴは、対象ＣＵに含まれるブロックの総数）を含んでいる。
　ＴＴ分割情報ＳＰ＿ＴＴは、具体的には、対象ＣＵに含まれる各変換ブロックの形状、および、対象ＣＵ内での位置を決定するための情報である。例えば、ＴＴ分割情報ＳＰ＿ＴＴは、対象ノードの分割を行うのか否かを示す情報（split_transform_unit_flag）と、その分割の深度を示す情報（trafoDepth）とから実現できる。
　また、例えば、ＣＵサイズが、６４×６４の場合、分割により得られる各変換ブロックは、３２×３２画素から４×４画素までのサイズをとり得る。
　各量子化予測残差ＱＤは、階層動画像符号化装置２が以下の処理１～３を、処理対象の変換ブロックである対象ブロックに施すことによって生成した符号化データである。
　処理１：符号化対象画像から予測画像を減算した予測残差を周波数変換（例えば、ＤＣＴ変換（Discrete Cosine Transform）およびＤＳＴ変換（Discrete Sine Transform）等）する；
　処理２：処理１にて得られた変換係数を量子化する；
　処理３：処理２にて量子化された変換係数を可変長符号化する；
　なお、上述した量子化パラメータｑｐは、階層動画像符号化装置２が変換係数を量子化する際に用いた量子化ステップＱＰの大きさを表す（ＱＰ＝２qp/6）。
　　（ＰＵ分割情報）
　ＰＵ分割情報によって指定されるＰＵ分割タイプには、対象ＣＵのサイズを２Ｎ×２Ｎ画素とすると、次の合計８種類のパターンがある。すなわち、２Ｎ×２Ｎ画素、２Ｎ×Ｎ画素、Ｎ×２Ｎ画素、およびＮ×Ｎ画素の４つの対称的分割（symmetric splittings）、並びに、２Ｎ×ｎＵ画素、２Ｎ×ｎＤ画素、ｎＬ×２Ｎ画素、およびｎＲ×２Ｎ画素の４つの非対称的分割（asymmetric splittings）である。なお、Ｎ＝２ｍ（ｍは１以上の任意の整数）を意味している。以下、対象ＣＵを分割して得られる予測単位のことを予測ブロック、または、パーティションと称する。
　（拡張レイヤ）
　拡張レイヤのレイヤ表現に含まれる符号化データ（以下、拡張レイヤ符号化データ）についても、例えば、図３に示すデータ構造とほぼ同様のデータ構造を採用できる。ただし、拡張レイヤ符号化データでは、以下のとおり、付加的な情報を追加したり、パラメータを省略できる。
　スライスレイヤでは、空間スケーラビリティ、時間スケーラビリティ、および、ＳＮＲスケーラビリティ、ビュースケーラビリティの階層の識別情報（それぞれ、dependency_id、temporal_id、quality_id、および、view_id）が符号化されていてもよい。
　また、ＣＵ情報ＣＵに含まれる予測タイプ情報ＰＴｙｐｅは、対象ＣＵについての予測画像生成方法がイントラ予測、インター予測、または、レイヤ間画像予測のいずれかを指定する情報である。予測タイプ情報ＰＴｙｐｅには、レイヤ間画像予測モードの適用有無を指定するフラグ（レイヤ間画像予測フラグ）を含む。なお、レイヤ間画像予測フラグは、texture_rl_flag、inter_layer_pred_flag、または、base_mode_flagと呼ばれることもある。
　拡張レイヤにおいて、対象ＣＵのＣＵタイプが、イントラＣＵ、レイヤ間ＣＵ、インターＣＵ、スキップＣＵのいずれであるかが指定されていてもよい。
　イントラＣＵは、ベースレイヤにおけるイントラＣＵと同様に定義できる。イントラＣＵでは、レイヤ間画像予測フラグが“０”に、予測モードフラグが“０”に設定される。
　レイヤ間ＣＵは、参照レイヤのピクチャの復号画像を予測画像生成に用いるＣＵと定義できる。レイヤ間ＣＵでは、レイヤ間画像予測フラグが“１”に、予測モードフラグが“０”に設定される。
　スキップＣＵは、上述のHEVC方式の場合と同様に定義できる。例えば、スキップＣＵでは、スキップフラグに“１”が設定される。
　インターＣＵは、非スキップかつ動き補償（MC；Motion Compensation）を適用するＣＵと定義されていてもよい。インターＣＵでは、例えば、スキップフラグに“０”が設定され、予測モードフラグに“１”が設定される。
　また、上述のとおり拡張レイヤの符号化データを、下位レイヤの符号化方式と異なる符号化方式により生成しても構わない。すなわち、拡張レイヤの符号化・復号処理は、下位レイヤのコーデックの種類に依存しない。
　下位レイヤが、例えば、MPEG-2や、H.264/AVC方式によって符号化されていてもよい。
　拡張レイヤ符号化データでは、VPSが拡張されて、レイヤ間の参照構造を表すパラメータが含まれていてもよい。
　また、拡張レイヤ符号化データでは、SPS、PPS、スライスヘッダが拡張されて、レイヤ間画像予測に用いる参照レイヤの復号画像に係る情報（例えば、後述のレイヤ間参照ピクチャセット、レイヤ間参照ピクチャリスト、ベース制御情報等を直接、または、間接的に導出するためのシンタックス）が含まれていてもよい。
　なお、以上に説明したパラメータは、単独で符号化されていてもよいし、複数のパラメータが複合的に符号化されていてもよい。複数のパラメータが複合的に符号化される場合は、そのパラメータの値の組み合わせに対してインデックスが割り当てられ、割り当てられた当該インデックスが符号化される。また、パラメータが、別のパラメータや、復号済みの情報から導出可能であれば、当該パラメータの符号化を省略できる。
　〔ピクチャ、タイル、スライスの関係〕
　次に、ピクチャ、タイル、スライスについて、相互の関係および符号化データとの関係を図４を参照して説明する。図４は、階層符号化データにおけるピクチャとタイル・スライスの関係を説明する図である。タイルは、ピクチャ内の矩形の部分領域、および、該部分領域に係る符号化データに対応付けられる。スライスはピクチャ内の部分領域、および、該部分領域に係る符号化データ、すなわち、該部分領域に係るスライスヘッダおよびスライスデータに対応付けられる。
　図４（ａ）はピクチャをタイル・スライスにより分割する場合の分割領域を例示している。図４（ａ）では、ピクチャは矩形の６個のタイル（T00、T01、T02、T10、T11、T12）に分割されている。タイルT00、タイルT02、タイルT10、タイルT12は、それぞれ１個のスライス（順にスライスS00、スライスS02、スライスS10、スライスS12）を含む。一方、タイルT01は2個のスライス（スライスS01aとスライスS01b）を含み、タイルT11は2個のスライス（スライスS11aとスライスS11b）を含んでいる。
　図４（ｂ）は符号化データの構成におけるタイルとスライスの関係を例示している。まず、符号化データは、複数のVCL（Video Coding Layer；ビデオ符号化レイヤ）NALユニットと非VCL（non-VCL）NALユニットから構成される。１枚のピクチャの相当するビデオ符号化レイヤの符号化データは、複数のVCL NALから構成される。ピクチャがタイルに分割される場合、ピクチャに相当する符号化データには、タイルのラスタ順にタイルに相当する符号化データが含まれている。すなわち、図４（ａ）で示したようにピクチャがタイルに分割される場合、タイルT00、T01、T02、T10、T11、T12の順にタイルに相当する符号化データが含まれる。タイルが複数のスライスに分割される場合、スライス先頭のCTUが、タイル内でのCTUラスタスキャン順で先に位置するスライスから順に、スライスに相当する符号化データがタイルに相当する符号化データに含まれる。例えば、図４（ａ）で示したようにタイルT01がスライスS01aとS01bを含む場合、スライスS01a、スライスS01bの順にスライスに相当する符号化データがタイルT01に相当する符号化データに順に含まれる。
　以上の説明から分かるように、ピクチャ内の特定のタイルに相当する符号化データには、１以上のスライスに対応する符号化データが関連付けられている。そのため、タイルに関連付けられるスライスの復号画像を生成できれば、該タイルに対応するピクチャ内の部分領域の復号画像を生成できる。
　以下では、特に追加の説明がなければ、上記のようなピクチャ、タイル、スライスと符号化データの関係を前提として説明を行う。
　〔階層動画像復号装置〕
　以下では、本実施形態に係る階層動画像復号装置１の構成について、図１～図１３を参照して説明する。
　（階層動画像復号装置の構成）
　図５を参照して、階層動画像復号装置１の概略的構成を説明する。図５は、階層動画像復号装置１の概略的構成を示した機能ブロック図である。階層動画像復号装置１は、階層符号化データDATA（階層動画像符号化装置２から提供される階層符号化データDATAF、または、符号化データ変換装置３から提供される階層符号化データDATAR）を復号して、対象レイヤの復号画像POUT#Tを生成する。なお、以下では、対象レイヤは基本レイヤを参照レイヤとする拡張レイヤであるとして説明する。そのため、対象レイヤは、参照レイヤに対する上位レイヤでもある。逆に、参照レイヤは、対象レイヤに対する下位レイヤでもある。
　図５に示すように階層動画像復号装置１は、NAL逆多重化部１１、パラメータセット復号部１２、タイル設定部１３、スライス復号部１４、ベース復号部１５、復号ピクチャ管理部１６を含む。
　NAL逆多重化部１１は、NAL（Network Abstraction Layer）におけるNALユニット単位で伝送される階層符号化データDATAを逆多重化する。
　NALは、VCL（Video Coding Layer）と、符号化データを伝送・蓄積する下位システムとの間における通信を抽象化するために設けられる層である。
　VCLは、動画像符号化処理を行う層のことであり、VCLにおいて符号化が行われる。一方、ここでいう、下位システムは、H.264/AVCおよびHEVCのファイルフォーマットや、MPEG-2システムに対応する。
　なお、NALでは、VCLで生成されたビットストリームが、NALユニットという単位で区切られて、宛先となる下位システムへ伝送される。NALユニットには、VCLで符号化された符号化データ、および、当該符号化データが宛先の下位システムに適切に届けられるためのヘッダが含まれる。また、各階層における符号化データは、NALユニット格納されることでNAL多重化されて階層動画像復号装置１に伝送される。
　階層符号化データDATAには、VCLにより生成されたNALの他に、パラメータセット（VPS、SPS、PPS）やSEI等を含むNALが含まれる。それらのNALはVCL NALに対して非VCL NALと呼ばれる。
　NAL逆多重化部１１は、階層符号化データDATAを逆多重化して、対象レイヤ符号化データDATA#Tおよび参照レイヤ符号化データDATA#$を取り出す。また、NAL逆多重化部１１は、対象レイヤ符号化データDATA#Tに含まれるNALのうち、非VCL NALをパラメータセット復号部１２に、VCL NALをスライス復号部１４にそれぞれ供給する。
　パラメータセット復号部１２は、入力される非VCL NALからパラメータセット、すなわち、ＶＰＳ、ＳＰＳ、および、ＰＰＳを復号してタイル設定部１３とスライス復号部１４に供給する。なお、パラメータセット復号部１２における本発明との関連性の高い処理の詳細について後述する。
　タイル設定部１３は、入力されるパラメータセットに基づいてピクチャのタイル情報を導出してスライス復号部１４に供給する。タイル情報は、少なくともピクチャのタイル分割情報を含む。
　スライス復号部１４は、入力されるVCL NAL、パラメータセット、タイル情報、および、参照ピクチャに基づいて復号ピクチャ、または、復号ピクチャの部分領域を生成して復号ピクチャ管理部１６内のバッファに記録する。スライス復号部の詳細な説明は後述する。
　復号ピクチャ管理部１６は、入力される復号ピクチャやベース復号ピクチャを内部の復号ピクチャバッファ（DPB: Decoded Picture Buffer）に記録するとともに、参照ピクチャリスト生成や出力ピクチャ決定を行う。また、復号ピクチャ管理部１６は、DPBに記録されている復号ピクチャを、所定のタイミングで出力ピクチャPOUT#Tとして外部に出力する。
　ベース復号部１５は、参照レイヤ符号化データDATA#Rからベース復号ピクチャを復号する。ベース復号ピクチャは、対象レイヤの復号ピクチャ復号時に利用される参照レイヤの復号ピクチャである。ベース復号部１５は、復号したベース復号ピクチャを復号ピクチャ管理部１６内のDPBに記録する。
　図６を用いて、ベース復号部１５の詳細構成を説明する。図６は、ベース復号部１５の構成について例示した機能ブロック図である。
　図６に示すように、ベース復号部１５は、ベースNAL逆多重化部１５１、ベースパラメータセット復号部１５２、ベースタイル設定部１５３、ベーススライス復号部１５４、ベース復号ピクチャ管理部１５６を備える。
　ベースNAL逆多重化部１５１は、参照レイヤ符号化データＤＡＴＡ＃Ｒを逆多重化して、VCL NALと非VCL NALを抽出し、非VCL NALをベースパラメータセット復号部１５２に、VCL NALをベーススライス復号部１５４にそれぞれ供給する。
　ベースパラメータセット復号部１５２は、入力される非VCL NALからパラメータセット、すなわち、VPS、SPS、および、PPSを復号してベースタイル設定部１５３とベーススライス復号部１５４に供給する。
　ベーススタイル設定部１５３は、入力されるパラメータセットに基づいてピクチャのタイル情報を導出してベーススライス復号部１５４に供給する。
　ベーススライス復号部１５４は、入力されるVCL NAL、パラメータセット、タイル情報、および、参照ピクチャに基づいて復号ピクチャ、または、復号ピクチャの部分領域を生成してベース復号ピクチャ管理部１５６内のバッファに記録する。
　ベース復号ピクチャ管理部１５６は、入力される復号ピクチャを内部のDPBに記録するとともに、参照ピクチャリスト生成や出力ピクチャ決定を行う。また、ベース復号ピクチャ管理部１５６は、DPBに記録されている復号ピクチャを、所定のタイミングでベース復号ピクチャとして出力する。
　（パラメータセット復号部１２）
　パラメータセット復号部１２は、入力される対象レイヤの符号化データから、対象レイヤの復号に用いられるパラメータセット（VPS、SPS、PPS）を復号して出力する。一般に、パラメータセットの復号は既定のシンタックス表に基づいて実行される。すなわち、シンタックス表の定める手順に従って符号化データからビット列を読み出して、シンタックス表に含まれるシンタックス要素のシンタックス値を復号する。また、必要に応じて、復号したシンタックス値に基づいて導出した変数を、出力するパラメータセットに含めてもよい。したがって、パラメータセット復号部１２から出力されるパラメータセットは、符号化データに含まれるパラメータセット（VPS、SPS、PPS）に係るシンタックス要素のシンタックス値、および、該シンタックス値より導出される変数の集合と表現できる。
　以下では、パラメータセット復号部１２において復号に使用されるシンタックス表のうち、本発明との関連性が高い、ピクチャ情報、および、レイヤ間位置対応情報に係るシンタックス表の一部について詳しく説明する。
　　（ピクチャ情報）
　パラメータセット復号部１２は、入力される対象レイヤ符号化データからピクチャ情報を復号する。ピクチャ情報は、概略的には、対象レイヤの復号ピクチャのサイズを定める情報である。例えば、ピクチャ情報は、対象レイヤの復号ピクチャの幅や高さを表わす情報を含んでいる。
　ピクチャ情報は、例えば、SPSに含まれている。SPSから復号されるピクチャ情報には、復号ピクチャの幅（pic_width_in_luma_samples）と復号ピクチャの高さ（pic_height_in_luma_samples）が含まれている。シンタックスpic_width_in_luma_samplesの値は、輝度画素単位での復号ピクチャの幅に対応する。また、シンタックスpic_height_in_luma_samplesの値は、輝度画素単位での復号ピクチャの高さに対応する。
　なお、ピクチャ情報は、レイヤ間で共有されている。すなわち、対象レイヤとは異なるレイヤのピクチャ情報を対象レイヤの復号および符号化時に参照できる。
　　（表示領域情報）
　パラメータセット復号部１２は、入力される対象レイヤ符号化データから表示領域情報を復号する。表示領域情報は、例えば、SPSに含まれている。SPSから復号される表示領域情報は、表示領域フラグ（conformance_flag）を含む。表示領域フラグは表示領域の位置を表わす情報（表示領域位置情報）が追加でSPSに含まれるか否かを示す。すなわち、表示領域フラグが１の場合、表示領域位置情報が追加で含まれることを示し、表示領域フラグが０の場合、表示領域位置情報が追加で含まれないことを示す。
　SPSから復号される表示領域情報は、表示領域フラグが１の場合、さらに表示領域位置情報として表示領域左オフセット（conf_win_left_offset）、表示領域右オフセット（conf_win_right_offset）、表示領域上オフセット（conf_win_top_offset）、表示領域下オフセット（conf_win_bottom_offset）を含む。
　表示領域は、表示領域フラグが０の場合には、ピクチャ全体が設定される。一方、表示領域フラグが１の場合には、表示領域位置情報が示すピクチャ内の部分領域が設定される。なお、表示領域は、コンフォーマンス窓（conformance window）とも呼称される。
　図７を参照して表示領域位置情報と表示領域の関係を説明する。図７は、ピクチャ内の部分領域である表示領域と表示領域位置情報の関係を例示する図である。図に示したように、表示領域はピクチャ内に包含されており、表示領域上オフセットはピクチャ上辺と表示領域上辺の距離、表示領域左オフセットはピクチャ左辺と表示領域左辺の距離、表示領域右オフセットはピクチャ右辺と表示領域右辺の距離、表示領域下オフセットはピクチャ下辺と表示領域下辺の距離をそれぞれ表わしている。したがって、上記の表示領域位置情報により、表示領域のピクチャ内の位置およびサイズが一意に特定できる。なお、表示領域情報は、表示領域のピクチャ内の位置およびサイズが一意に特定できる他の情報であっても構わない。
　なお、表示領域情報は、レイヤ間で共有されている。すなわち、対象レイヤとは異なるレイヤの表示領域情報を対象レイヤの復号および符号化時に参照できる。
　　（レイヤ間位置対応情報）
　パラメータセット復号部１２は、入力される対象レイヤ符号化データからレイヤ間位置対応情報を復号する。レイヤ間位置対応情報は、概略的には、対象レイヤと参照レイヤの対応する領域の位置関係を示す。例えば、対象レイヤのピクチャと参照レイヤのピクチャにある物体（物体Ａ）が含まれる場合、対象レイヤのピクチャ上の物体Ａに対応する領域と、参照レイヤのピクチャ上の物体Ａに対応する領域が、前記対象レイヤと参照レイヤの対応する領域に相当する。なお、レイヤ間位置対応情報は、必ずしも上記の対象レイヤと参照レイヤの対応する領域の位置関係を正確に示す情報でなくてもよいが、一般的には、レイヤ間予測の正確性を高めるために正確な対象レイヤと参照レイヤの対応する領域の位置関係を示している。
　　　（参照領域情報）
　レイヤ間位置対応情報は、参照領域情報を含む。参照領域情報は、特定のレイヤ（以下、レイヤＡ）における、以下の２つの領域の空間的な位置関係を表す情報である。
（ピクチャ領域）：レイヤＡ上のピクチャに対応する領域
（参照領域）：レイヤＡと別のレイヤ（レイヤＢ）の間のレイヤ間処理において、レイヤ間の画素位置の対応関係を示す情報の導出に用いられる、レイヤＡ上の領域
　本実施形態において、参照領域情報として参照領域オフセットを用いる。参照領域オフセットは、上記参照領域の各頂点と、上記ピクチャ領域の対応する各頂点との間の変位を表す情報であり、左、上、右、下にそれぞれ対応する、以下の４つのオフセットから構成される。
１．参照領域左オフセット：参照領域左上画素とピクチャ領域左上画素との間の水平方向のオフセット
２．参照領域上オフセット：参照領域左上画素とピクチャ領域左上画素との間の垂直方向のオフセット
３．参照領域右オフセット：参照領域右下画素とピクチャ領域右下画素との間の水平方向のオフセット
４．参照領域下オフセット：参照領域右下画素とピクチャ領域右下画素との間の垂直方向のオフセット
　参照領域オフセットに含まれる上記各オフセットと、ピクチャ領域、および、参照領域との関係を、図８を用いて説明する。図８は、対象レイヤピクチャ、対象レイヤ参照領域、参照レイヤピクチャ、参照レイヤ参照領域と、参照領域オフセットの関係を例示する図である。図８では、対象レイヤ上のピクチャ領域（対象レイヤピクチャ）に対象レイヤ上の参照領域（対象レイヤ参照領域）が包含される場合の、対象レイヤにおける各参照領域オフセット（対象レイヤ参照領域左オフセット、対象レイヤ参照領域上オフセット、対象レイヤ参照領域右オフセット、対象レイヤ参照領域下オフセット）の関係を示している。また、図８では、参照レイヤ上のピクチャ領域（参照レイヤピクチャ）に参照レイヤ上の参照領域（参照レイヤ参照領域）が包含される場合の、参照レイヤにおける各参照領域オフセット（参照レイヤ参照領域左オフセット、参照レイヤ参照領域上オフセット、参照レイヤ参照領域右オフセット、参照レイヤ参照領域下オフセット）の関係を示している。レイヤ間予測に代表されるレイヤ間処理における対応画素位置導出やスケール導出は、対象レイヤ参照領域と参照レイヤ参照領域を用いて実行される。
　なお、図８では、参照領域がピクチャ領域に含まれる場合を図示したが、それに限らず、ピクチャ領域が参照領域に含まれていいてもよいし、参照領域とピクチャ領域の一部が重なっていても構わない。本実施形態では、参照領域オフセットの正負は、参照領域がピクチャ領域に含まれる場合に正の値、ピクチャ領域に参照領域が含まれる場合に負の値をとるものとする。すなわち、図８に示した、ピクチャ領域に参照領域が包含される場合には、全ての参照領域オフセットの値が正となる。なお、参照領域オフセットの正負の定義は、逆であっても構わないが、その場合は後述の対応参照位置やスケールの導出式を適宜読み替えて適用する必要が生じる。
　なお、参照領域オフセットの目的は、参照領域の形状、および、ピクチャ領域と参照領域の空間的な位置関係を規定することにある。そのため、その目的が達成されるのであれば、上記以外の参照オフセット以外のパラメータを用いることも可能である。例えば、参照領域の左上画素のピクチャ領域左上画素に対する水平および垂直方向のオフセットと参照領域の矩形の幅および高さの組み合わせを用いてもよい。参照領域の形状、および、ピクチャ領域と参照領域の空間的な位置関係を規定する情報のことを参照領域位置情報と呼ぶ。参照領域位置情報は、参照領域オフセットの上位概念に相当する。本実施形態の説明では、参照領域位置情報として参照領域オフセットを用いる場合を前提として記載する。
　　　（参照領域オフセットのシンタックス）
　パラメータセット復号部１２において、入力される符号化データから復号される参照領域オフセットに係るシンタックスについて、図９を参照して説明する。図９は、パラメータセット復号部１２がVPSに含まれるVPS拡張（vps_extension()）の復号時に参照されるシンタックス表の一部であって、参照領域オフセットに係る部分である。
　VPSには参照領域オフセットに係る複数のシンタックス要素が含まれている。以下では、それらを総称して参照領域オフセット関連シンタックスと呼ぶ。図９に示すシンタックス表は、参照領域オフセット関連シンタックスを構成するシンタックス要素として、以下のシンタックス要素がVPS拡張に含まれていることを示している。
・Ａ０：参照領域オフセット存否フラグ（ref_region_offsets_in_vps_flag）
・Ａ１：参照領域オフセット数（num_ref_region_offsets[i]）
・Ａ２：参照領域レイヤインデックス情報(ref_region_layer_idx_delta_minus1[i][j])
・Ａ３Ｌ：参照領域左オフセット情報（ref_region_left_offset[i][j]）
・Ａ３Ｔ：参照領域上オフセット情報（ref_region_top _offset[i][j]）
・Ａ３Ｒ：参照領域右オフセット情報（ref_region_right_offset[i][j]）
