WO2018221631A1 - 符号化装置、復号装置、符号化方法および復号方法 - Google Patents

符号化装置、復号装置、符号化方法および復号方法 Download PDF

Info

Publication number
WO2018221631A1
WO2018221631A1 PCT/JP2018/020875 JP2018020875W WO2018221631A1 WO 2018221631 A1 WO2018221631 A1 WO 2018221631A1 JP 2018020875 W JP2018020875 W JP 2018020875W WO 2018221631 A1 WO2018221631 A1 WO 2018221631A1
Authority
WO
WIPO (PCT)
Prior art keywords
luminance
color difference
pixel position
value
image
Prior art date
Application number
PCT/JP2018/020875
Other languages
English (en)
French (fr)
Inventor
龍一 加納
遠間　正真
西　孝啓
安倍　清史
橋本　隆
Original Assignee
パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ
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 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ filed Critical パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ
Publication of WO2018221631A1 publication Critical patent/WO2018221631A1/ja
Priority to US16/696,249 priority Critical patent/US11153596B2/en
Priority to US17/476,947 priority patent/US11575931B2/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
    • H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
    • H04N19/503—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving temporal prediction
    • H04N19/51—Motion estimation or motion compensation
    • H04N19/513—Processing of motion vectors
    • H04N19/517—Processing of motion vectors by encoding
    • H04N19/52—Processing of motion vectors by encoding by predictive encoding
    • 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
    • H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
    • H04N19/503—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving temporal prediction
    • H04N19/51—Motion estimation or motion compensation
    • H04N19