・Ａ３Ｂ：参照領域下オフセット情報（ref_region_bottom_offset[i][j]）
　シンタックス要素Ａ０は１ビットのフラグ（u(1)）の符号である。シンタックス要素Ａ１、Ａ２はHEVCで規定されている非負整数の０次指数ゴロム符号（ue(v)）により符号化される。Ａ３Ｌ、Ａ３Ｔ、Ａ３Ｒ、Ａ３ＢはHEVCで規定されている符号付き整数の０次指数ゴロム符号（se(v)）により符号化される。
　参照領域オフセット存否フラグ（Ａ０)は、当該フラグを除く参照領域オフセット関連シンタックスが、VPS拡張に含まれるか否かを示すフラグである。該フラグの値が１の場合に、参照領域オフセット関連シンタックスが含まれることを示す。それ以外（該フラグの値が０）の場合、参照領域オフセット関連シンタックスが含まれないことを示す。
　参照領域オフセット数（Ａ１）は、VPS拡張に含まれるインデックスiにより特定されるレイヤ（以下、レイヤi）に対する参照領域オフセットの数を表す。なお、インデックスiは、VPS拡張に含まれるレイヤを示すインデックスである。参照領域オフセットの個数は、左、上、右、下にそれぞれ対応する４個のオフセット（上記Ａ３Ｌ，Ａ３Ｔ、Ａ３Ｒ、Ａ３Ｂ）の組み合わせの個数に相当する。参照領域オフセット数は、0以上MaxLayersMinus1以下のインデックス各値により特定される各レイヤに対して符号化/復号される。
　なお、VPS拡張に含まれる参照領域オフセット数の個数は、何れのレイヤに対する参照領域オフセットの伝送も可能とする機能性を実現する上で、上記の個数が好ましい。しかしながら、一部のレイヤに対して参照領域オフセットが利用されないことが別の手段により明らかである場合、該レイヤに対応する参照領域オフセット数を省略して、該レイヤに対する参照領域オフセットの値を０と推定してもよい。
　参照領域レイヤインデックス情報（Ａ２）は、レイヤiに関連付けられるj番目のレイヤを特定する情報である。具体的には、参照領域レイヤインデックス情報は、レイヤiに関連付けられるj番目のレイヤのVPS内のレイヤインデックス（LIdx[i][j]）の導出に利用される。LIdx[i][j]は、参照領域レイヤインデックス情報のシンタックス値ref_region_layer_idx_delta_minus1[i][j]をRRL[i][j]とする場合、次式により導出される。
　LIdx[i][j] = i - (RRL[i][j] + 1) ... (j == 0)
　LIdx[i][j] = LIdx[i][j-1] + (RRL[i][j] + 1) ... (j >= 1)
すなわち、jが0に等しい場合、インデックスiから、参照領域レイヤインデックス情報に１を加えた数だけ小さいレイヤインデックスを設定する。また、jが1以上の場合、レイヤiに関連付けられた（j-1）番目のレイヤのインデックスから、参照領域レイヤインデックス情報に1を加えた数だけ大きいレイヤインデックスを設定する。ここで、RRL[i][j]の最大値は、ビットストリーム中のレイヤ数最大値（MaxLayersMinus1+1）未満である。すなわち、レイヤiに関連付けられたj番目のレイヤのインデックスの最大値は、レイヤiのインデックス（インデックスi）より大きい値を取り得る。
　なお、上記のように参照領域レイヤインデックス情報を定義した場合、参照領域レイヤインデックス情報の符号量を抑制する効果がある。しかしながら、該符号量の抑制が重要ではない場合、インデックスjと特定のレイヤを関連付ける別のシンタックスおよび導出手段の組み合わせを用いても構わない。例えば、参照領域レイヤインデック情報としてVPS内レイヤインデックスを用いてもよい。その場合、以下の式によりLIdx[i][j]が導出される。
　LIdx[i][j] = RRL[i][j]
　参照領域オフセット情報（参照領域左オフセット情報（Ａ３Ｌ）、参照領域上オフセット情報（Ａ３Ｔ）、参照領域右オフセット情報（Ａ３Ｒ）、参照領域下オフセット情報（Ａ３Ｂ））は、レイヤi上の参照領域であって、レイヤiと、レイヤiに関連付けられたj番目のレイヤとの間のレイヤ間処理（レイヤ間予測）で参照される参照領域を表すオフセット（参照領域オフセット）を導出するための情報である。参照領域オフセット情報は、参照領域の位置と大きさ（形状）を表す情報でもあり、参照領域位置情報とも呼ぶ。
　上記の参照領域オフセット情報は、次のように表現できる。すなわち、参照領域位置情報は、第一のレイヤ識別情報（上記i）と第二のレイヤ識別情報（上記j）をインデックスとする配列変数である。第一のレイヤ識別情報であるiは、参照領域が存在するレイヤのVPS内レイヤインデックスである。また、第二のレイヤ識別情報であるjは、参照領域を適用するレイヤ間処理の対象レイヤを特定する情報であって、上記のLIdx[i][j]を通して、レイヤ間処理の対象レイヤのVPS内レイヤインデックスと関連付けられている。
　（スライス復号部１４）
　スライス復号部１４は、入力されるVCL NAL、パラメータセット、および、タイル情報に基づいて復号ピクチャを生成して出力する。
　図１３を用いて、スライス復号部１４の概略的構成を説明する。図１３は、スライス復号部１４の概略的構成を示した機能ブロック図である。
　スライス復号部１４は、スライスヘッダ復号部１４１、スライス位置設定部１４２、ＣＴＵ復号部１４４を備えている。ＣＴＵ復号部１４４は、さらに、予測残差復元部１４４１、予測画像生成部１４４２、および、ＣＴＵ復号画像生成部１４４３を含んでいる。
　　（スライスヘッダ復号部）
　スライスヘッダ復号部１４１は、入力されるVCL NALとパラメータセットに基づいてスライスヘッダを復号し、スライス位置設定部１４２、スキップスライス判定部１４３、および、ＣＴＵ復号部１４４に出力する。
　スライスヘッダには、ピクチャ内のスライス位置に係る情報（SHスライス位置情報）、および、スキップスライスに係る情報（SHスキップスライス情報）が含まれる。
　スライスヘッダには、スライス位置情報として、ピクチャ内先頭スライスフラグ（first_slice_segment_in_pic_flag）が含まれる。ピクチャ内先頭スライスフラグが１の場合、対象スライスが復号順でピクチャ内の先頭に位置することを示す。ピクチャ内先頭スライスフラグが０の場合は、対象スライスが復号順でピクチャ内の先頭に位置しないことを示す。
　また、スライスヘッダには、スライス位置情報として、スライスPPS識別子（slice_pic_parameter_set_id）が含まれる。スライスPPS識別子は、対象スライスに関連付けられるPPSの識別子であり、当該PPS識別子を介して、対象スライスに関連付けるべきタイル情報が特定される。
　　（スライス位置設定部）
　スライス位置設定部１４２は、入力されるスライスヘッダとタイル情報に基づいてピクチャ内のスライス位置を特定してＣＴＵ復号部１４４に出力する。スライス位置設定部１４２で導出されるピクチャ内のスライス位置は、スライスに含まれる各CTUのピクチャ内での位置を含む。
　　（CTU復号部）
　ＣＴＵ復号部１４４は、概略的には、入力されるスライスヘッダ、スライスデータ、および、パラメータセットに基づいて、スライスに含まれる各ＣＴＵに対応する領域の復号画像を復号することで、スライスの復号画像を生成する。スライスの復号画像は、入力されるスライス位置の示す位置に、復号ピクチャの一部として出力される。CTUの復号画像は、ＣＴＵ復号部１４４内部の予測残差復元部１４４１、予測画像生成部１４４２、および、ＣＴＵ復号画像生成部１４４３により生成される。予測残差復元部１４４１は、入力のスライスデータに含まれる予測残差情報（ＴＴ情報）を復号して対象CTUの予測残差を生成して出力する。予測画像生成部１４４２は、入力のスライスデータに含まれる予測情報（ＰＴ情報）の示す予測方法と予測パラメータに基づいて予測画像を生成して出力する。その際、必要に応じて、参照ピクチャの復号画像や符号化らメータが利用される。ＣＴＵ復号画像生成部１４４３は、入力される予測画像と予測残差を加算して対象CTUの復号画像を生成して出力する。
　　　（予測画像生成部の詳細）
　前述の予測画像生成部１４４２による予測画像生成処理のうち、レイヤ間画像予測が選択された場合の予測画像生成処理の詳細を説明する。
　レイヤ間画像予測が適用される対象CTUに含まれる対象画素の予測画素値の生成処理は次の手順で実行される。まず、参照ピクチャ位置導出処理を実行し、対応参照位置を導出する。ここで、対応参照位置とは、対象レイヤピクチャ上の対象画素に対応する参照レイヤ上の位置である。なお、対象レイヤと参照レイヤの画素は必ずしも１対１に対応しないため、対応参照位置は、参照レイヤにおける画素単位未満の精度で表現される。次に、導出した対応参照位置を入力として補間フィルタ処理を実行することで、対象画素の予測画素値が生成される。
　対応参照位置導出処理では、パラメータセットに含まれるピクチャ情報、および、参照領域情報に基づいて、対応参照位置を導出する。対応参照位置導出処理の詳細手順について、図１を参照して説明する。なお、以下では、対応参照位置導出処理の対象レイヤがレイヤC（レイヤCのVPS内インデックスがc）、対象レイヤの参照レイヤがレイヤR（レイヤRのVPS内インデックスがr）であるとして説明する。ここで、対象レイヤの参照レイヤは、対象レイヤより下位のレイヤであって、小さいVPS内インデックスに対応するレイヤがより下位のレイヤである、という２つの事実から、rはcより小さいという関係が成り立つ。図１は、対応参照位置導出処理のフロー図である。レイヤCを対象レイヤとする場合のレイヤCとレイヤRの間のレイヤ間画像予測処理における対応参照位置導出処理は、以下のＳ１０１～Ｓ１０７の手順で順次実行される。
　（Ｓ１０１）パラメータセット復号部１２で参照領域情報として復号された、iとjをインデックスとする参照領域オフセット情報から、参照領域オフセットを導出する。以下では、導出される参照領域オフセットを、RRO[k][l]と呼ぶ。加えて、RRO[k][l]を構成する左、上、右、下にそれぞれ対応する参照領域オフセットとその記号を以下の通り定義する。
　参照領域左オフセット：RRLO[k][l]
　参照領域上オフセット：RRTO[k][l]
　参照領域右オフセット：RRRO[k][l]
　参照領域下オフセット：RRBO[k][l]
　RRO[i][j][k][l]を構成する各オフセット、RRLO[k][l]、RRTO[k][l]、RRRO[k][l]、RRBO[k][l]は、対応する参照領域オフセット情報に基づいて、以下の計算により導出される。
　　RRLO[k][l] = (ref_region_left_offset[i][j] << 1)
　　RRTO[k][l] = (ref_region_top_offset[i][j] << 1)
　　RRRO[k][l] = (ref_region_right_offset[i][j] << 1)
　　RRBO[k][l] = (ref_region_bottom_offset[i][j] << 1)
ここで、k=i、l=LIdx[i][j]の関係がある。LIdx[i][j]は、パラメータセット復号部１２において復号された参照領域レイヤインデックス情報に基づいて導出された配列であって、レイヤiに対するj番目の参照領域オフセット情報が関連付けられるレイヤのVPS内インデックスを表す。
　なお、特定のkとlの組み合わせに対応する参照領域オフセット（RRO[k][l]）に対して、対応するiとjの組み合わせに対応する参照領域オフセット情報が存在しない場合、RRO[k][l]を構成する各オフセットの値は0に設定される。つまり、そのような場合、レイヤk上の参照領域であって、レイヤkとレイヤlの間のレイヤ間予測で参照される参照領域の既定値としてレイヤk上のピクチャ全体に相当する領域が設定される。
　上記式によれば、対応する参照領域オフセット情報のシンタックス値を２倍した値を参照領域オフセットとして設定しているが、参照領域オフセットと参照領域オフセット情報の関係は、それに限らない。上記の参照領域オフセット情報と参照領域オフセットの関係はあくまで一例であり、他の妥当な方法により両者を関連付けてもよい。
　（Ｓ１０２）参照レイヤ（レイヤr）上の参照領域の位置および形状を示す参照レイヤ参照領域オフセット（参照レイヤ参照領域位置）を導出する。参照レイヤ参照領域オフセットは、左、上、右、下にそれぞれ対応する４つのオフセット（順にRL_RRLO、RL_RRTO、RL_RRRO、RL_RRBO）から構成され、次式により導出される。
　RL_RRLO = RRLO[r][c]
　RL_RRTO = RRTO[r][c]
　RL_RRRO = RRRO[r][c]
　RL_RRBO = RRBO[r][c]
すなわち、参照レイヤ参照領域オフセットの値として、参照レイヤR上の参照領域であって、参照レイヤRと対象レイヤCとの間のレイヤ間予測で参照される参照領域オフセットを設定している。
　なお、参照レイヤ参照領域オフセットの値に利用される参照領域オフセット（RRO[r][c]）は、「r < c」の条件を満たす参照領域オフセットである。
　上記で説明した参照レイヤ参照領域オフセットの導出処理は、次のように表現できる。すなわち、対象レイヤと参照レイヤの間のレイヤ間予測実行時における参照レイヤ参照領域オフセット（参照レイヤ参照領域位置）は、参照レイヤのVPS内インデックスを一番目の配列インデックス、対象レイヤのVPS内インデックスを二番目の配列インデックスとする参照領域オフセットの要素を用いて設定されている。上記に該当する参照領域オフセットの各要素は、Ｓ１０１において、参照レイヤのVPS内インデックスr（第一のレイヤ識別情報）を一番目の配列インデックス、対象レイヤのVPS内インデックスcを間接的に表す番号i（第二のレイヤ識別情報）を二番目の配列インデックスとする参照領域位置情報（RRO[r][c]）の値が設定されている。
　（Ｓ１０３）Ｓ１０２で導出した参照レイヤ参照領域オフセットと、参照レイヤピクチャサイズに基づいて、参照レイヤ上の参照領域のサイズを導出する。参照レイヤ上の参照領域の幅（RL_RRW）と高さ（RL_RRH）は、参照レイヤピクチャの幅（RL_PICW）と高さ（RL_PICH）に基づいて、それぞれ次式により導出される。
　RL_RRW = RL_PICW - n * (RL_RRLO + RL_RRRO)
　RL_RRH = RL_PICH - n * (RL_RRTO + RL_RRBO)
ここで、nの値は、参照レイヤピクチャの画素単位と参照領域オフセットの単位を揃えるためのパラメータである。例えば、入力画像の色信号が4:2:0形式の場合であって、参照領域オフセットの単位が輝度画素単位である場合、輝度に対してはn=1の値を、色差に対してはn=0.5の値を用いることで単位を揃える。
　すなわち、上記の式によれば、参照レイヤピクチャの幅に、参照レイヤ参照領域左オフセットと参照レイヤ参照領域右オフセットの和を単位を揃えて加算することで、参照レイヤ上の参照領域の幅を導出している。参照レイヤ上の参照領域の高さについても同様である。
　（Ｓ１０４）対象レイヤ（レイヤc）上の参照領域の位置および形状を表す対象レイヤ参照領域オフセット（対象レイヤ参照領域位置）を導出する。対象レイヤ参照領域オフセットは、左、上、右、下にそれぞれ対応する４つのオフセット（順にCL_RRLO、CL_RRTO、CL_RRRO、CL_RRBO）から構成され、次式により導出される。
　CL_RRLO = RRLO[c][r]
　CL_RRTO = RRTO[c][r]
　CL_RRRO = RRRO[c][r]
　CL_RRBO = RRBO[c][r]
すなわち、対象レイヤ参照領域オフセットの値として、対象レイヤC上の参照領域であって、対象レイヤCと参照レイヤRとの間のレイヤ間予測で参照される参照領域オフセットを設定している。
　なお、対象レイヤ参照領域オフセットの値に利用される参照領域オフセット（RRO[c][r]）は、「c > r」の条件を満たす参照領域オフセットである。
　上記で説明した対象レイヤ参照領域オフセットの導出処理は、次のように表現できる。すなわち、対象レイヤと参照レイヤの間のレイヤ間予測実行時における対象レイヤ参照領域オフセット（対象レイヤ参照領域位置）は、対象レイヤのVPS内インデックスcを一番目の配列インデックス、参照レイヤのVPS内インデックスrを二番目の配列インデックスとする参照領域オフセットの要素を参照して設定されている。上記に該当する参照領域オフセットの各要素は、Ｓ１０１において、対象レイヤのVPS内インデックスi（第一のレイヤ識別情報）を一番目の配列インデックス、参照レイヤのVPS内インデックスを間接的に表す番号j（第二のレイヤ識別情報）を二番目の配列インデックスとする参照領域位置情報（RRO[i][j]）の値が設定されている。
　（Ｓ１０５）Ｓ１０４で導出した対象レイヤ参照領域オフセットと、対象レイヤピクチャサイズに基づいて、対象レイヤ上の対象領域のサイズを導出する。対象レイヤ上の参照領域の幅（CL_RRW）と高さ（CL_RRH）は、対象レイヤピクチャの幅（CL_PICW）と高さ（CL_PICH）に基づいて、それぞれ次式により導出される。
　CL_RRW = CL_PICW - n * (CL_RRLO + CL_RRRO)
　CL_RRH = CL_PICH - n * (CL_RRTO + CL_RRBO)
ここで、nの値は、Ｓ１０３で説明したnと同様であり、対象レイヤピクチャの画素単位と対象領域オフセットの単位を揃えるためのパラメータである。
　すなわち、上記の式によれば、対象レイヤピクチャの幅に、対象レイヤ参照領域左オフセットと対象レイヤ参照領域右オフセットの和を単位を揃えて加算することで、対象レイヤ上の参照領域の幅を導出している。対象レイヤ上の参照領域の高さについても同様である。
　（Ｓ１０６）Ｓ１０３で導出した参照レイヤ参照領域のサイズとＳ１０５で導出した対象レイヤ参照領域のサイズに基づいて、レイヤ間予測に用いるスケールを導出する。水平方向のスケールsxと垂直方向のスケールsyはそれぞれ次式により導出される。
　sx = ((RL_RRW << 16) + (CL_RRW >> 1)) / CL_RRW
　sy = ((RL_RRH << 16) + (CL_RRH >> 1)) / CL_RRH
　なお、演算子“/”は整数の除算を表す演算子である。
すなわち、上式によれば、参照レイヤ参照領域サイズに所定の定数（上式では“<<16”）を乗じ、対象レイヤ参照領域サイズで除算した値をスケールとして設定している。なお、“(CL_RRW>>1）”の項は、除算による丸めを調整する項である。したがって、単位や丸め調整の効果を除けば、スケールは参照レイヤ参照領域のサイズ（幅または高さ）の、対象レイヤ参照領域のサイズ（幅または高さ）に対する比率と説明できる。
　（Ｓ１０７）Ｓ１０２で導出した参照レイヤ参照領域オフセットと、Ｓ１０６で導出したスケールに基づいて、１６分の１画素精度の参照画素位置を導出する。対象レイヤ上の画素位置（xP、yP）に対応する、参照レイヤ上の１６分の１画素精度の参照画素位置の水平成分（x成分）xRef16と、垂直成分（y成分）yRef16の値は、それぞれ次式により導出される。
　xRef16 = (((xP - CL_OX) * sx + addX + (1<<11)) >> 12) + deltaX + RL_OX
　yRef16 = (((yP - CL_OY) * sy + addY + (1<<11)) >> 12) + deltaY + RL_OY
　ここで、
　　CL_OX = CL_RRLO / crAdjust
　　CL_OY = CL_RRTO / crAdjust
　　RL_OX = (RL_RRLO << 4) / crAdjust
　　RL_OY = (RL_RRTO << 4) / crAdjust
なお、crAdjustは輝度と色差の単位の違いを補正するパラメータであり、例えば、4:2:0の復号画像を扱う場合、輝度であれば1、色差であれば2の値が設定される。また、addX、addY、deltaX、deltaYは、アップサンプリングやインタレースに伴う対象レイヤ上の画素と参照レイヤ上の画素のずれを表すパラメータである。
　すなわち、上式によれば、参照レイヤ参照領域オフセットとスケールに基づいて参照画素位置を計算している。導出した１６分の１画素精度の参照画素位置を対応参照位置として、対応参照位置導出処理を終了する。
　上記の対応参照位置導出処理では、スケールをピクチャサイズではなく、参照領域により特定される領域間のサイズの比として導出している。そのため、注目領域抽出の目的で対象レイヤピクチャや参照レイヤピクチャのピクチャサイズが変更する場合であっても、参照領域が同一となるよう関連シンタックス値を設定することで、抽出前後で同一のスケールを導出できる。
　補間フィルタ処理では、上記対応参照位置導出処理で導出した対応参照位置に相当する位置の画素値を、参照レイヤピクチャ上の、前記対応参照位置近傍の画素の復号画素に補間フィルタを適用することで生成する。
　（動画像復号装置１の効果）
　以上説明した本実施形態に係る階層動画像復号装置１（階層画像復号装置）は、パラメータセットを復号するパラメータセット復号部１２と、参照レイヤピクチャの復号画素を参照してレイヤ間予測により予測画像を生成する予測画像生成部１４４２を備えている。パラメータセット復号部１２は参照領域オフセットを復号し、予測画像生成部１４４２は、該参照領域オフセットから導出される参照レイヤ参照領域オフセットと対象レイヤ参照領域オフセットに基づいてスケールを計算し、該スケールを参照して対応参照位置を導出してレイヤ間予測を実行する。換言すると、階層動画像復号装置１は、参照領域オフセットの導出に必要なシンタックス値を符号化データから復号し、該シンタックス値に基づいて導出されたパラメータに基づいて対応参照位置を計算することで、注目領域抽出を実行する場合に適切な対応参照位置を導出する機能を提供できる。したがって、階層動画像復号装置１は、従来に比べて、より少ないシンタックス要素を用いて、注目領域抽出前後で上位レイヤ画素と下位レイヤ画素の位置関係の正確さを維持する機能を提供できる。
　［変形例１：上位レイヤに対する参照領域オフセットの制限]
　上記の階層動画像復号装置１の説明では、パラメータセット復号部１２で参照領域情報に含まれる参照領域レイヤインデックス情報が復号され、該参照領域レイヤインデックス情報に基づいて導出されるレイヤiに関連付けられるj番目のレイヤのインデックスLIdx[i][j]は、iより大きい値を取り得ると記載した。これは、レイヤiに関連付けられるj番目の参照領域オフセット情報がLIdx[i][j]との間のレイヤ間処理における参照領域を示すために利用され、LIdx[i][j]で示されるレイヤはレイヤiより上位の各レイヤに対して独立に指定できることを意味する。
　上記のLIdx[i][j]による制約を変更し、LIdx[i][j]のとり得る値をi以下とする制約とした上で、LIdx[i][j]の値がiとなる場合の、レイヤiに関連付けられるj番目の参照領域オフセット情報は、レイヤi上の参照領域であって、レイヤiと、レイヤiより上位の任意のレイヤとの間のレイヤ間処理において利用される参照領域のオフセットを示す情報とする。
　上記のようにLIdx[i][j]の値をi以下に制限する場合、対応参照位置導出処理のＳ１０２において説明した参照レイヤ参照領域オフセットの導出処理は、次のように修正される。すなわち、参照レイヤ（レイヤR、VPS内インデックスr）上の参照領域を示す対象レイヤ参照領域オフセットを導出する。参照レイヤ参照領域オフセットは、左、上、右、下にそれぞれ対応する４つのオフセット（順にRL_RRLO、RL_RRTO、RL_RRRO、RL_RRBO）から構成され、次式により導出される。
　RL_RRLO = RRLO[r][r]
　RL_RRTO = RRTO[r][r]
　RL_RRRO = RRRO[r][r]
　RL_RRBO = RRBO[r][r]
すなわち、対象レイヤ参照領域オフセットの値として、参照レイヤR上の参照領域であって、レイヤRと、レイヤRより上位の任意レイヤとの間のレイヤ間予測で参照される参照領域オフセットを設定している。
　上記変形例によると、参照領域情報に要する符号量を少なくできる。なぜなら、共通のレイヤ（被参照レイヤ）を参照する場合に、該被参照レイヤ上で同一の参照領域を一組の参照領域オフセットにより特定できるためである。一般に、レイヤ間予測により参照される参照領域は同一であることが多いため、上記のように被参照レイヤ上で同一の参照領域を設定できれば、多くのアプリケーションでは機能的に十分といえる。
　［変形例２：SPSによる参照領域情報の伝送]
　上記の階層動画像復号装置１の説明では、参照領域情報をVPS拡張に含む例を説明したが、他のパラメータセット（SPSやPPS）やヘッダ（スライスヘッダ）で送ることも可能である。以下では、SPSに参照領域情報を含む場合の変形例を説明する。
　　　（ＳＰＳ内の参照領域オフセットのシンタックス）
　パラメータセット復号部１２において、入力される符号化データから復号される参照領域オフセットに係るシンタックスについて、図１０を参照して説明する。図１０は、パラメータセット復号部１２がSPSに含まれるSPS拡張（sps_multilayer_extension()）の復号時に参照するシンタックス表の一部であって、参照領域オフセットに係る部分である。
　SPS拡張には参照領域オフセットに係る複数のシンタックス要素が含まれている。以下では、それらを総称してSPS参照領域オフセット関連シンタックスと呼ぶ。図１０に示すシンタックス表は、SPS参照領域オフセット関連シンタックスを構成するシンタックス要素として、以下のシンタックス要素がSPS拡張に含まれていることを示している。
・Ｂ１：参照領域オフセット数（num_ref_region_offsets）
・Ｂ２：参照領域レイヤ識別子情報(ref_region_layer_id[i])
・Ｂ３Ｌ：参照領域左オフセット情報（ref_region_left_offset[i]）
・Ｂ３Ｔ：参照領域上オフセット情報（ref_region_top _offset[i]）
・Ｂ３Ｒ：参照領域右オフセット情報（ref_region_right_offset[i]）
・Ｂ３Ｂ：参照領域下オフセット情報（ref_region_bottom_offset[i]）
　シンタックス要素Ｂ１は6ビットの2進数表現表現の符号、Ｂ２はHEVCで規定されている非負整数の０次指数ゴロム符号（ue(v)）、Ｂ３Ｌ、Ｂ３Ｔ、Ａ３Ｒ、Ａ３ＢはHEVCで規定されている符号付き整数の０次指数ゴロム符号（se(v)）を用いて復号または符号化される。
　参照領域オフセット数（Ｂ１）は、SPS拡張を参照するスライス（ピクチャ）の属するレイヤ（以下、対象レイヤ）に対する参照領域オフセットの数を表す。参照領域オフセットの個数は、左、上、右、下にそれぞれ対応する４個のオフセット（上記Ｂ３Ｌ，Ｂ３Ｔ、Ｂ３Ｒ、Ｂ３Ｂ）の組み合わせの個数に相当する。
　参照領域レイヤ識別子情報（Ｂ２）は、対象レイヤにおけるi番目の参照領域オフセットが関連付けられるレイヤを特定する情報である。具体的には、参照領域レイヤ識別子情報は、対象レイヤに関連付けられるi番目のレイヤのレイヤ識別子（nuh_layer_id）である。ref_region_layer_id[i]の値は、対象レイヤのレイヤ識別子以下である。ref_region_layer_id[i]の値が対象レイヤのレイヤ識別子未満の場合、インデックスiに関連付けられる参照領域オフセット情報は、対象レイヤ上の参照領域であって、対象レイヤとref_region_layer_id[i]の示すレイヤとの間のレイヤ間予測で参照される参照領域のオフセットを示す。ref_region_layer_id[i]の値が対象レイヤのレイヤ識別子と等しい場合、インデックスiに関連付けられる参照領域オフセット情報は、対象レイヤ上の参照領域であって、対象レイヤを参照レイヤとするレイヤと、対象レイヤとの間のレイヤ間予測で参照される参照領域オフセットを示す。
　また、インデックスi1とi2が「i1<i2」を満たす場合、「ref_region_layer_id[i1] < ref_region_layer_id[i2]」の条件を満たすことが好ましい。すなわち、参照領域レイヤ識別子情報は、SPS拡張内で、対応するレイヤ識別子が昇順となる順序で含まれていることが好ましい。レイヤ識別子が順序づけられていれば、レイヤ識別子が最大の参照領域レイヤ識別子情報を例えば、ref_region_layer_id[num_ref_region_offsets-1]により簡単に導出することができる。
　参照領域オフセット情報（参照領域左オフセット情報（Ｂ３Ｌ）、参照領域上オフセット情報（Ｂ３Ｔ）、参照領域右オフセット情報（Ｂ３Ｒ）、参照領域下オフセット情報（Ｂ３Ｂ））は、対象レイヤ上の参照領域であって、対象レイヤと、対象レイヤに関連付けられたi番目のレイヤとの間のレイヤ間処理（レイヤ間予測）で参照される参照領域を表すオフセット（参照領域オフセット）を導出するための情報である。
　　　（SPSによる参照領域情報を用いる場合の対応参照導出処理）
　次に、上記の図１０のシンタックス表を参照して復号されたSPS参照領域オフセット関連シンタックスを用いて、予測画像生成部１４４２による予測画像生成処理のうち、レイヤ間画像予測が選択された場合に実行される、対応参照位置導出処理を説明する。
　対象レイヤと参照レイヤの間のレイヤ間画像予測処理における対応参照位置導出処理は、以下のＳ２０１～Ｓ２０７の手順で順次実行される。
　（Ｓ２０１）パラメータセット復号部１２により、対象レイヤが参照するSPSから参照領域情報として復号された、参照領域オフセット情報から、対象レイヤ上の参照領域であって、対象レイヤ（レイヤC、レイヤ識別子cLId）と参照レイヤ（レイヤR、レイヤ識別子rLId）の間のレイヤ間予測で参照される参照領域オフセットを導出する。以下では、導出される参照領域オフセットを、RRO[cLId][rLId]と呼ぶ。加えて、RRO[cLId][rLId]を構成する左、上、右、下にそれぞれ対応する参照領域オフセットと記号を以下の通り定義する。
　参照領域左オフセット：RRLO[cLId][rLId]
　参照領域上オフセット：RRTO[cLId][rLId]
　参照領域右オフセット：RRRO[cLId][rLId]
　参照領域下オフセット：RRBO[cLId][rLId]
　RRO[i][j]を構成する各オフセット、RRLO[i][j]、RRTO[i][j]、RRRO[i][j]、RRBO[i][j]は、対応する参照領域オフセット情報に基づいて、以下の計算により導出される。
　　RRLO[cLId][rLId] = (ref_region_left_offset[rLId] << 1)
　　RRTO[cLId][rLId] = (ref_region_top_offset[rLId] << 1)
　　RRRO[cLId][rLId] = (ref_region_right_offset[rLId] << 1)
　　RRBO[cLId][rLId] = (ref_region_bottom_offset[rLId] << 1)
　（Ｓ２０２）参照レイヤ上の参照領域を示す参照レイヤ参照領域オフセットを導出する。参照レイヤ参照領域オフセットは、左、上、右、下にそれぞれ対応する４つのオフセット（順にRL_RRLO、RL_RRTO、RL_RRRO、RL_RRBO）から構成され、次式により導出される。
　RL_RRLO = RRLO[cLId][cLId]
　RL_RRTO = RRTO[cLId][cLId]
　RL_RRRO = RRRO[cLId][cLId]
　RL_RRBO = RRBO[cLId][cLId]
すなわち、参照レイヤ参照領域オフセットの値として、参照レイヤ上の参照領域であって、参照レイヤと参照レイヤより上位のレイヤとの間のレイヤ間予測で参照される参照領域オフセットを設定している。
　なお、VPSでの符号化を併用するなどの場合には、第一配列インデックスをrLIdxとする参照領域オフセットが参照可能であり、以下を用いても良い。
　RL_RRLO = RRLO[rLId][rLId]
　RL_RRTO = RRTO[rLId][rLId]
　RL_RRRO = RRRO[rLId][rLId]
　RL_RRBO = RRBO[rLId][rLId]
　（Ｓ２０３）Ｓ２０２で導出した参照レイヤ参照領域オフセットと、参照レイヤピクチャサイズに基づいて、参照レイヤ上の参照領域のサイズを導出する。具体的な処理は、参照レイヤ参照領域オフセットの値がＳ２０２で導出した値である点を除いてＳ１０３の処理と同一であり、記載を省略する。
　（Ｓ２０４）対象レイヤ上の参照領域を示す対象レイヤ参照領域オフセットを導出する。対象レイヤ参照領域オフセットは、左、上、右、下にそれぞれ対応する４つのオフセット（順にCL_RRLO、CL_RRTO、CL_RRRO、CL_RRBO）から構成され、次式により導出される。
　CL_RRLO = RRLO[cLId][rLId]
　CL_RRTO = RRTO[cLId][rLId]
　CL_RRRO = RRRO[cLId][rLId]
　CL_RRBO = RRBO[cLId][rLId]
すなわち、対象レイヤ参照領域オフセットの値として、対象レイヤ上の参照領域であって、対象レイヤ（レイヤ識別子cLId）と参照レイヤ（レイヤ識別子rLId）との間のレイヤ間予測で参照される参照領域オフセットを設定している。
　（Ｓ２０５）Ｓ２０４で導出した対象レイヤ参照領域オフセットと、対象レイヤピクチャサイズに基づいて、参照レイヤ上の参照領域のサイズを導出する。具体的な処理は、対象レイヤ参照領域オフセットの値がＳ２０４で導出した値である点を除いてＳ１０５の処理と同一であり、記載を省略する。
　（Ｓ２０６）Ｓ２０３で導出した参照レイヤ参照領域のサイズとＳ２０５で導出した対象レイヤ参照領域のサイズに基づいて、レイヤ間予測に用いるスケールを導出する。具体的な処理は、参照レイヤ参照領域のサイズがＳ２０３で導出した値であり、対象レイヤ参照領域のサイズがＳ２０５で導出した値であることを除いて、Ｓ１０６の処理と同一であり、記載を省略する。
　（Ｓ２０７）Ｓ２０２で導出した参照レイヤ参照領域オフセットと、Ｓ２０６で導出したスケールに基づいて、１６分の１画素精度の参照画素位置を導出する。具体的な処理は、参照レイヤ参照領域オフセットがＳ２０２で導出した値であり、スケールがＳ２０６で導出した値であることを除いて、Ｓ２０７の処理と同一であり、記載を省略する。
　以上説明したSPSに含まれる参照領域オフセットに係るシンタックスと、該シンタックス値を用いた対応参照位置の導出処理に従って、本変形例による階層動画像復号装置は、注目領域抽出を実行する場合に適切な対応参照位置を導出する機能を提供できる。
　［変形例３：参照領域オフセットのレイヤへの対応付けの別の例]
　上記変形例２において、参照領域レイヤ識別子の値が対象レイヤのレイヤ識別子未満か、レイヤ識別子と等しいかに応じて、後続する参照領域オフセットが対象レイヤ上の参照領域と、参照レイヤ上の参照領域の何れのオフセットを示すかを判定していた。別のシンタックスと導出方法により参照領域オフセットが関連付けられるレイヤを判定する方法を用いることもできる。
　例えば、以下に図１１を参照して説明するように、参照領域対象選択情報を送り、該参照領域対象選択情報から所定の方法で参照領域が何れのレイヤ上の参照領域であるかと、参照領域がどの２つのレイヤ間におけるレイヤ処理で参照される参照領域であるかを導出する。
　図１１は、パラメータセット復号部１２において、SPS参照領域オフセット関連シンタックスの復号時に参照されるシンタックス表であって、変形例２の図１０で説明したシンタックス表の代わりに用いることができる。
　図１１のシンタックス表は、変形例２の図１０のシンタックス表に含まれるＢ２、Ｂ３Ｌ、Ｂ３Ｔ、Ｂ３Ｒ、Ｂ３Ｂのシンタックス要素に代わり、以下のシンタックス要素が含まれていることを示している。
・Ｃ２：参照領域対象選択情報(ref_region_target_info[i])
・Ｃ３Ｌ：参照領域左オフセット情報（ref_region_left_offset[lid1][lid2]）
・Ｃ３Ｔ：参照領域上オフセット情報（ref_region_top _offset[lid1][lid2]）
・Ｃ３Ｒ：参照領域右オフセット情報（ref_region_right_offset[lid1][lid2]）
・Ｃ３Ｂ：参照領域下オフセット情報（ref_region_bottom_offset[lid1][lid2]）
　概略的には、まず、参照領域対象選択情報が復号され、次に該参照領域対象選択情報から2つのレイヤ識別子lid1とlid2を導出する。その後に復号される参照領域オフセット情報は、レイヤlid1上の参照領域であって、レイヤlid1とレイヤlid2の間のレイヤ間予測において参照される参照領域のオフセットに設定される。
　参照領域対象選択情報（Ｃ２）は、後続の参照領域オフセットが関連付けられるレイヤを特定するための情報である。参照領域対象選択情報から、２つのレイヤ識別子lid1とlid2が導出される。
　レイヤ識別子lid1（第一のレイヤ識別情報）は、参照領域が存在するレイヤのレイヤ識別子を表す。lid1は次の手順で導出される。なお、参照領域対象選択情報の値（ref_region_target_info[i]）をRRTI[i]と略記する。
　１．RRTI[i]が対象レイヤのレイヤ識別子（nuh_layer_id）より小さい場合、lid1の値をnuh_layer_idに設定する。
　２．上記以外の場合（RRTI[i]がnuh_layer_id以上の場合）、lid1の値を「RRTI[i]-nuh_layer_id」に設定する。
　なお、図１１上に示したlid1の導出式は、上記の手順を数式で表現したものである。
　レイヤ識別子lid2（第二のレイヤ識別情報）は、参照領域が、レイヤlid1と何れのレイヤの間のレイヤ間予測で参照される参照領域であるかを表す。lid2は次の手順で導出される。
　１．RRTI[i]が対象レイヤのレイヤ識別子（nuh_layer_id）より小さい場合、lid2の値をRRTI[i]に設定する。
　２．上記以外の場合（RRTI[i]がnuh_layer_id以上の場合）、lid2の値をnuh_layer_idに設定する。
　なお、図１１上に示したlid2の導出式は、上記の手順を数式で表現したものである。
　上記の手順により参照領域対象選択情報の値から２つのレイヤ識別子lid1とlid2が導出される。上記の導出手順を言い換えると、参照領域対象選択情報が対象レイヤ（SPSを参照するレイヤ）のレイヤ識別子の値より小さい場合に、後続の参照領域オフセットを対象レイヤ上の参照領域のオフセットとして利用し、参照領域対象選択情報が対象レイヤのレイヤ識別子の値以上の場合に、後続の参照領域オフセットを対象レイヤのレイヤ識別子から参照領域対象選択情報の値を現在した値をレイヤ識別子とするレイヤ上の参照領域オフセットとして利用する。
　なお、参照領域対象選択情報から２つのレイヤ識別子へのマッピングを他の方法により実行しても構わない。ただし、その場合、何れかのレイヤ識別子は対象レイヤのレイヤ識別子となるような導出処理とする必要がある。例えば、判定式や減算において対象レイヤのレイヤ識別子nuh_layer_idを用いたが、代わりにレイヤ識別子の最大値を用いてもよい。その場合、参照領域対象選択情報の符号量が増加するが、SPSを別のレイヤから参照するよう書き換えが必要な場合であっても、参照領域対象選択情報の値を書き変えを省略できるという利点がある。
　参照領域オフセット情報（参照領域左オフセット情報（Ｃ３Ｌ）、参照領域上オフセット情報（Ｃ３Ｔ）、参照領域右オフセット情報（Ｃ３Ｒ）、参照領域下オフセット情報（Ｃ３Ｂ））は、対象レイヤ上の参照領域であって、レイヤlid1上の参照領域であって、レイヤlid1とレイヤlid2との間のレイヤ間処理（レイヤ間予測）で参照される参照領域を表すオフセット（参照領域オフセット）を導出するための情報である。参照領域オフセット情報は、lid1とlid2の組み合わせと関連付けて記録される。
　上記のように参照領域選択対象情報を併用して参照領域オフセット情報を送ることで、SPSで送る場合であっても少ない符号量の追加で、レイヤの組み合わせ毎に異なる参照領域オフセットを指定する機能を提供できる。
　［変形例４：表示領域利用の制御情報]
　２つのレイヤ間のレイヤ間予測を実行する場合に参照領域を暗黙的に決定する方法として、表示領域情報を用いる方法が知られている。しかしながら、表示領域情報を参照領域を指定する用途で用いる場合には、表示領域情報を表示領域の指定のために変更することが制限されるという課題がある。また、特定のレイヤの表示領域が変更された場合には、該レイヤを参照レイヤとする上位レイヤのレイヤ間予測画像が変化するため、上位レイヤの符号化データを再生成する必要が生じるという課題がある。そのため、表示領域を参照領域として使用するか否かを別の情報により制御できることが好ましい。
　　（４－１：参照領域の規定値として利用する方法）
　図１を参照して説明した対応参照位置導出処理のＳ１０１では、参照領域オフセット情報から参照領域オフセットを導出する際に、対応する参照領域オフセット情報が存在しない場合の参照領域オフセット既定値として、参照領域がピクチャ全体となるよう参照領域オフセットの値を設定すると説明した。参照領域オフセット既定値を表示領域とすることで、参照領域オフセットを送らない場合に表示領域を参照領域の既定値として利用しつつ、表示領域を変更する必要がある場合には、参照領域オフセットを明示的に変更前の表示領域に相当する値を指定することで、上位レイヤの書き換えを避けつつ表示領域の変更が可能となる。
　以下では、表示領域を参照領域の既定値として利用するよう、対応参照位置導出処理のＳ１０１を修正した処理であるＳ１０１ａについて記載する。
　（Ｓ１０１ａ）パラメータセット復号部１２で参照領域情報として復号された、iとjをインデックスとする参照領域オフセット情報から、対象レイヤC（VPS内インデックスc）上の参照領域であって、対象レイヤCと参照レイヤRの間のレイヤ間予測で参照される参照領域オフセットを導出する。以下では、導出される参照領域オフセットを、RRO[c][r]と呼ぶ。加えて、RRO[c][r]を構成する左、上、右、下にそれぞれ対応する参照領域オフセットと記号を以下の通り定義する。
　参照領域左オフセット：RRLO[c][r]
　参照領域上オフセット：RRTO[c][r]
　参照領域右オフセット：RRRO[c][r]
　参照領域下オフセット：RRBO[c][r]
　RRO[c][r]を構成する各オフセット、RRLO[c][r]、RRTO[c][r]、RRRO[c][r]、RRBO[c][r]は、対応する参照領域オフセット情報に基づいて、以下の計算により導出される。
　　RRLO[c][r] = (ref_region_left_offset[i][j] << 1)
　　RRTO[c][r] = (ref_region_top_offset[i][j] << 1)
　　RRRO[c][r] = (ref_region_right_offset[i][j] << 1)
　　RRBO[c][r] = (ref_region_bottom_offset[i][j] << 1)
ここで、c=i、r=LIdx[i][j]の関係がある。LIdx[i][j]は、パラメータセット復号部１２において復号された参照領域レイヤインデックス情報に基づいて導出された配列であって、レイヤiに対するj番目の参照領域オフセット情報が関連付けられるレイヤのVPS内インデックスを表す。
　なお、特定のcとrの組み合わせに対応する参照領域オフセット（RRO[c][r]）に対して、対応するiとjの組み合わせに対応する参照領域オフセット情報が存在しない場合、RRO[c][r]を構成する各オフセットの値には、参照レイヤR（VPS内インデックスr）の表示領域情報の対応する値が設定される。つまり、そのような場合、対象レイヤC上の参照領域であって、対象レイヤCと参照レイヤRの間のレイヤ間予測で参照される参照領域の既定値として参照レイヤR上の表示領域が設定される。具体的には、RRO[c][r]を構成する各オフセット、RRLO[c][r]、RRTO[c][r]、RRRO[c][r]、RRBO[c][r]は、参照レイヤRの表示領域情報に基づいて、以下の式により設定される。
　　RRLO[c][r] = conf_win_left_offset[r]
　　RRTO[c][r] = conf_win_top_offset[r]
　　RRRO[c][r] = conf_win_right_offset[r]
　　RRBO[c][r] = conf_win_bottom_offset[r]
ここで、conf_win_left_offset[r]、conf_win_top_offset[r]、conf_win_right_offset[r]、conf_win_bottom_offset[r]は、それぞれ、参照レイヤRが参照するSPSから復号される各表示領域位置情報（conf_win_left_offset、conf_win_top_offset、conf_win_right_offset、conf_win_bottom_offset）の対応するシンタックスの値である。
　　（４－２：制御フラグを追加する方法）
　参照領域を表示領域とするかを示すフラグ（表示領域利用制御フラグ）をパラメータセットに含め、パラメータセット復号部１２で復号して、予測画像生成部１４４２における対応参照位置導出処理に利用できる。表示領域利用制御フラグとしては、次の何れかが利用できる。
　表示領域利用制御フラグＡ：表示領域利用制御フラグＡの値が１の場合、表示領域をレイヤ間予測における参照領域とすることを示す。該フラグの値が０の場合、ピクチャ全体をレイヤ間予測における参照領域とすることを示す。
　表示領域利用制御フラグＢ：表示領域利用制御フラグＢの値が１の場合、表示領域をレイヤ間予測における参照領域とすることを示す。該フラグの値が０の場合、参照領域オフセット情報により指定される参照領域を参照領域とすることを示す。
　パラメータセット復号部１２で復号される、表示領域利用制御フラグＡの例を図１２に示す。表示領域利用フラグＡ（use_conf_win_il_flag）は、SPS拡張に含まれており、1ビットのフラグとして復号または符号化される。
　対応参照位置導出処理では、表示領域利用フラグＡの値に基づいて、参照レイヤ参照領域が次の手順で設定される。
　１．表示領域利用フラグＡの値が１の場合、参照レイヤ参照領域オフセットの各オフセットは、参照レイヤの表示領域を特定するための表示領域情報に含まれる各オフセットの値が設定される。
　２．表示領域利用フラグＡの値が０の場合、参照レイヤ参照領域オフセットの各オフセットは、０が設定される。
　上記のように表示領域利用制御フラグを利用することで、表示領域を参照領域として使用するか否かを制御できる。そのため、表示領域をレイヤ間予測における参照領域と別の用途で使う場合であってもレイヤ間予測における参照領域を避けられる。
　［付記事項１：参照領域位置情報が伝送可能なレイヤについて]
　上記の実施形態や各変形例において、参照領域位置情報（参照領域オフセット情報）は２つのレイヤ識別情報に直接または間接的に関連付けられている。つまり、ある一組の参照領域位置情報は、レイヤＡ上の参照領域であって、レイヤＡとレイヤＢの間のレイヤ間処理で参照される参照領域の形状および位置を示す情報である。
　参照領域位置情報は、必ずしも全てのレイヤＡとレイヤＢの組み合わせに対して符号化データに含める必要はなく、必要な組み合わせに関する参照領域位置情報のみを符号化データから復号できるように上記のレイヤＡやレイヤＢを特定するレイヤ識別情報を用いてもよい。例えば、レイヤＢの取り得る範囲を、レイヤＡの直接参照レイヤ（direct reference layer）に制限してもよい。その場合、レイヤ識別情報として、レイヤＡに対する直接参照レイヤのリストに対するインデックスを用いることができ、それにより、レイヤ識別情報の符号量を削減できる。特に、参照領域位置情報をPPSやスライスヘッダに含める場合に、レイヤＢの範囲をレイヤＡに対する直接参照レイヤに制限することが好ましい。
　また、参照領域位置情報がスライスヘッダに含まれる場合、レイヤＢの範囲を、該スライスヘッダを含むピクチャにおいて有効な直接参照レイヤ（active direct reference layer）に制限してもよい。その場合、レイヤＢのレイヤ識別情報は、該スライスヘッダを含むピクチャにおいて有効な直接参照レイヤのリストに対するインデックスを用いることができる。
　（階層動画像符号化装置の構成）
　図１４を用いて、階層動画像符号化装置２の概略構成を説明する。図１４は、階層動画像符号化装置２の概略的構成を示した機能ブロック図である。階層動画像符号化装置２は、対象レイヤの入力画像ＰＩＮ＃Ｔを、参照レイヤ符号化データＤＡＴＡ＃Ｒを参照しながら符号化して、対象レイヤの階層符号化データＤＡＴＡを生成する。なお、参照レイヤ符号化データＤＡＴＡ＃Ｒは、参照レイヤに対応する階層動画像符号化装置において符号化済みであるとする。
　図１４に示すように階層動画像符号化装置２は、NAL多重化部２１、パラメータセット符号化部２２、タイル設定部２３、スライス符号化部２４、復号ピクチャ管理部１６、および、ベース復号部１５を備える。
　ＮＡＬ多重化部２１は、入力される対象レイヤ符号化データＤＡＴＡ＃Ｔと、参照レイヤ符号化データＤＡＴＡ＃ＲとをＮＡＬユニットに格納することでＮＡＬ多重化した階層動画像符号化データＤＡＴＡを生成し、外部に出力する。
　パラメータセット符号化部２２は、入力されるタイル情報と入力画像に基づいて、入力画像の符号化に用いるパラメータセット（VPS、SPS、および、PPS）を設定して、対象レイヤ符号化データＤＡＴＡ＃Ｔの一部としてVCL NALの形式でパケット化してNAL多重化部２１に供給する。
　パラメータセット符号化部２２が符号化するパラメータセットには、階層動画像復号装置１に関連して説明したピクチャ情報、表示領域情報、および、参照領域情報が少なくとも含まれる。
　タイル設定部２３は、入力画像に基づいてピクチャのタイル情報を設定して、パラメータセット符号化部２２とスライス符号化部２４に供給する。例えば、ピクチャサイズをＭ×Ｎ個のタイルに分割することを示すタイル情報を設定する。ここで、Ｍ、Ｎは任意の正の整数である。
　スライス符号化部２４は、入力される入力画像、パラメータセット、タイル情報、および、復号ピクチャ管理部１６に記録されている参照ピクチャに基づいて、ピクチャを構成するスライスに対応する入力画像の一部を符号化して、当該部分の符号化データを生成し、対象レイヤ符号化データＤＡＴＡ＃Ｔの一部としてNAL多重化部２１に供給する。スライス符号化部２４の詳細な説明は後述する。
　復号ピクチャ管理部１６は、既に説明した階層動画像復号装置１の備える復号ピクチャ管理部１６と同一の構成要素である。ただし、階層動画像符号化装置２の備える復号ピクチャ管理部１６では、内部のDPBに記録されたピクチャを出力ピクチャとして出力する必要はないため、当該出力は省略できる。なお、階層動画像復号装置１の復号ピクチャ管理部１６の説明において「復号」として説明した記載は「符号化」と置き換えることで、階層動画像符号化装置２の復号ピクチャ管理部１６にも適用できる。
　ベース復号部１５は、既に説明した階層動画像復号装置１の備えるベース復号部１５と同一の構成要素であり、詳細説明は省略する。
　（スライス符号化部）
　次に図１５を参照して、スライス符号化部２４の構成の詳細を説明する。図１５は、スライス符号化部２４の概略的構成を示した機能ブロック図である。
　図１５に示すように、スライス符号化部２４は、スライスヘッダ設定部２４１、スライス位置設定部２４２、ＣＴＵ符号化部２４４を含む。ＣＴＵ符号化部２４４は、内部に予測残差符号化部２４４１、予測画像符号化部２４４２、ＣＴＵ復号画像生成部１４４３を含む。
　スライスヘッダ設定部２４１は、入力されるパラメータセットとスライス位置情報に基づいてスライス単位で入力される入力画像の符号化に用いるスライスヘッダを生成する。生成されたスライスヘッダは、スライス符号化データの一部として出力されるとともに、入力画像と合わせてＣＴＵ符号化部２４４に供給される。
　スライスヘッダ設定部２４１で生成されるスライスヘッダには、SHスライス位置情報が少なくとも含まれる。
　スライス位置設定部２４２は、入力されるタイル情報に基づいてピクチャ内のスライス位置を決定してスライスヘッダ設定部２４１に供給する。
　ＣＴＵ符号化部２４４は、入力されるパラメータセット、スライスヘッダに基づいて、入力画像（対象スライス部分）をCTU単位で符号化して、対象スライスに係るスライスデータおよび復号画像（復号ピクチャ）を生成して出力する。CTUの符号化は、予測画像符号化部２４４２、予測残差符号化部２４４１、CTU復号画像生成部により実行される。
　予測画像符号化部２４４２は、対象スライスに含まれる対象CTUの予測方式および予測パラメータを決定し、決定した予測方式に基づいて予測画像を生成して予測残差符号化部２４４１とＣＴＵ復号画像生成部１４４３に出力する。予測方式や予測パラメータの情報は予測情報（ＰＴ情報）として可変長符号化されて、スライス符号化データに含まれるスライスデータの一部として出力される。予測画像符号化部２４４２で選択可能な予測方式には、少なくともレイヤ間画像予測が含まれている。
　予測画像符号化部２４４２は、予測方式としてレイヤ間画像予測が選択された場合、対応参照位置導出処理を実行して、予測対象画素に対応する参照レイヤ画素位置を決定し、該位置に基づく補間処理により予測画素値を決定する。対応参照位置導出処理としては、階層動画像復号装置１の予測画像生成部１４４２について説明した各処理が適用できる。例えば、図１を参照して説明した、パラメータセットに含まれる参照領域情報に基づいて対応参照位置を導出する処理が適用される。
　予測残差符号化部２４４１は、入力される入力画像と予測画像の差分画像を、変換・量子化して得られる量子化変換係数（ＴＴ情報）を、スライス符号化データに含まれるスライスデータの一部として出力する。また、量子化変換係数に逆変換・逆量子化を適用して予測残差を復元し、復元した予測残差をＣＴＵ復号画像生成部１４４３に出力する。
　ＣＴＵ復号画像生成部１４４３は、階層動画像復号装置１の同名の構成要素と同じ機能を有しているため、同一の符号を付与して説明を省略する。
　（動画像符号化装置２の効果）
　以上説明した本実施形態に係る階層動画像符号化装置２（階層画像符号化装置）は、パラメータセットを符号化するパラメータセット符号化部２２と、参照レイヤピクチャの復号画素を参照してレイヤ間予測により予測画像を生成する予測画像符号化部２４４２を備えている。パラメータセット符号化部２２は参照領域情報を符号化し、予測画像符号化部２４４２は、参照領域情報から導出される対象レイヤ参照領域オフセットと参照レイヤ参照領域情報の値を用いて対象レイヤ上の画素に対する対応参照位置を導出する。
　したがって、上記階層動画像符号化装置２は、参照領域情報を適切に設定することで、注目領域抽出に代表される目的で階層符号化データを変換する場合であっても、変換の前後で同一位置に相当する対象レイヤの画素に対して同一の対応参照位置を導出できる。その際、スケール計算に用いる対象レイヤと参照レイヤの参照領域をともに参照領域情報から導出するため、従来に比べて少ないシンタックス要素を用いて変換の前後で同一の対応参照位置を導出する機能を実現できる。
　〔階層符号化データ変換装置３〕
　図１６を用いて、階層符号化データ変換装置３の概略構成を説明する。図１６は、階層符号化データ変換装置３の概略的構成を示した機能ブロック図である。階層符号化データ変換装置３は、入力される階層符号化データＤＡＴＡを変換して、入力される注目領域情報に係る階層符号化データＤＡＴＡ－ＲＯＩを生成する。なお、階層符号化データＤＡＴＡは階層動画像符号化装置２により生成された階層符号化データである。また、階層符号化データＤＡＴＡ－ＲＯＩを階層動画像復号装置１に入力することで注目領域情報に係る上位レイヤの動画像を再生できる。
　図１６に示すように、階層符号化データ変換装置３は、NAL逆多重化部１１、NAL多重化部２１、パラメータセット復号部１２、タイル設定部１３、パラメータセット修正部３２、NAL選択部３４を含む。
　NAL逆多重化部１１、パラメータセット復号部１２、タイル設定部１３は、それぞれ、階層動画像復号装置１が含む同名の構成要素と同じ機能を有するため、同一の符号を付与して説明を省略する。
　NAL多重化部２１は、階層動画像符号化装置２が含む同名の構成要素と同じ機能を有するため、同一の符号を付与して説明を省略する。
　パラメータセット修正部３２は、入力される注目領域情報とタイル情報に基づいて、入力されるパラメータセット情報を修正して出力する。パラメータセット修正部３２は、概略的には、パラメータセットに含まれるピクチャ情報、表示領域情報、レイヤ間画素対応情報、参照領域情報、PPSタイル情報を修正する。
　注目領域情報は、動画像を構成するピクチャにおいて、ユーザー（例えば再生動画像の視聴者）が指定するピクチャの部分領域である。注目領域情報は、例えば矩形の領域で指定される。その場合、例えば、注目領域を表わす矩形の上辺、下辺、左辺、右辺のピクチャ全体の対応する辺（上辺、下辺、左辺、または、右辺）からの位置のオフセットを注目領域情報として指定できる。なお、矩形以外の形状の領域（例えば、円、多角形、物体抽出により抽出した物体を示す領域）を注目領域として使用してもよいが、以下では説明の簡単のため矩形の注目領域を想定する。なお、矩形以外の領域に対して、以下に記載する内容を適用する場合、例えば、注目領域を包含する面積最小の矩形を以下の説明における注目領域とみなして適用できる。
　　（変換処理の概略）
　始めに、階層符号化データ変換装置３による変換処理によるパラメータセット修正の概略について、図１７を参照して説明する。図１７は、変換前後の階層符号化データにおけるピクチャ、注目領域、および、タイルの関係を例示した図である。図１７では、拡張レイヤとベースレイヤの２レイヤから構成される階層符号化データ（変換前階層符号化データ）を変換して注目領域を含む階層符号化データ（変換後階層符号化データ）を生成する場合の、変換前後のピクチャの関係を示している。変換前階層符号化データの拡張レイヤは変換前ELピクチャに相当するデータであり、ベースレイヤは変換前BLピクチャに相当するデータである。同様に、変換後階層符号化データの拡張レイヤは変換後ELピクチャに相当するデータであり、ベースレイヤは変換後BLピクチャに相当するデータである。
　概略的には、階層符号化データ変換装置３は、入力される変換前階層符号化データから、拡張レイヤ上で注目領域と重複領域を持たないタイルを取り除き、関連するパラメータセットを修正することで、変換後の階層符号化データを生成する。階層動画像復号装置は、変換後階層符号化データを入力として、注目領域に係る復号画像を生成できる。
　　（タイル情報の修正）
　パラメータセット修正部３２は、入力される注目領域情報とタイル情報を参照して、対応する領域の一部が注目領域と重複するタイル（抽出対象タイル）のみを含むよう拡張レイヤのPPSタイル情報を更新する。抽出対象タイルの情報に基づいて、拡張レイヤのPPSタイル情報を更新する。まず、抽出対象タイルが１個の場合、tiles_enabled_flagを０に修正する。なお、抽出対象タイルが２個以上の場合は修正処理は省略できる。次に、ピクチャの水平方向と垂直方向に含まれる抽出対象タイルの個数に基づいて、タイル行数を表わす(num_tile_columns_minus1）とタイル列数を表わす（num_tile_rows_minus1）を修正する。次に、タイルサイズが不均等（uniform_spacing_flagが０）の場合には、抽出対象タイルを含まないタイル列の幅、抽出対象タイルを含まないタイル行の高さに係るシンタックスに対応するビット列をパラメータセットから削除する。
　加えて、パラメータセット修正部３２は、変換前BLピクチャに含まれるタイルのうち、拡張レイヤで抽出したタイルの復号に不要なタイルを取り除く。例えば、変換後BLピクチャに対応する拡張レイヤ上の領域（変換後参照レイヤ対応領域）が、変換後ELピクチャを包含するようにベースレイヤのPPSタイル情報を更新する。
　　（ピクチャ情報の修正）
　パラメータセット修正部３２は、拡張レイヤの抽出対象タイルの集合に対応する領域を変換後ELピクチャサイズとしてピクチャ情報を修正する。変換後ELピクチャの幅と高さを拡張レイヤSPSのpic_width_in_luma_samplesとpic_height_in_luma_samplesの値としてそれぞれ設定する。
　加えて、パラメータセット修正部３２は、ベースレイヤの抽出対象タイルの集合に対応する領域を変換後BLピクチャサイズとしてピクチャ情報を修正する。変換後BLピクチャの幅と高さをベースレイヤSPSのpic_width_in_luma_samplesとpic_height_in_luma_samplesの値としてそれぞれ設定する。
　　（レイヤ間画素対応情報の修正）
　パラメータセット修正部３２は、ピクチャサイズの変更を踏まえて、パラメータセットに含まれるレイヤ間画素対応情報を修正する。具体的には、レイヤ間画素対応情報に含まれる参照領域オフセットを修正する。ここで、説明のため、拡張レイヤのレイヤ識別子をe、ベースレイヤのレイヤ識別子をbとする。参照領域オフセットに含まれる、レイヤe上の参照領域であって、レイヤeとレイヤbとの間のレイヤ間予測で参照される参照領域に対する参照領域左オフセットref_region_right_offset[e][k]（ただし、b=rLIdx[e][k]）の値は、変換前ELピクチャの左上画素と変換後ELピクチャの左上画素の水平方向の距離を２画素単位で表した値を絶対値とする負値が設定される。加えて、レイヤb上の参照領域であって、レイヤbとレイヤeとの間のレイヤ間予測で参照される参照領域に対する参照領域左オフセットref_region_right_offset[b][l]（ただしe=rLIdx[b][l]）の値は、変換前BLピクチャの左上画素と変換後BLピクチャの左上画素の水平方向の距離を２画素単位で表した値を絶対値とする負値が設定される。他の上、右、下に対応する参照領域オフセットの値も同様に設定される。
　　（表示領域情報の修正）
　パラメータセット修正部３２は、入力される注目領域情報の示す注目領域と一致するように、入力されるパラメータセットに含まれるSPSの表示領域情報を書き換える。表示領域情報は、例えば、次のＳ３０１からＳ３０３の手順で書き換えられる。
　（Ｓ３０１）注目領域がピクチャ全体と一致するか否かを判定する。一致する場合、Ｓ３０２に進み、一致しない場合、Ｓ３０３に進む。
　（Ｓ３０２）上書き前の表示領域フラグの値が１であった場合には、当該表示領域フラグの値を０に上書きし、かつ、表示領域オフセット（conf_win_left_offset、conf_win_right_offset、conf_win_top_offset、conf_win_bottom_offset）をSPSから取り除いて処理を終了する。
　（Ｓ３０３）表示領域フラグの値を１に上書きする。表示領域オフセットの各オフセットを注目領域を表わす矩形の各辺のピクチャの対応する辺との位置のオフセットの値に設定する。例えば、注目領域上辺のピクチャ上辺に対する位置オフセットを表示領域上オフセット（conf_win_top_offset）の値に設定する。なお、書き換え前の表示領域フラグの値が１であった場合には、上記設定した注目領域オフセットの値を用いて、元の注目領域オフセットの値を上書きする。書き換え前の表示領域フラグの値が１であった場合には、上記設定した注目領域オフセットをSPSの表示領域フラグの直後に挿入する。
　NAL選択部３４は、入力される注目領域情報とタイル情報に基づいて、入力されるビデオ符号化レイヤNAL（VCL NAL）の選択を行う。選択されたVCL NALはNAL多重化部２１に順次出力され、選択されなかったVCL NALは破棄される。
　NAL選択部３４で選択されるVCL NALは、抽出対象タイルに含まれるスライスに関するスライスヘッダおよびスライスデータを含むVCL NALである。NAL選択部３４は、スライスヘッダに含まれるスライスアドレスとタイル情報から、スライスが抽出対象タイルに含まれているかを判定し、含まれている場合は当該スライスを含むVCL NALを選択し、含まれていない場合は該VCL NALを破棄する。
　　（階層符号化データ変換処理フロー）
　階層符号化データ変換装置３による階層符号化データ変換処理は、Ｓ５０１～Ｓ５０６に示す手順を順次実行することで実現される。
　（Ｓ５０１）NAL逆多重化部１１は、入力された階層符号化データＤＡＴＡを逆多重化する。パラメータセットに係る部分（非VCL NAL）をパラメータ復号部１２に出力し、スライスレイヤ（スライスヘッダ、スライスデータ）に係る部分であるビデオ符号化レイヤNAL（VCL NAL）をNAL選択部３４に出力する。
　（Ｓ５０２）パラメータセット復号部１２は、入力された非VCL NALからパラメータセット（VPS、SPS、PPS）を復号して、パラメータセット修正部３２とタイル設定部１３に出力する。
　（Ｓ５０３）タイル設定部１３は、入力されるパラメータセットからタイル情報を導出してパラメータセット修正部３２とNAL選択部３４に出力する。
　（Ｓ５０４）パラメータセット修正部３２は、入力される注目領域情報とタイル情報に基づいて入力されるパラメータセットを修正して出力する。
　（Ｓ５０５）NAL選択部３４は、入力されるタイル情報と注目領域情報に基づいて、入力されるVCL NALの一部を選択し、選択したVCL NALをNAL多重化部２１に出力する。
　（Ｓ５０６）NAL多重化部２１は、入力される修正後のパラメータセットと修正後のスライスヘッダとスライスデータを修正後の対象レイヤの符号化データとして、入力される参照レイヤ符号化データＤＡＴＡ＃Ｒと多重化して階層符号化データＤＡＴＡ－ＲＯＩとして外部に出力する。
　（階層符号化データ変換装置３の効果）
　以上説明した本実施形態に係る階層符号化データ変換装置３は、対象レイヤ（上位レイヤ）の符号化データに含まれるビデオレイヤの符号化データ（VCL NAL）の一部を注目領域情報に基づいて修正するＮＡＬ選択部３４と、パラメータセット修正部３２を備えている。ＮＡＬ選択部３４は、注目領域情報の示す注目領域に基づいて、注目領域と重複する領域をもつタイルを抽出対象タイルとして選択し、前記選択した抽出対象タイルに含まれるスライスに係るビデオレイヤの符号化データが変換後の階層符号化データに含まれる。パラメータセット修正部３２は、注目領域情報とタイル情報に基づいて、ピクチャ情報、PPSタイル情報、表示情報、および、参照領域情報を修正する。
　上記の階層符号化データ変換装置３によれば、入力された階層符号化データを変換して、上位レイヤにおいて抽出対象タイル（注目領域と重複した領域を持つタイル）に係るVCL NALを抽出して、変換後の階層符号化データを構成できる。注目領域と重複領域を持たないタイルに係るVCL NALは破棄されるため、変換後の階層符号化データの符号量は、変換前の階層符号化データに較べて少ない。また、上記の階層符号化データ変換装置３によれば、パラメータセットを、抽出対象タイルに合わせてピクチャ情報、PPSタイル情報、表示情報を修正するため、変換後の階層符号化データは階層動画像復号装置により復号でき、注目領域に係る復号ピクチャを表示できる。加えて、参照領域情報が修正されるため、変換前後の階層符号化データでスケールと上位レイヤの画素と参照レイヤの画素の対応関係が維持される。そのため、変換前の符号化データにより生成されるレイヤ間予測の予測画像と変換後の符号化データにより生成されるレイヤ間予測の予測画像が同程度に維持できる。
　〔注目領域表示システム〕
　上述した階層動画像復号装置１、階層動画像符号化装置２、及び、階層符号化データ変換装置３を組み合わせて、注目領域情報を表示するシステム（注目領域表示システムＳＹＳ）を構成できる。
　図１８に基づいて、上述した階層動画像復号装置１、階層動画像符号化装置２、及び、階層符号化データ変換装置３の組み合わせにより、注目領域表示システムが構成できることを説明する。図１８は、階層動画像復号装置１、階層動画像符号化装置２、及び、階層符号化データ変換装置３の組み合わせによる注目領域表示システムの構成を示したブロック図である。注目領域表示システムＳＹＳは、概略的には、品質の異なる入力画像を階層符号化して蓄積しておき、ユーザーからの注目領域情報に応じて蓄積された階層符号化データを変換して提供し、変換した階層符号化データを復号することで注目領域（ＲＯＩ）に係る高品質の再生画像を表示する。
　図１８に示すように、注目領域表示システムＳＹＳは、階層動画像符号化部ＳＹＳ１Ａ、階層動画像符号化部ＳＹＳ１Ｂ、階層符号化データ蓄積部ＳＹＳ２、階層符号化データ変換部ＳＹＳ３、階層動画像復号部ＳＹＳ４、表示部ＳＹＳ６、ＲＯＩ通知部ＳＹＳ８を構成要素として含む。
　階層動画像符号化部ＳＹＳ１Ａ、ＳＹＳ１Ｂには、前述の階層動画像符号化装置２を利用できる。
　階層符号化データ蓄積部ＳＹＳ２は、階層符号化データを蓄積し、要求に応じて階層符号化データを供給する。階層符号化データ蓄積部ＳＹＳ２として、記録媒体（メモリ、ハードディスク、光学ディスク）を備えたコンピュータが利用できる。
　階層符号化データ変換部ＳＹＳ３には、前述の階層符号化データ変換部３が利用できる。したがって、階層符号化データ変換部ＳＹＳ３は、入力される階層符号化データに含まれる参照領域情報を、入力される注目領域に合わせて適切な値に設定できる。
　階層動画像復号部ＳＹＳ４には、前述の階層動画像復号装置１が利用できる。したがって、階層動画像復号部ＳＹＳ４は、パラメータセットから参照領域情報を復号して、該参照領域情報を参照してレイヤ間予測を実行できる。
　表示部ＳＹＳ６は、復号画像を所定の表示領域の所定の表示位置に表示する。例えば、表示領域はテレビの画面であり、表示位置はその全体である。なお、表示部ＳＹＳ６は、入力される復号画像を表示領域のサイズに一致するサイズに拡大または縮小して表示することが好ましい。
　ＲＯＩ通知部ＳＹＳ８は、所定の方法でユーザーが指定した注目領域情報を通知する。例えば、ユーザーは全体表示画像が表示された表示領域上で、注目領域に相当する領域を指定することでＲＯＩ通知部に注目領域を伝えることができる。なお、ＲＯＩ通知部ＳＹＳ８は、ユーザーの指定がない場合は、注目領域が無いことを示す情報を注目領域情報として通知する。
　　（注目領域表示システムのフロー）
　注目領域表示システムによる処理は、階層符号化データ生成蓄積処理と注目領域データ生成再生処理に分けることができる。
　階層符号化データ生成蓄積処理では、異なる品質の入力画像から階層符号化データを生成して蓄積する。階層符号化データ生成蓄積処理は、Ｔ１０１からＴ１０３の手順で実行される。
　（Ｔ１０１）階層動画像符号化部ＳＹＳ１Ｂは、入力される低品質の入力画像を符号化し、生成された階層符号化データを階層動画像符号化部ＳＹＳ１Ａに供給する。つまり、階層動画像符号化部ＳＹＳ１Ｂは、入力画像から、階層動画像符号化部ＳＹＳ１Ａにおいて参照レイヤ（下位レイヤ）として使用される階層符号化データを生成して出力する。
　（Ｔ１０２）階層動画像符号化部ＳＹＳ１Ａは、入力される高品質の入力画像を、入力された階層符号化データを参照レイヤの符号化データとして符号化し、階層符号化データを生成して階層符号化データ蓄積部ＳＹＳ２に出力する。
　（Ｔ１０３）階層符号化データ蓄積部ＳＹＳ２は、入力された階層符号化データに適切なインデックスを付けて内部の記録媒体に記録する。
　注目領域データ生成再生処理では、階層符号化データ蓄積部ＳＹＳ２から階層符号化データを読み出し、注目領域に相当する階層符号化データに変換し、変換した階層符号化データを復号して再生及び表示する。注目領域データ生成再生処理は、以下のＴ２０１～Ｔ２０５の手順で実行される。
　（Ｔ２０１）ユーザーの選択した動画像に関する階層符号化データが階層符号化データ蓄積部ＳＹＳ２から階層符号化データ変換部ＳＹＳ３に供給される。
　（Ｔ２０２）ＲＯＩ通知部ＳＹＳ８は、ユーザーの指定した注目領域情報を階層符号化データ変換部ＳＹＳ３に通知する。
　（Ｔ２０３）階層符号化データ変換部ＳＹＳ３は、入力された注目領域情報に基づいて、入力された階層符号化データを変換して、階層動画像復号部ＳＹＳ４に出力する。
　（Ｔ２０４）階層動画像復号部ＳＹＳ４は、入力された階層動画像符号化データ（変換後）を復号して、得られた上位レイヤの復号ピクチャを表示部ＳＹＳ６に出力する。
　（Ｔ２０５）表示部ＳＹＳ６は、入力された復号画像を表示する。
　　（注目領域表示システムＳＹＳの効果）
　以上説明した本実施形態に係る注目領域表示システムＳＹＳは、注目領域情報を供給する注目領域通知部（ＲＯＩ通知部ＳＹＳ８）と、前記注目領域情報に基づいて階層符号化データを変換して変換後階層符号化データを生成する階層符号化データ変換部ＳＹＳ３と、上記変換後階層符号化データを復号して上位レイヤ及び下位レイヤの復号ピクチャを出力する階層動画像復号部ＳＹＳ４と、表示部ＳＹＳ６を備えている。
　上記の注目領域表示システムＳＹＳによれば、注目領域情報により指定された領域の復号ピクチャを表示できる。その際、注目領域情報により指定された領域の復号ピクチャは、階層符号化データの上位レイヤの符号化データから、参照領域情報に基づいて導出されるスケールと対応参照位置を用いるレイヤ間画像予測を用いて復号されるため、画質が高い。加えて、注目領域に基づいて変換された階層符号化データは、変換前の階層符号化データよりも符号量が少ない。したがって、上記の注目領域表示システムＳＹＳを用いることで、階層符号化データの転送に要する帯域を削減しつつ、注目領域に係る画質の高い復号ピクチャを再生できる。
　＜実施形態２＞
　図２１～図２４に基づいて、本発明の一実施形態に係る階層動画像復号装置３を説明すれば以下のとおりである。
　［階層動画像復号装置］
　階層動画像復号装置３の概略的構成を説明する。階層動画像復号装置３は、図５を参照して説明した階層動画像復号装置１において、パラメータセット復号部１２をパラメータセット復号部１２Ａに、スライス復号部１４をスライス復号部１４Ａに置き換えた構成である。すなわち、階層動画像復号装置３は、NAL逆多重化部１１、パラメータセット復号部１２Ａ、タイル設定部１３、スライス復号部１４Ａ、ベース復号部１５、復号ピクチャ管理部１６を含む。以下では、新たな構成要素である、パラメータ復号部１２Ａおよびスライス復号部１４Ａについて説明する。
　（パラメータセット復号部１２Ａ）
　　（レイヤ間位置対応情報）
　パラメータセット復号部１２Ａは、入力される対象レイヤ符号化データからレイヤ間位置対応情報を復号する。レイヤ間位置対応情報は、概略的には、対象レイヤと参照レイヤの対応する領域の位置関係を示す。例えば、対象レイヤのピクチャと参照レイヤのピクチャにある物体（物体Ａ）が含まれる場合、対象レイヤのピクチャ上の物体Ａに対応する領域と、参照レイヤのピクチャ上の物体Ａに対応する領域が、前記対象レイヤと参照レイヤの対応する領域に相当する。なお、レイヤ間位置対応情報は、必ずしも上記の対象レイヤと参照レイヤの対応する領域の位置関係を正確に示す情報でなくてもよいが、一般的には、レイヤ間予測の正確性を高めるために正確な対象レイヤと参照レイヤの対応する領域の位置関係を示している。
　本実施形態において、レイヤ間位置対応情報は、拡大参照レイヤオフセット情報、参照レイヤオフセット情報、および、レイヤ間位相情報を含む。
　　　（レイヤ間位置対応情報：拡大参照レイヤオフセット情報）
　レイヤ間位置対応情報には拡大参照レイヤオフセットを規定する情報が含まれる。拡大参照レイヤオフセットは符号化データ内に複数含むことが可能であり、各々の拡大参照レイヤオフセットは、左、上、右、下にそれぞれ対応する４つのオフセットから構成され、対象ピクチャ、および、参照ピクチャの２枚のピクチャの組み合わせに関連付けられている。言い換えると、対象ピクチャと、特定の参照ピクチャの組み合わせそれぞれに対して、対応する拡大参照レイヤオフセットを規定する情報がレイヤ間位置対応情報に含まれる。なお、必ずしも全ての対象ピクチャと参照ピクチャの組み合わせに対して参照レイヤオフセットを規定する情報が含まれている必要はなく、特定の条件で一部の組み合わせについて省略して既定値を用いることもできる。
　拡大参照レイヤオフセットを構成する各オフセットの意味を、図２１を参照して説明する。図２１は、対象レイヤピクチャ、参照レイヤピクチャ、および、レイヤ間画素対応オフセットの関係を例示する図である。
　図２１（ａ）は、参照レイヤのピクチャ全体が対象レイヤのピクチャの一部に対応する場合の例を示す。この場合、参照レイヤピクチャ全体に対応する対象レイヤ上の領域（対象レイヤ対応領域）は、対象レイヤピクチャの内部に含まれている。図２１（ｂ）は、参照レイヤのピクチャの一部が対象レイヤのピクチャ全体に対応する場合の例を示す。この場合、参照レイヤ対応領域の内部に対象レイヤピクチャが含まれている。なお、対象レイヤピクチャ全体にオフセットが含まれている。
　図２１に示したように、拡大参照レイヤ左オフセット（図ではSRL左オフセット）は、参照レイヤ対応領域左辺の対象レイヤピクチャ左辺に対するオフセットを表わす。なお、SRL左オフセットが０より大きい場合、参照レイヤ対応領域左辺が対象レイヤピクチャ左辺の右側に位置することを表わす。
　拡大参照レイヤ上オフセット（図ではSRL上オフセット）は、参照レイヤ対応領域上辺の対象レイヤピクチャ上辺に対するオフセットを表わす。なお、SRL上オフセットが０より大きい場合、参照レイヤ対応領域上辺が対象レイヤピクチャ上辺の下側に位置することを表わす。
　拡大参照レイヤ右オフセット（図ではSRL右オフセット）は、参照レイヤ対応領域右辺の対象レイヤピクチャ右辺に対するオフセットを表わす。なお、SRL右オフセットが０より大きい場合、参照レイヤ対応領域右辺が対象レイヤピクチャ右辺の左側に位置することを表わす。
　拡大参照レイヤ下オフセット（図ではSRL下オフセット）は、参照レイヤ対応領域下辺の対象レイヤピクチャ下辺に対するオフセットを表わす。なお、SRL下オフセットが０より大きい場合、参照レイヤ対応領域下辺が対象レイヤピクチャ下辺の上側に位置することを表わす。
　　　（レイヤ間位置対応情報：参照レイヤオフセット情報）
　レイヤ間位置対応情報には参照レイヤオフセットを規定する情報（参照レイヤオフセット情報）が含まれる。参照レイヤオフセットは符号化データ内に複数含むことが可能であり、各々の参照レイヤオフセットは、左、上、右、下にそれぞれ対応する４つのオフセットから構成され、対象ピクチャ、および、参照ピクチャの２枚のピクチャの組み合わせに関連付けられている。言い換えると、対象ピクチャと、特定の参照ピクチャの組み合わせそれぞれに対して、対応する参照レイヤオフセットがレイヤ間画素対応情報に含まれ得る。
　参照レイヤ左オフセットは、参照レイヤ基準領域左辺の参照レイヤピクチャ左辺に対するオフセットを表わす。なお、オフセット値が０より大きい場合、参照レイヤ基準領域左辺が参照レイヤピクチャ左辺の右側に位置することを表わす。
　参照レイヤ上オフセットは、参照レイヤ基準領域上辺の参照レイヤピクチャ上辺に対するオフセットを表わす。なお、オフセット値が０より大きい場合、参照レイヤ基準領域上辺が参照レイヤピクチャ上辺の下側に位置することを表わす。
　参照レイヤ右オフセットは、参照レイヤ基準領域右辺の参照レイヤピクチャ右辺に対するオフセットを表わす。なお、オフセット値が０より大きい場合、参照レイヤ基準領域右辺が参照レイヤピクチャ右辺の左側に位置することを表わす。
　参照レイヤ下オフセットは、参照レイヤ基準領域下辺の参照レイヤピクチャ下辺に対するオフセットを表わす。なお、オフセット値が０より大きい場合、参照レイヤ基準領域下辺が参照レイヤピクチャ下辺の上側に位置することを表わす。
　　　（レイヤ間位置対応情報：レイヤ間位相情報）
　レイヤ間位相情報にはレイヤ間の位相差を表す情報（レイヤ間位相オフセット）が含まれる。レイヤ間位相は符号化データ内に複数含むことが可能であり、各々のレイヤ間位相オフセットは、輝度水平方向、輝度垂直方向、色差水平方向、色差垂直方向の４個のオフセットから構成され、対象ピクチャ、および、参照ピクチャの２枚のピクチャの組み合わせに関連付けられている。言い換えると、対象ピクチャと、特定の参照ピクチャの組み合わせそれぞれに対して、対応するレイヤ間位相オフセットがレイヤ間画素対応情報に含まれ得る。
　レイヤ間位相輝度水平オフセットは、対象レイヤの輝度画像上における、参照レイヤ対応領域左上画素と、当該画素に対応する参照レイヤ上の画素の１画素未満の水平方向のずれを表す。
　レイヤ間位相輝度垂直オフセットは、対象レイヤの輝度画像上における、参照レイヤ対応領域左上画素と、当該画素に対応する参照レイヤ上の画素の１画素未満の垂直方向のずれを表す。
　レイヤ間位相色差水平オフセットは、対象レイヤの色差画像上における、参照レイヤ対応領域左上画素と、当該画素に対応する参照レイヤ上の画素の１画素未満の水平方向のずれを表す。
　レイヤ間位相色差垂直オフセットは、対象レイヤの色差画像上における、参照レイヤ対応領域左上画素と、当該画素に対応する参照レイヤ上の画素の１画素未満の垂直方向のずれを表す。
　　　（レイヤ間位置対応情報のシンタックス）
　次に符号化データに含まれ、パラメータセット復号部１２Ａにより復号される、拡大参照レイヤオフセット情報、参照レイヤオフセット情報、および、レイヤ間位相オフセット情報について説明する。
　拡大参照レイヤオフセット情報、参照レイヤオフセット情報、および、レイヤ間位相オフセット情報は、例えば、上位レイヤのPPSの一部であるPPS拡張（pps_estension）に含まれており、図２２に示すシンタックス表に従って復号される。図２２は、パラメータセット復号部１２ＡがPPS復号時に参照するシンタックス表の一部であって、レイヤ間画素対応情報に係る部分である。
　PPSから復号される拡大参照レイヤオフセット情報には、PPS拡張に含まれる拡大参照レイヤオフセット数（num_scaled_ref_layer_offsets）が含まれる。加えて、前記拡大参照レイヤオフセット数が示す個数分の拡大参照レイヤオフセットが、参照レイヤ識別子と合わせて含まれる。参照レイヤ識別子（ref_layer_id）は、後続の拡大参照レイヤオフセットが関連付けられる参照レイヤを示す識別子である。レイヤ間画素対応オフセットとして、拡大参照レイヤ左オフセット（scaled_ref_layer_left_offset）、拡大参照レイヤ上オフセット（scaled_ref_layer_top_offset）、拡大参照レイヤ右オフセット（scaled_ref_layer_right_offset）、および、拡大参照レイヤ下オフセット（scaled_ref_layer_bottom_offset）が含まれる。以下、scaled_ref_layer_left_offset、scaled_ref_layer_top_offset、scaled_ref_layer_right_offset、scaled_ref_layer_bottom_offsetを総称して、拡大参照レイヤオフセットシンタックスと呼ぶ。なお、図２２のシンタックス表において、拡大参照レイヤオフセットシンタックスの後ろに配列インデックス「[ref_layer_id[i]]」が付与されているのは、拡大参照レイヤオフセットシンタックスがref_layer_id[i]の示す参照レイヤと関連付けられていることを表す。
　パラメータセット復号部１２Ａは、符号化データから符号付指数ゴロム符号（se(v)）の符号を復号することで、拡大参照レイヤオフセットシンタックスの値を復号する。符号付き指数ゴロム符号は、具体的には、HEVCで既定されている同名の符号が使用できる。復号された拡大参照レイヤオフセットシンタックスの値は、対象ピクチャの色差画素を単位とする。なお、特定の参照レイヤに対応する拡大参照レイヤオフセットシンタックスが符号化データに存在しない場合、該参照レイヤに対応する各拡大参照レイヤオフセットの値は０に設定される。
　PPSから復号される参照レイヤオフセット情報には、レイヤ識別子「ref_layer_id[i]」が示す参照レイヤに関連付けられる参照レイヤオフセット情報のPPS内での存否を示すフラグである参照レイヤオフセット情報存否フラグ（ref_layer_offset_present_flag）を含む。配列インデックスが「ｉ」の参照レイヤオフセット情報存否フラグの値（ref_layer_offset_present_flag[i]）が１の場合、PPSにはPPSを参照するスライスが属するレイヤ（対象レイヤ）と該参照レイヤに関連付けられる各参照レイヤオフセットが含まれる。具体的には、参照レイヤ左オフセット（ref_layer_left_offset）、参照レイヤ上オフセット（ref_layer_top_offset）、参照レイヤ右オフセット（ref_layer_right_offset）、および、参照レイヤ下オフセット（ref_layer_bottom_offset）が含まれる。以下、ref_layer_left_offset、ref_layer_top_offset、ref_layer_right_offset、ref_layer_bottom_offsetを総称して、参照レイヤオフセットシンタックスと呼ぶ。
　パラメータセット復号部１２Ａは、符号化データから符号付指数ゴロム符号（se(v)）の符号を復号することで、参照レイヤオフセットシンタックスの値を復号する。復号された参照レイヤオフセットシンタックスの値は、該参照レイヤオフセットシンタックスと参照レイヤ識別子を介して関連付けられた参照レイヤピクチャの色差画素を単位とする。なお、特定の参照レイヤに対応する参照レイヤオフセットシンタックスが符号化データに存在しない場合、該参照レイヤに対応する各参照レイヤオフセットの値は０に設定される。
　PPSから復号されるレイヤ間位相オフセット情報には、レイヤ識別子「ref_layer_id[i]」が示す参照レイヤに関連付けられるレイヤ間位相オフセット情報のPPS内での存否を示すフラグであるレイヤ間位相オフセット情報存否フラグ（resample_phase_present_flag）を含む。配列インデックスが「ｉ」のレイヤ間位相オフセット情報存否フラグ（resample_phase_present_flag[i]）の値が１の場合、PPSにはPPSを参照するスライスが属するレイヤ（対象レイヤ）と該参照レイヤに関連付けられる各レイヤ間位相オフセットが含まれる。具体的には、レイヤ間位相輝度水平オフセット（phase_hor_luma）、レイヤ間位相輝度垂直オフセット（phase_ver _luma）、レイヤ間位相色差水平オフセット（phase_hor_chroma）、および、レイヤ間位相色差垂直オフセット（phase_ver_chroma）が含まれる。以下、phase_hor_luma、phase_ver_luma、phase_hor_chroma、phase_ver_chromaを総称してレイヤ間位相オフセットシンタックスと呼ぶ。
　パラメータセット復号部１２Ａは、符号化データから符号無指数ゴロム符号（ue(v)）の符号を復号することで、レイヤ間位相オフセットシンタックスの値を復号する。なお、特定の参照レイヤに対応するレイヤ間位相オフセットシンタックスが符号化データに存在しない場合、該参照レイヤに対応するレイヤ間位相オフセットの値は０に設定される。
　以上、図２２のシンタックス表を参照して説明した、パラメータセット復号部１２ＡにおいてPPSから復号されるレイヤ間位置対応情報は次の特徴を有している。
　PPS内に参照レイヤの一つを選択する参照レイヤ識別子が含まれており、同一の参照レイヤ識別子に関連付けられる拡大参照レイヤオフセットシンタックス、参照レイヤオフセットシンタックス、および、レイヤ間位相オフセットシンタックスが符号化データ内で連続して含まれている。換言すると、PPSにはref_layer_id[i]が含まれており、同一の配列インデックス「[ref_layer_id[i]]」を持つ拡大参照レイヤオフセットシンタックス、参照レイヤオフセットシンタックス、および、レイヤ間位相オフセットシンタックスが符号化データ内で連続して含まれている。なお、各オフセット情報の存否フラグ（例えば前述の参照レイヤオフセット情報存否フラグやレイヤ間位相オフセット情報存否フラグ）が間に含まれていてもよく、該存否フラグの値に応じて一部のオフセットが省略されていても構わない。また、同一の参照レイヤ識別子に関連付けられる拡大参照レイヤオフセットシンタックス、参照レイヤオフセットシンタックス、レイヤ間位相オフセットシンタックスの符号化データ内の順序は、必ずしも前述の順番でなくてもよく、順番を入れ替えてもよい。
　以上のように同一の参照レイヤ識別子に関連付けられる拡大参照レイヤオフセットシンタックス、参照レイヤオフセットシンタックス、および、レイヤ間位相オフセットシンタックスを符号化データ内に連続して含むことで、各オフセットの種類毎に、オフセットの数と、関連付けられる参照レイヤの識別子を復号する場合に較べて、少ない符号量の符号化データからレイヤ間位置対応情報を復号できる。
　言い換えると、パラメータセット復号部１２Ａは、特定の参照レイヤを示す第一の参照レイヤ識別子（ref_layer_id[i]）を復号し、前記第一の参照レイヤ識別子に関連付けられる前記拡大参照レイヤオフセットシンタックス、前記第一の参照レイヤ識別子に関連付けられる前記参照レイヤオフセットシンタックス、および、前記第一の参照レイヤ識別子に関連付けられるレイヤ間位相オフセットシンタックスを、符号化データから続けて復号することで、より少ない符号量の符号化データからレイヤ間位置情報を復号できる。
　また、レイヤ間位置対応情報には、参照レイヤオフセット情報存否フラグが含まれているため、参照レイヤオフセットを明示的に伝送する必要がない場合に符号量を削減できる。参照レイヤオフセットはデフォルト値が適用される割合が高いという特性があるため、参照レイヤ間オフセット情報存否フラグを用いることで、平均的な符号量を削減できる。
　また、レイヤ間位置対応情報には、レイヤ間位相オフセット情報存否フラグが含まれているため、レイヤ間位相オフセットを明示的に伝送する必要がない場合に符号量を削減できる。レイヤ間位相オフセットはデフォルト値が適用される割合が高いという特性があるため、レイヤ間位相オフセット情報存否フラグを用いることで、平均的な符号量を削減できる。
　（スライス復号部１４Ａ）
　スライス復号部１４Ａは図１３を参照して説明したスライス復号部１４と同様の構成と機能を有する。両者の違いは、スライス復号部１４が含む予測画像生成部１４４２に代わりスライス復号部１４Ａは予測画像生成部１４４３Ａを含んでいる点にある。予測画像生成部１４４３Ａでは、レイヤ間予測が選択された場合の予測画像生成処理の実行時に、レイヤ間位置対応情報に基づいて、対応参照位置導出処理を以下のＳ４０１～Ｓ４０９の手順で実行する。
　（Ｓ４０１）予測画像生成処理の対象が輝度画素か色差画素かを判定する。対象が輝度画素の場合、Ｓ４０２を実行する。対象が色差画素の場合、Ｓ４０４を実行する。
　（Ｓ４０２）パラメータセット復号部１２Ａで復号された、参照レイヤに対応する拡大参照レイヤオフセットシンタックスの値から、拡大参照レイヤオフセットを導出する。以下では、導出される、参照レイヤ（レイヤR）に係る拡大参照レイヤオフセットを、SRLO[r]と呼ぶ。加えて、SRLO[r]を構成する左、上、右、下にそれぞれ対応する拡大参照レイヤオフセットと記号を以下の通り定義する。
　拡大参照レイヤ左オフセット：SRLLO[r]
　拡大参照レイヤ上オフセット：SRLTO[r]
　拡大参照レイヤ右オフセット：SRLRO[r]
　拡大参照レイヤ下オフセット：SRLBO[r]
　SRLO[r]を構成する各オフセット、SRLLO、SRLTO、SRLRO、SRLBOは、対応する拡大参照レイヤオフセットシンタックスの値に基づいて、以下の計算により導出される。
　　SRLLO = (scaled_ref_layer_left_offset[r] * SubWidthC)
　　SRLTO = (scaled_ref_layer_top_offset[r] * SubHeightC)
　　SRLRO = (scaled_ref_layer_right_offset[r] * SubWidthC)
　　SRLBO = (scaled_ref_layer_bottom_offset[r] * SubHeightC)
　ここで、SubWidthCおよびSubHeightCは、対象レイヤに対応付けられる色フォーマットから導出される輝度色差幅比および輝度色差高さ比である。
　上記の拡大参照レイヤオフセットの導出処理は、次のように表現することができる。すなわち、予測画像生成処理の対象が輝度画素である場合、拡大参照レイヤオフセットシンタックスの値と、対象レイヤにおける輝度色差サイズ比（輝度色差幅比または輝度色差高さ比）との積により、拡大参照レイヤオフセットを導出する。次にＳ４０３を実行する。
　（Ｓ４０３）参照レイヤ（レイヤr）上の参照レイヤオフセットを導出する。参照レイヤオフセットは、左、上、右、下にそれぞれ対応する４つのオフセット（順にRLLO、RLTO、RLRO、RLBO）から構成され、参照レイヤオフセットシンタックスの値に基づいて次式により導出される。
　RLLO = (ref_layer_left_offset[r] * RefSubWidthC)
　RLTO = (ref_layer_top_offset[r] * RefSubHeightC)
　RLRO = (ref_layer_right_offset[r] * RefSubWidthC)
　RLBO = (ref_layer_bottom_offset[r] * RefSubHeightC)
ここで、RefSubWidthCおよびRefSubHeightCは、参照レイヤに対応付けられる色フォーマットから導出される輝度色差サイズ比である。すなわち、参照レイヤの色フォーマットに基づき導出されたSubWidthCの値がRefSubWidthCに、参照レイヤの色フォーマットに基づき導出されたSubHeightCの値がRefSubHeightCにそれぞれ設定される。
　上記の参照レイヤオフセットの導出処理は、次のように表現することができる。すなわち、予測画像生成処理の対象が輝度画素である場合、参照レイヤオフセットシンタックスの値と、参照レイヤにおける輝度色差サイズ比との積により、参照レイヤオフセットを導出する。次にＳ４０６を実行する。
　（Ｓ４０４）Ｓ４０２で説明したSRLO[j]を構成する各オフセット、SRLLO、SRLTO、SRLRO、SRLBOは、対応する拡大参照レイヤオフセットシンタックスの値に基づいて、以下の計算により導出される。
　　SRLLO = scaled_ref_layer_left_offset[r]
　　SRLTO = scaled_ref_layer_top_offset[r]
　　SRLRO = scaled_ref_layer_right_offset[r]
　　SRLBO = scaled_ref_layer_bottom_offset[r]
　上記の拡大参照レイヤオフセットの導出処理は、次のように表現することができる。すなわち、予測画像生成処理の対象が色差画素である場合、拡大参照レイヤオフセットシンタックスの値を拡大参照レイヤオフセットとして導出する。
　次に、Ｓ４０５を実行する。
　（Ｓ４０５）Ｓ４０３で説明した参照レイヤオフセット（RLLO、RLTO、RLRO、RLBO）を、次式により導出する。
　RLLO = ref_layer_left_offset[r]
　RLTO = ref_layer_top_offset[r]
　RLRO = ref_layer_right_offset[r]
　RLBO = ref_layer_bottom_offset[r]
　上記の参照レイヤオフセットの導出処理は、次のように表現できる。すなわち、予測画像生成処理の対象が色差画素である場合、参照レイヤオフセットシンタックスの値を参照レイヤオフセットの値として導出する。次にＳ４０６を実行する。
　（Ｓ４０６）Ｓ４０２またはＳ４０４で導出した拡大参照レイヤオフセットと、対象レイヤピクチャサイズに基づいて、拡大参照レイヤのサイズを導出する。拡大参照レイヤの幅（SRLW）と高さ（SRLH）は、対象レイヤピクチャの幅（CL_PICW）と高さ（CL_PICH）に基づいて、それぞれ次式により導出される。
　SRLW = CL_PICW - (SRLLO + SRLRO)
　SRLH = CL_PICH - (SRLTO + SRLBO)
　すなわち、上記の式によれば、対象レイヤピクチャの幅に、拡大参照レイヤ左オフセットと拡大参照レイヤ右オフセットの和を減算することで、対象レイヤ上の拡大参照レイヤの幅を導出している。対象レイヤ上の拡大参照レイヤの高さについても同様である。次にＳ４０７を実行する。なお、上記式においてオフセットの和を減算するのは、図２１（a）に示したように、拡大参照レイヤ（図中の参照レイヤ対応領域）が、対象レイヤピクチャの内部にある場合にオフセットの値が正になるようオフセットの符号が定義されているためである。
　（Ｓ４０７）Ｓ４０３またはＳ４０５で導出した参照レイヤオフセットと、参照レイヤピクチャサイズに基づいて、参照レイヤ上のスケール計算の基準となる領域（参照レイヤ基準領域）のサイズを導出する。参照レイヤ基準領域の幅（RLW）と高さ（RLH）は、参照レイヤピクチャの幅（RL_PICW）と高さ（RL_PICH）に基づいて、それぞれ次式により導出される。
　RLW = RL_PICW - (RLLO + RLRO)
　RLH = RL_PICH - (RLTO + RLBO)
　すなわち、上記の式によれば、参照レイヤピクチャ幅に、参照レイヤ左オフセットと参照レイヤ右オフセットの和を減算することで、参照レイヤ基準領域の幅を導出している。参照レイヤ基準領域の高さについても同様である。次にＳ４０８を実行する。
　（Ｓ４０８）Ｓ４０６で導出した拡大参照レイヤのサイズとＳ４０７で導出した参照レイヤ基準領域のサイズに基づいて、レイヤ間予測に用いるスケールを導出する。水平方向のスケールsxと垂直方向のスケールsyはそれぞれ次式により導出される。
　sx = ((RLW << 16) + (SRLW >> 1)) / SRLW
　sy = ((RLH << 16) + (SRLH >> 1)) / SRLH
　なお、演算子“/”は整数の除算を表す演算子である。
すなわち、上式によれば、参照レイヤ参照領域サイズに所定の定数（上式では“<<16”）を乗じ、対象レイヤ参照領域サイズで除算した値をスケールとして設定している。なお、“(SRLW>>1）”の項は、除算による丸めを調整する項である。したがって、単位や丸め調整の効果を除けば、スケールは参照レイヤ基準領域のサイズ（幅または高さ）の、拡大参照レイヤのサイズ（幅または高さ）に対する比率と説明できる。次にＳ４０９を実行する。
　（Ｓ４０９）Ｓ４０２またはＳ４０４で導出した拡大参照レイヤオフセットと、Ｓ４０３またはＳ４０５で導出した参照レイヤ基準領域オフセットと、Ｓ４０８で導出したスケールと、パラメータセット復号部１２Ａで復号されたレイヤ間位相オフセットに基づいて、１６分の１画素精度の参照画素位置を導出する。対象レイヤ上の画素位置（xP、yP）に対応する、参照レイヤ上の１６分の１画素精度の参照画素位置の水平成分（x成分）xRef16と、垂直成分（y成分）yRef16の値は、それぞれ次式により導出される。
　xRef16 = (((xP - CL_OX) * sx + addX + (1<<11)) >> 12) + RL_OX
　yRef16 = (((yP - CL_OY) * sy + addY + (1<<11)) >> 12) + RL_OY
　ここで、
　　CL_OX = SRLLO
　　CL_OY = SRLTO
　　RL_OX = (RLLO << 4)
　　RL_OY = (RLTO << 4)
なお、addX、addYは、アップサンプリングやインタレースに伴う対象レイヤ上の画素と参照レイヤ上の画素のずれを表すパラメータであり、次式により導出される。
　　addX = (sx * phaseX + 8) >> 4
　　addY = (sy * phaseY + 8) >> 4
　ここで、参照レイヤ識別子の値をrとすると、対象画素が輝度画素の場合には、phaseXの値にはphase_hor_luma[r]、phaseYの値にはphase_ver_luma[r]が設定される。また、対象画素が色差画素の場合には、phaseXにはphase_hor_chroma[r]の値が、phaseYにはphase_ver_chroma[r]の値が設定される。
　すなわち、上記のxRef16とyRef16の導出式に従うと、拡大参照レイヤオフセット、参照レイヤオフセット、レイヤ間位相オフセットとスケールに基づいて参照画素位置を計算している。導出した１６分の１画素精度の参照画素位置を対応参照位置として、対応参照位置導出処理を終了する。
　補間フィルタ処理では、上記対応参照位置導出処理で導出した対応参照位置に相当する位置の画素値を、参照レイヤピクチャ上の、前記対応参照位置近傍の画素の復号画素に補間フィルタを適用することで生成する。
　　［変形例５：拡大参照レイヤオフセット情報存否フラグ］
　上記のパラメータセット復号部１２Ａにおいて復号されるレイヤ間位置対応情報には、参照レイヤオフセット情報存否フラグとレイヤ間位相オフセット情報存否フラグが含まれている例を説明したが、図２３に示すように、拡大参照レイヤオフセット情報存否フラグを追加で含むシンタックス表を用いる構成であってもよい。拡大参照レイヤオフセット情報存否フラグ（scaled_ref_layer_offset_prsent_flag）は、拡大参照レイヤオフセット情報のPPS内での存否を示すフラグである。配列インデックスｉに対応する拡大参照レイヤオフセット情報存否フラグ（scaled_ref_layer_offset_present_flag[i]）は、レイヤ識別子がref_layer_id[i]の参照レイヤに対応する拡大参照レイヤオフセットのシンタックス（scaled_ref_layer_left_offset[ref_layer_id[i]、scaled_ref_layer_top_offset[ref_layer_id[i]、scaled_ref_layer_right_offset[ref_layer_id[i]、scaled_ref_layer_bottom_offset[ref_layer_id[i]）の符号化データ内の存在有無を表し、値が１の場合に該シンタックスが存在することを、値が０の場合に該シンタックスが存在しないことを示す。拡大参照レイヤオフセット情報存否フラグを用いることで、拡大参照レイヤオフセットが不要な場合の符号量を削減できる。
　また、別の例では、図２４に示すように、レイヤ間位置対応情報に、レイヤオフセット情報存否フラグとレイヤ間位相オフセット存否フラグを含むシンタックス表を用いる構成であってもよい。レイヤオフセット情報存否フラグ（layer_offset_present_flag）は、拡大参照レイヤオフセット情報と参照レイヤオフセット情報のPPS内での存在を示すフラグである。配列インデックスｉに対応するレイヤオフセット情報存否フラグ（layer_offset_present_flag[i]）は、レイヤ識別子がref_layer_id[i]の参照レイヤに対応する拡大参照レイヤオフセットと参照レイヤオフセットシンタックスの符号化データ内の存在有無を表し、値が１の場合に該シンタックスが存在し、値が０の場合に該シンタックスが存在しないことを示す。拡大参照レイヤオフセットと参照レイヤオフセットは、典型的なユースケースである対象ピクチャ全体が参照ピクチャ全体に対応する場合には、全てのオフセット値が０であり、省略される。したがって、レイヤオフセット情報存否フラグを用いることで、そのような場合の符号量を削減できる。
　（他の階層動画像符号化／復号システムへの適用例）
　上述した階層動画像符号化装置２及び階層動画像復号装置１は、動画像の送信、受信、記録、再生を行う各種装置に搭載して利用できる。なお、動画像は、カメラ等により撮像された自然動画像であってもよいし、コンピュータ等により生成された人工動画像（ＣＧおよびＧＵＩを含む）であってもよい。
　図１９に基づいて、上述した階層動画像符号化装置２および階層動画像復号装置１を、動画像の送信および受信に利用できることを説明する。図１９の（ａ）は、階層動画像符号化装置２を搭載した送信装置ＰＲＯＤ＿Ａの構成を示したブロック図である。
　図１９の（ａ）に示すように、送信装置ＰＲＯＤ＿Ａは、動画像を符号化することによって符号化データを得る符号化部ＰＲＯＤ＿Ａ１と、符号化部ＰＲＯＤ＿Ａ１が得た符号化データで搬送波を変調することによって変調信号を得る変調部ＰＲＯＤ＿Ａ２と、変調部ＰＲＯＤ＿Ａ２が得た変調信号を送信する送信部ＰＲＯＤ＿Ａ３とを備えている。上述した階層動画像符号化装置２は、この符号化部ＰＲＯＤ＿Ａ１として利用される。
　送信装置ＰＲＯＤ＿Ａは、符号化部ＰＲＯＤ＿Ａ１に入力する動画像の供給源として、動画像を撮像するカメラＰＲＯＤ＿Ａ４、動画像を記録した記録媒体ＰＲＯＤ＿Ａ５、動画像を外部から入力するための入力端子ＰＲＯＤ＿Ａ６、及び、画像を生成または加工する画像処理部Ａ７を更に備えていてもよい。図１９の（ａ）においては、これら全てを送信装置ＰＲＯＤ＿Ａが備えた構成を例示しているが、一部を省略しても構わない。
　なお、記録媒体ＰＲＯＤ＿Ａ５は、符号化されていない動画像を記録したものであってもよいし、伝送用の符号化方式とは異なる記録用の符号化方式で符号化された動画像を記録したものであってもよい。後者の場合、記録媒体ＰＲＯＤ＿Ａ５と符号化部ＰＲＯＤ＿Ａ１との間に、記録媒体ＰＲＯＤ＿Ａ５から読み出した符号化データを記録用の符号化方式に従って復号する復号部（不図示）を介在させるとよい。
　図１９の（ｂ）は、階層動画像復号装置１を搭載した受信装置ＰＲＯＤ＿Ｂの構成を示したブロック図である。図１９の（ｂ）に示すように、受信装置ＰＲＯＤ＿Ｂは、変調信号を受信する受信部ＰＲＯＤ＿Ｂ１と、受信部ＰＲＯＤ＿Ｂ１が受信した変調信号を復調することによって符号化データを得る復調部ＰＲＯＤ＿Ｂ２と、復調部ＰＲＯＤ＿Ｂ２が得た符号化データを復号することによって動画像を得る復号部ＰＲＯＤ＿Ｂ３とを備えている。上述した階層動画像復号装置１は、この復号部ＰＲＯＤ＿Ｂ３として利用される。
　受信装置ＰＲＯＤ＿Ｂは、復号部ＰＲＯＤ＿Ｂ３が出力する動画像の供給先として、動画像を表示するディスプレイＰＲＯＤ＿Ｂ４、動画像を記録するための記録媒体ＰＲＯＤ＿Ｂ５、及び、動画像を外部に出力するための出力端子ＰＲＯＤ＿Ｂ６を更に備えていてもよい。図１９の（ｂ）においては、これら全てを受信装置ＰＲＯＤ＿Ｂが備えた構成を例示しているが、一部を省略しても構わない。
　なお、記録媒体ＰＲＯＤ＿Ｂ５は、符号化されていない動画像を記録するためのものであってもよいし、伝送用の符号化方式とは異なる記録用の符号化方式で符号化されたものであってもよい。後者の場合、復号部ＰＲＯＤ＿Ｂ３と記録媒体ＰＲＯＤ＿Ｂ５との間に、復号部ＰＲＯＤ＿Ｂ３から取得した動画像を記録用の符号化方式に従って符号化する符号化部（不図示）を介在させるとよい。
　なお、変調信号を伝送する伝送媒体は、無線であってもよいし、有線であってもよい。また、変調信号を伝送する伝送態様は、放送（ここでは、送信先が予め特定されていない送信態様を指す）であってもよいし、通信（ここでは、送信先が予め特定されている送信態様を指す）であってもよい。すなわち、変調信号の伝送は、無線放送、有線放送、無線通信、及び有線通信の何れによって実現してもよい。
　例えば、地上デジタル放送の放送局（放送設備など）／受信局（テレビジョン受像機など）は、変調信号を無線放送で送受信する送信装置ＰＲＯＤ＿Ａ／受信装置ＰＲＯＤ＿Ｂの一例である。また、ケーブルテレビ放送の放送局（放送設備など）／受信局（テレビジョン受像機など）は、変調信号を有線放送で送受信する送信装置ＰＲＯＤ＿Ａ／受信装置ＰＲＯＤ＿Ｂの一例である。
　また、インターネットを用いたＶＯＤ（Video On Demand）サービスや動画共有サービスなどのサーバ（ワークステーションなど）／クライアント（テレビジョン受像機、パーソナルコンピュータ、スマートフォンなど）は、変調信号を通信で送受信する送信装置ＰＲＯＤ＿Ａ／受信装置ＰＲＯＤ＿Ｂの一例である（通常、ＬＡＮにおいては伝送媒体として無線又は有線の何れかが用いられ、ＷＡＮにおいては伝送媒体として有線が用いられる）。ここで、パーソナルコンピュータには、デスクトップ型ＰＣ、ラップトップ型ＰＣ、及びタブレット型ＰＣが含まれる。また、スマートフォンには、多機能携帯電話端末も含まれる。
　なお、動画共有サービスのクライアントは、サーバからダウンロードした符号化データを復号してディスプレイに表示する機能に加え、カメラで撮像した動画像を符号化してサーバにアップロードする機能を有している。すなわち、動画共有サービスのクライアントは、送信装置ＰＲＯＤ＿Ａ及び受信装置ＰＲＯＤ＿Ｂの双方として機能する。
　図２０に基づいて、上述した階層動画像符号化装置２および階層動画像復号装置１を、動画像の記録および再生に利用できることを説明する。図２０の（ａ）は、上述した階層動画像符号化装置２を搭載した記録装置ＰＲＯＤ＿Ｃの構成を示したブロック図である。
　図２０の（ａ）に示すように、記録装置ＰＲＯＤ＿Ｃは、動画像を符号化することによって符号化データを得る符号化部ＰＲＯＤ＿Ｃ１と、符号化部ＰＲＯＤ＿Ｃ１が得た符号化データを記録媒体ＰＲＯＤ＿Ｍに書き込む書込部ＰＲＯＤ＿Ｃ２と、を備えている。上述した階層動画像符号化装置２は、この符号化部ＰＲＯＤ＿Ｃ１として利用される。
　なお、記録媒体ＰＲＯＤ＿Ｍは、（１）ＨＤＤ（Hard Disk Drive）やＳＳＤ(Solid State Drive)等のように、記録装置ＰＲＯＤ＿Ｃに内蔵されるタイプのものであってもよいし、（２）ＳＤメモリカードやＵＳＢ（Universal Serial Bus）フラッシュメモリ等のように、記録装置ＰＲＯＤ＿Ｃに接続されるタイプのものであってもよいし、（３）ＤＶＤ（Digital Versatile Disc）やＢＤ（Blu-ray Disc:登録商標）等のように、記録装置ＰＲＯＤ＿Ｃに内蔵されたドライブ装置（不図示）に装填されるものであってもよい。
　また、記録装置ＰＲＯＤ＿Ｃは、符号化部ＰＲＯＤ＿Ｃ１に入力する動画像の供給源として、動画像を撮像するカメラＰＲＯＤ＿Ｃ３、動画像を外部から入力するための入力端子ＰＲＯＤ＿Ｃ４、動画像を受信するための受信部ＰＲＯＤ＿Ｃ５、及び、画像を生成または加工する画像処理部Ｃ６を更に備えていてもよい。図２０の（ａ）においては、これら全てを記録装置ＰＲＯＤ＿Ｃが備えた構成を例示しているが、一部を省略しても構わない。
　なお、受信部ＰＲＯＤ＿Ｃ５は、符号化されていない動画像を受信するものであってもよいし、記録用の符号化方式とは異なる伝送用の符号化方式で符号化された符号化データを受信するものであってもよい。後者の場合、受信部ＰＲＯＤ＿Ｃ５と符号化部ＰＲＯＤ＿Ｃ１との間に、伝送用の符号化方式で符号化された符号化データを復号する伝送用復号部（不図示）を介在させるとよい。
　このような記録装置ＰＲＯＤ＿Ｃとしては、例えば、ＤＶＤレコーダ、ＢＤレコーダ、ＨＤＤ（Hard Disk Drive）レコーダなどが挙げられる（この場合、入力端子ＰＲＯＤ＿Ｃ４又は受信部ＰＲＯＤ＿Ｃ５が動画像の主な供給源となる）。また、カムコーダ（この場合、カメラＰＲＯＤ＿Ｃ３が動画像の主な供給源となる）、パーソナルコンピュータ（この場合、受信部ＰＲＯＤ＿Ｃ５又は画像処理部Ｃ６が動画像の主な供給源となる）、スマートフォン（この場合、カメラＰＲＯＤ＿Ｃ３又は受信部ＰＲＯＤ＿Ｃ５が動画像の主な供給源となる）なども、このような記録装置ＰＲＯＤ＿Ｃの一例である。
　図２０の（ｂ）は、上述した階層動画像復号装置１を搭載した再生装置ＰＲＯＤ＿Ｄの構成を示したブロックである。図２０の（ｂ）に示すように、再生装置ＰＲＯＤ＿Ｄは、記録媒体ＰＲＯＤ＿Ｍに書き込まれた符号化データを読み出す読出部ＰＲＯＤ＿Ｄ１と、読出部ＰＲＯＤ＿Ｄ１が読み出した符号化データを復号することによって動画像を得る復号部ＰＲＯＤ＿Ｄ２と、を備えている。上述した階層動画像復号装置１は、この復号部ＰＲＯＤ＿Ｄ２として利用される。
　なお、記録媒体ＰＲＯＤ＿Ｍは、（１）ＨＤＤやＳＳＤなどのように、再生装置ＰＲＯＤ＿Ｄに内蔵されるタイプのものであってもよいし、（２）ＳＤメモリカードやＵＳＢフラッシュメモリなどのように、再生装置ＰＲＯＤ＿Ｄに接続されるタイプのものであってもよいし、（３）ＤＶＤやＢＤなどのように、再生装置ＰＲＯＤ＿Ｄに内蔵されたドライブ装置（不図示）に装填されるものであってもよい。
　また、再生装置ＰＲＯＤ＿Ｄは、復号部ＰＲＯＤ＿Ｄ２が出力する動画像の供給先として、動画像を表示するディスプレイＰＲＯＤ＿Ｄ３、動画像を外部に出力するための出力端子ＰＲＯＤ＿Ｄ４、及び、動画像を送信する送信部ＰＲＯＤ＿Ｄ５を更に備えていてもよい。図２０の（ｂ）においては、これら全てを再生装置ＰＲＯＤ＿Ｄが備えた構成を例示しているが、一部を省略しても構わない。
　なお、送信部ＰＲＯＤ＿Ｄ５は、符号化されていない動画像を送信するものであってもよいし、記録用の符号化方式とは異なる伝送用の符号化方式で符号化された符号化データを送信するものであってもよい。後者の場合、復号部ＰＲＯＤ＿Ｄ２と送信部ＰＲＯＤ＿Ｄ５との間に、動画像を伝送用の符号化方式で符号化する符号化部（不図示）を介在させるとよい。
　このような再生装置ＰＲＯＤ＿Ｄとしては、例えば、ＤＶＤプレイヤ、ＢＤプレイヤ、ＨＤＤプレイヤなどが挙げられる（この場合、テレビジョン受像機等が接続される出力端子ＰＲＯＤ＿Ｄ４が動画像の主な供給先となる）。また、テレビジョン受像機（この場合、ディスプレイＰＲＯＤ＿Ｄ３が動画像の主な供給先となる）、デジタルサイネージ（電子看板や電子掲示板等とも称され、ディスプレイＰＲＯＤ＿Ｄ３又は送信部ＰＲＯＤ＿Ｄ５が動画像の主な供給先となる）、デスクトップ型ＰＣ（この場合、出力端子ＰＲＯＤ＿Ｄ４又は送信部ＰＲＯＤ＿Ｄ５が動画像の主な供給先となる）、ラップトップ型又はタブレット型ＰＣ（この場合、ディスプレイＰＲＯＤ＿Ｄ３又は送信部ＰＲＯＤ＿Ｄ５が動画像の主な供給先となる）、スマートフォン（この場合、ディスプレイＰＲＯＤ＿Ｄ３又は送信部ＰＲＯＤ＿Ｄ５が動画像の主な供給先となる）なども、このような再生装置ＰＲＯＤ＿Ｄの一例である。
　（ハードウェア的実現およびソフトウェア的実現について）
　最後に、階層動画像復号装置１、階層動画像符号化装置２の各ブロックは、集積回路（ＩＣチップ）上に形成された論理回路によってハードウェア的に実現してもよいし、ＣＰＵ（Central Processing Unit）を用いてソフトウェア的に実現してもよい。
　後者の場合、上記各装置は、各機能を実現する制御プログラムの命令を実行するＣＰＵ、上記プログラムを格納したＲＯＭ（Read Only Memory）、上記プログラムを展開するＲＡＭ（Random Access Memory）、上記プログラムおよび各種データを格納するメモリ等の記憶装置（記録媒体）などを備えている。そして、本発明の目的は、上述した機能を実現するソフトウェアである上記各装置の制御プログラムのプログラムコード（実行形式プログラム、中間コードプログラム、ソースプログラム）をコンピュータで読み取り可能に記録した記録媒体を、上記各装置に供給し、そのコンピュータ（またはＣＰＵやＭＰＵ（Micro Processing Unit））が記録媒体に記録されているプログラムコードを読み出し実行することによっても、達成可能である。
　上記記録媒体としては、例えば、磁気テープやカセットテープ等のテープ類、フロッピー（登録商標）ディスク／ハードディスク等の磁気ディスクやＣＤ－ＲＯＭ（Compact Disc Read-Only Memory）／ＭＯ（Magneto-Optical）／ＭＤ（Mini Disc）／ＤＶＤ（Digital Versatile Disk）／ＣＤ－Ｒ（CD Recordable）等の光ディスクを含むディスク類、ＩＣカード（メモリカードを含む）／光カード等のカード類、マスクＲＯＭ／ＥＰＲＯＭ（Erasable Programmable Read-only Memory）／ＥＥＰＲＯＭ（登録商標）（ElectricallyErasable and Programmable Read-only Memory）／フラッシュＲＯＭ等の半導体メモリ類、あるいはＰＬＤ（Programmable Logic Device）やＦＰＧＡ（Field Programmable Gate Array）等の論理回路類などを用いることができる。
　また、上記各装置を通信ネットワークと接続可能に構成し、上記プログラムコードを通信ネットワークを介して供給してもよい。この通信ネットワークは、プログラムコードを伝送可能であればよく、特に限定されない。例えば、インターネット、イントラネット、エキストラネット、ＬＡＮ（Local Area Network）、ＩＳＤＮ（Integrated Services Digital Network）、ＶＡＮ（Value-Added Network）、ＣＡＴＶ（Community Antenna Television）通信網、仮想専用網（Virtual Private Network）、電話回線網、移動体通信網、衛星通信網等が利用可能である。また、この通信ネットワークを構成する伝送媒体も、プログラムコードを伝送可能な媒体であればよく、特定の構成または種類のものに限定されない。例えば、ＩＥＥＥ（Institute of Electrical and Electronic Engineers）１３９４、ＵＳＢ、電力線搬送、ケーブルＴＶ回線、電話線、ＡＤＳＬ（Asymmetric DigitalSubscriber Line）回線等の有線でも、ＩｒＤＡ（Infrared Data Association）やリモコンのような赤外線、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＩＥＥＥ８０２．１１無線、ＨＤＲ（High Data Rate）、ＮＦＣ（Near Field Communication）、ＤＬＮＡ（Digital Living Network Alliance）、携帯電話網、衛星回線、地上波デジタル網等の無線でも利用可能である。なお、本発明は、上記プログラムコードが電子的な伝送で具現化された、搬送波に埋め込まれたコンピュータデータ信号の形態でも実現され得る。
　本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。
　本発明は、画像データが階層的に符号化された符号化データを復号する階層画像復号装置、および、画像データが階層的に符号化された符号化データを生成する階層画像符号化装置に好適に適用できる。また、階層画像符号化装置によって生成され、階層画像復号装置によって参照される階層符号化データのデータ構造に好適に適用できる。
　１、３　　　階層動画像復号装置（画像復号装置）
　１１　　　　ＮＡＬ逆多重化部
　１２、１２Ａ　　パラメータセット復号部
　１３　　　　タイル設定部
　１４、１４Ａ　　スライス復号部
　１４１　　　スライスヘッダ復号部
　１４２　　　スライス位置設定部
　１４４　　　ＣＴＵ復号部
　１４４１　　予測残差復元部
　１４４２、１４４２Ａ、　　予測画像生成部
　１４４３　　ＣＴＵ復号画像生成部
　１５　　　　ベース復号部
　１５１　　　ベースＮＡＬ逆多重化部
　１５２　　　ベースパラメータセット復号部
　１５３　　　ベースタイル設定部
　１５４　　　ベーススライス復号部
　１５６　　　ベース復号ピクチャ管理部
　１６　　　　復号ピクチャ管理部
　２　　　　　階層動画像符号化装置（画像符号化装置）
　２１　　　　ＮＡＬ多重化部
　２２　　　　パラメータセット符号化部
　２３　　　　タイル設定部
　２４　　　　スライス符号化部
　２４１　　　スライスヘッダ設定部
　２４２　　　スライス位置設定部
　２４４　　　ＣＴＵ符号化部
　２４４１　　予測残差符号化部
　２４４２　　予測画像符号化部
　３　　　　　階層符号化データ変換装置（符号化データ変換装置）
　３２　　　　パラメータセット修正部
　３４　　　　ＮＡＬ選択部

 

Claims (14)

  1. 　階層符号化された符号化データを復号し、対象レイヤである上位レイヤの復号ピクチャを復元する画像復号装置であって、
    　パラメータセットを復号するパラメータセット復号部と、
    　参照レイヤピクチャの復号画素を参照して、レイヤ間予測により予測画像を生成する予測画像生成部を備え、
    　前記パラメータセット復号部は、レイヤ間位置対応情報を復号し、
    　前記レイヤ間位置対応情報は、拡大参照レイヤオフセットシンタックス、参照レイヤオフセットシンタックス、および、レイヤ間位相オフセットシンタックスを含み、
    　前記パラメータセット復号部は、特定の参照レイヤを示す第一の参照レイヤ識別子を復号し、符号化データ内で連続して含まれる、前記第一の参照レイヤ識別子に関連付けられる前記拡大参照レイヤオフセットシンタックス、前記第一の参照レイヤ識別子に関連付けられる前記参照レイヤオフセットシンタックス、および、前記第一の参照レイヤ識別子に関連付けられるレイヤ間位相オフセットシンタックスを復号し、
    　前記予測画像生成部は、所定の参照レイヤを用いる場合の予測画像を生成する場合に、該参照レイヤに関連付けられる前記拡大参照レイヤオフセットシンタックス、前記参照レイヤオフセットシンタックス、および、前記レイヤ間位相オフセットシンタックスを用いて、レイヤ間予測に用いるスケール、および、対応参照位置の少なくとも一方を導出することを特徴とする画像復号装置。
  2. 　前記レイヤ間位置対応情報は、特定の参照レイヤと関連付けられた参照レイヤオフセット情報存否フラグを含み、
    　前記予測画像生成部は、前記参照レイヤオフセット情報存否フラグの値に応じて、該参照レイヤオフセットが関連付けられた参照レイヤに関する参照レイヤオフセットシンタックスを復号することを特徴とする、請求項１に記載の画像復号装置。
  3. 　前記レイヤ間位置対応情報は、特定の参照レイヤと関連付けられたレイヤ間位相オフセット情報存否フラグを含み、
    　前記予測画像生成部は、前記レイヤ間位相オフセット情報存否フラグの値に応じて、該参照レイヤオフセットが関連付けられたレイヤ間位相オフセットシンタックスを復号することを特徴とする、請求項１に記載の画像復号装置。
  4. 　前記レイヤ間位置対応情報は、特定の参照レイヤと関連付けられたレイヤオフセット情報存否フラグを含み、
    　前記予測画像生成部は、前記レイヤオフセット情報存否フラグの値に応じて、該参照レイヤオフセットが関連付けられた拡大参照レイヤオフセットシンタックス、および、参照レイヤオフセットシンタックスを復号することを特徴とする、請求項１に記載の画像復号装置。
  5. 　階層符号化された符号化データを復号し、対象レイヤである上位レイヤの復号ピクチャを復元する画像復号装置であって、
    　パラメータセットを復号するパラメータセット復号部と、
    　参照レイヤピクチャの復号画素を参照して、レイヤ間予測により予測画像を生成する予測画像生成部を備え、
    　前記パラメータセット復号部は参照領域情報を復号し、
    　前記予測画像生成部は、前記参照領域情報に含まれる参照領域位置情報から対象レイヤ参照領域位置および参照レイヤ参照領域位置を導出し、前記参照領域位置および前記参照レイヤ参照領域位置を用いてレイヤ間予測に用いるスケール、および、対応参照位置の少なくとも一方を導出することを特徴とする画像復号装置。
  6. 　前記参照領域位置情報は、参照領域オフセット情報であり、
    　前記対象レイヤ参照領域位置は、対象レイヤ参照領域オフセットであり、
    　前記参照レイヤ参照領域位置は、参照レイヤ対象領域オフセットであることを特徴とする請求項５に記載の画像復号装置。
  7. 　前記参照領域位置情報は、第一のレイヤ識別情報と第二のレイヤ識別情報をインデックスとする二次元の配列変数であって、
    　前記第一のレイヤ識別情報は、参照領域が存在するレイヤを特定する情報であって、
    　前記第二のレイヤ識別情報は、レイヤ間処理対象レイヤを特定する情報であって、
    　前記予測画像生成部は、対象レイヤと参照レイヤの間のレイヤ間予測実行時に、前記対象レイヤを示す前記第一のレイヤ識別情報と、前記参照レイヤを示す前記第二のレイヤ識別情報とをインデックスとする前記参照領域位置情報を用いて前記対象レイヤ参照領域位置を設定し、前記参照レイヤを示す前記第一のレイヤ識別情報と、前記対象レイヤを示す前記第二のレイヤ識別情報をインデックスとする前記参照領域位置情報を用いて前記参照レイヤ参照領域位置を設定することを特徴とする請求項５または請求項６に記載の画像復号装置。
  8. 　前記第一のレイヤ識別情報は、参照領域が存在するレイヤのVPS内インデックスを直接または間接的に指定する情報であって、
    　前記第二のレイヤ識別情報は、レイヤ間処理対象レイヤのVPS内インデックスを直接または間接的に指定する情報であって、
    　前記予測画像生成部は、VPS内インデックスの値がＣの前記対象レイヤに対するレイヤ間予測実行時に、VPS内インデックスＣを示す前記第一のレイヤ識別情報と、Ｃより小さいVPS内インデックスＲを示す前記第二のレイヤ識別情報とをインデックスとする前記参照領域位置情報を用いて前記対象レイヤ参照領域位置を設定し、前記VPS内インデックスＲを示す前記第一のレイヤ識別情報と、VPS内インデックスＣを示す前記第二のレイヤ識別情報をインデックスとする前記参照領域位置情報を用いて前記参照レイヤ参照領域位置を設定することを特徴とする請求項７に記載の画像復号装置。
  9. 　前記参照領域位置情報は、第一のレイヤ識別情報と第二のレイヤ識別情報をインデックスとする二次元の配列変数であって、
    　前記第一のレイヤ識別情報は、参照領域が存在するレイヤを特定する情報であって、
    　前記第二のレイヤ識別情報は、レイヤ間処理対象レイヤを特定する情報であって、
    　前記予測画像生成部は、対象レイヤと参照レイヤの間のレイヤ間予測実行時に、前記対象レイヤを示す前記第一のレイヤ識別情報と、前記参照レイヤを示す前記第二のレイヤ識別情報とをインデックスとする前記参照領域位置情報を用いて前記対象レイヤ参照領域位置を設定し、前記対象レイヤを示す前記第一のレイヤ識別情報と、前記対象レイヤを示す前記第二のレイヤ識別情報をインデックスとする前記参照領域位置情報を用いて前記参照レイヤ参照領域位置を設定することを特徴とする請求項５または請求項６に記載の画像復号装置。
  10. 　前記パラメータセット復号部は、参照領域対象選択情報を復号し、該参照領域対象選択情報から第一のレイヤ識別情報と第二のレイヤ識別情報を導出するとともに、上記第一のレイヤ識別情報と上記第二のレイヤ識別情報の組み合わせと上記参照領域位置情報を関連付けて記録し、
    　前記予測画像生成部は、対象レイヤと参照レイヤの間のレイヤ間予測実行時に、前記対象レイヤを示す前記第一のレイヤ識別情報と、前記参照レイヤを示す前記第二のレイヤ識別情報の組み合わせに関連付けられて記録されている前記参照領域位置情報を用いて前記対象レイヤ参照領域位置を設定し、参照レイヤを示す前記第一のレイヤ識別情報と、対象レイヤを示す前記第二のレイヤ識別情報に関連付けられて記録されている前記参照領域位置情報を用いて前記参照レイヤ参照領域位置を設定することを特徴とする請求項５または請求項６に記載の画像復号装置。
  11. 　前記パラメータセット復号部は、対象レイヤと参照レイヤの表示領域情報を復号し、
    　前記予測画像生成部は、対象レイヤと参照レイヤの間のレイヤ間予測実行時に、前記対象レイヤを示す前記第一のレイヤ識別情報と、前記参照レイヤを示す前記第二のレイヤ識別情報とをインデックスとする前記参照領域位置情報が存在しない場合、対象レイヤの前記表示領域情報の示す表示領域位置を前記対象レイヤ参照領域位置として設定し、参照レイヤを示す前記第一のレイヤ識別情報と、対象レイヤを示す前記第二のレイヤ識別情報をインデックスとする前記参照領域位置情報が存在しない場合、参照レイヤの前記表示領域情報の示す表示領域を前記参照レイヤ参照領域位置として設定することを特徴とする請求項７から請求項１０に記載の画像復号装置。
  12. 　前記予測画像生成部は、前記対象レイヤ参照領域位置の示す参照領域サイズと、前記参照レイヤ参照領域位置の示す参照領域サイズの比、または、比を近似する値として、前記スケールを導出することを特徴とする請求項５から請求項１１に記載の画像復号装置。
  13. 　入力画像から対象レイヤである上位レイヤの符号化データを生成する画像符号化装置であって、
    　パラメータセットを符号化するパラメータセット符号化部と、
    　参照レイヤピクチャの復号画素を参照して、レイヤ間予測により予測画像を生成する予測画像生成部を備え、
    　前記パラメータセット符号化部は参照領域情報を符号化し、
    　前記予測画像生成部は、前記参照領域情報に含まれる参照領域位置情報から対象レイヤ参照領域位置および参照レイヤ参照領域位置を導出し、前記参照領域位置および前記参照レイヤ参照領域位置を用いてレイヤ間予測に用いるスケール、および、対応参照位置の少なくとも一方を導出することを特徴とする画像符号化装置。
  14. 　入力される階層符号化データを入力される注目領域情報に基づいて変換し、注目領域階層符号化データを生成して出力する、パラメータセット修正部を備える階層符号化データ変換装置であって、
    　前記パラメータセット修正部は、階層符号化データから導出される対象レイヤ参照領域位置および参照レイヤ参照領域位置がそれぞれ変換前後で一致するように参照領域位置情報を修正することを特徴とする階層符号化データ変換装置。
PCT/JP2015/062555 2014-04-25 2015-04-24 画像復号装置、画像符号化装置、および、符号化データ変換装置 WO2015163456A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
US15/303,585 US10187659B2 (en) 2014-04-25 2015-04-24 Image decoding device, image coding device, and coding data transform device
CN201580019567.6A CN106170980A (zh) 2014-04-25 2015-04-24 图像解码装置、图像编码装置以及编码数据变换装置
JP2016515226A JP6542201B2 (ja) 2014-04-25 2015-04-24 画像復号装置および画像復号方法
US16/181,509 US20190075323A1 (en) 2014-04-25 2018-11-06 Image decoding device, image encoding device, and image decoding method

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2014-091275 2014-04-25
JP2014091275 2014-04-25
JP2014124100 2014-06-17
JP2014-124100 2014-06-17

Related Child Applications (2)

Application Number Title Priority Date Filing Date
US15/303,585 A-371-Of-International US10187659B2 (en) 2014-04-25 2015-04-24 Image decoding device, image coding device, and coding data transform device
US16/181,509 Continuation US20190075323A1 (en) 2014-04-25 2018-11-06 Image decoding device, image encoding device, and image decoding method

Publications (1)

Publication Number Publication Date
WO2015163456A1 true WO2015163456A1 (ja) 2015-10-29

Family

ID=54332616

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2015/062555 WO2015163456A1 (ja) 2014-04-25 2015-04-24 画像復号装置、画像符号化装置、および、符号化データ変換装置

Country Status (5)

Country Link
US (2) US10187659B2 (ja)
JP (1) JP6542201B2 (ja)
CN (1) CN106170980A (ja)
TW (1) TWI589152B (ja)
WO (1) WO2015163456A1 (ja)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11336909B2 (en) * 2016-12-27 2022-05-17 Sony Corporation Image processing apparatus and method
KR102424829B1 (ko) * 2017-02-22 2022-07-25 에스케이텔레콤 주식회사 비디오 데이터가 부호화된 비트스트림을 처리하는 방법
WO2018155939A1 (ko) 2017-02-22 2018-08-30 에스케이텔레콤 주식회사 영상 복호화 방법 및 장치
US10234864B2 (en) * 2017-03-07 2019-03-19 nuTonomy Inc. Planning for unknown objects by an autonomous vehicle
US11670101B2 (en) * 2018-03-16 2023-06-06 Inveox Gmbh Automated identification, orientation and sample detection of a sample container
EP3796659A4 (en) * 2018-05-15 2022-05-11 Sharp Kabushiki Kaisha IMAGE CODING DEVICE, CODED STREAM EXTRACTION DEVICE AND IMAGE DECODING DEVICE
CN112204978B (zh) * 2018-06-01 2024-03-15 夏普株式会社 图像解码装置以及图像编码装置
US10798376B2 (en) * 2018-07-17 2020-10-06 Tencent America LLC Method and apparatus for video coding
CN114845109A (zh) 2019-03-11 2022-08-02 杜比实验室特许公司 帧速率可伸缩视频编码
AU2020259509A1 (en) 2019-07-08 2022-02-03 Huawei Technologies Co., Ltd. Handling of multiple picture size and conformance windows for reference picture resampling in video coding
JP2022543627A (ja) * 2019-08-06 2022-10-13 ドルビー ラボラトリーズ ライセンシング コーポレイション 描画面サイズ拡張可能ビデオコーディング
US11140402B2 (en) * 2019-09-20 2021-10-05 Tencent America LLC Signaling of reference picture resampling with constant window size indication in video bitstream
US11336894B2 (en) * 2019-09-20 2022-05-17 Tencent America LLC Signaling of reference picture resampling with resampling picture size indication in video bitstream
GB2587365B (en) * 2019-09-24 2023-02-22 Canon Kk Method, device, and computer program for coding and decoding a picture
US11317093B2 (en) * 2019-09-24 2022-04-26 Tencent America LLC Method for reference picture resampling with offset in video bitstream
WO2021121418A1 (en) 2019-12-19 2021-06-24 Beijing Bytedance Network Technology Co., Ltd. Joint use of adaptive colour transform and differential coding of video
JP7436680B2 (ja) * 2020-01-05 2024-02-22 北京字節跳動網絡技術有限公司 映像コーディングのための一般制約情報
CN115176470A (zh) 2020-01-18 2022-10-11 抖音视界有限公司 图像/视频编解码中的自适应颜色变换
EP4104439A4 (en) 2020-03-11 2023-08-16 Beijing Bytedance Network Technology Co., Ltd. HIGH-LEVEL BITSTREAM SYNTAX FOR QUANTIZE PARAMETERS
CN115699753A (zh) 2020-05-31 2023-02-03 抖音视界有限公司 具有本地双树模式类型定义的调色板模式
CN116156203A (zh) * 2021-11-22 2023-05-23 中兴通讯股份有限公司 语法元素的编码、解码方法、装置、电子设备和存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060105407A (ko) * 2005-04-01 2006-10-11 엘지전자 주식회사 영상 신호의 스케일러블 인코딩 및 디코딩 방법
KR101349836B1 (ko) * 2006-11-17 2014-01-10 엘지전자 주식회사 비디오 신호의 디코딩/인코딩 방법 및 장치
KR20140138538A (ko) * 2013-05-24 2014-12-04 주식회사 케이티 복수의 레이어를 지원하는 비디오 코딩 방법 및 장치
CA2943121C (en) * 2014-03-18 2020-09-08 Arris Enterprises Llc Scalable video coding using reference and scaled reference layer offsets

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
DO-KYOUNG KWON ET AL.: "Reference- layer cropping offsets signaling in SHVC", JOINT COLLABORATIVE TEAM ON VIDEO CODING (JCT-VC) OF ITU-T SG 16 WP 3 AND ISO/IEC JTC 1/SC 29/WG 11 13TH MEETING, April 2013 (2013-04-01), Incheon, KR, pages 1 - 5 *
JIANLE CHEN ET AL.: "On phase offset for resampling process in SHVC", JOINT COLLABORATIVE TEAM ON VIDEO CODING (JCT-VC) OF ITU-T SG 16 WP 3 AND ISO/IEC JTC 1/SC 29/WG 11 17TH MEETING, 18 March 2014 (2014-03-18), Valencia, ES, pages 1 - 3 *
KOOHYAR MINOO ET AL.: "Increased resolution for scaled reference layer offset", JOINT COLLABORATIVE TEAM ON VIDEO CODING (JCT-VC) OF ITU-T SG 16 WP 3 AND ISO/IEC JTC 1/SC 29/WG 11 17TH MEETING, 27 March 2014 (2014-03-27), Valencia, ES, pages 1 - 6 *
TOMOYUKI YAMAMOTO ET AL.: "AHG 13: Sub-region extraction - position calculation and comparison of different approaches", JOINT COLLABORATIVE TEAM ON VIDEO CODING (JCT-VC) OF ITU-T SG 16 WP 3 AND ISO/IEC JTC 1/SC 29/WG 11 17TH MEETING, 29 March 2014 (2014-03-29), Valencia, ES, pages 1 - 7 *
TOMOYUKI YAMAMOTO ET AL.: "AHG13: On reference position calculation", JOINT COLLABORATIVE TEAM ON VIDEO CODING (JCT-VC) OF ITU-T SG 16 WP 3 AND ISO/IEC JTC 1/SC 29/WG 11 18TH MEETING, 21 June 2014 (2014-06-21), Sapporo, JP, pages 1 - 4 *
TOMOYUKI YAMAMOTO ET AL.: "MV-HEVC/SHVC HLS: On conversion to ROI-oriented multi-layer bitstream", JOINT COLLABORATIVE TEAM ON VIDEO CODING (JCT-VC) OF ITU-T SG 16 WP3 AND ISO/IEC JTC1/SC29/WG11 15TH MEETING, 24 October 2013 (2013-10-24), Geneva, CH, pages 1 - 5 *

Also Published As

Publication number Publication date
JP6542201B2 (ja) 2019-07-10
TWI589152B (zh) 2017-06-21
US10187659B2 (en) 2019-01-22
JPWO2015163456A1 (ja) 2017-04-20
US20190075323A1 (en) 2019-03-07
US20170034532A1 (en) 2017-02-02
CN106170980A (zh) 2016-11-30
TW201545544A (zh) 2015-12-01

Similar Documents

Publication Publication Date Title
JP6542201B2 (ja) 画像復号装置および画像復号方法
JP6229904B2 (ja) 画像復号装置、画像符号化装置、および、符号化データ変換装置
JP6363088B2 (ja) 画像復号装置、画像復号方法、画像符号化装置、および画像符号化方法
US10841600B2 (en) Image decoding device, an image encoding device and a decoding method
US10136151B2 (en) Image decoding device and image decoding method
US20190014351A1 (en) Moving image coding device, a moving image coding method, and a moving image decoding device
US10136161B2 (en) DMM prediction section, image decoding device, and image coding device
WO2014115283A1 (ja) 画像復号装置、および画像符号化装置
WO2014162954A1 (ja) 画像復号装置、および画像符号化装置
JP5995448B2 (ja) 画像復号装置、および画像符号化装置
WO2014007131A1 (ja) 画像復号装置、および画像符号化装置
JP2015073213A (ja) 画像復号装置、画像符号化装置、符号化データ変換装置、および、注目領域表示システム
JP2014176039A (ja) 画像復号装置、および画像符号化装置
JP6162289B2 (ja) 画像復号装置および画像復号方法
WO2015098713A1 (ja) 画像復号装置および画像符号化装置
JP2015177318A (ja) 画像復号装置、画像符号化装置
JP2015126508A (ja) 画像復号装置、画像符号化装置、符号化データ変換装置、領域再生装置
JP2014082729A (ja) 画像復号装置、および画像符号化装置
JP2015076807A (ja) 画像復号装置、画像符号化装置、および符号化データのデータ構造

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15782812

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2016515226

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 15303585

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 15782812

Country of ref document: EP

Kind code of ref document: A1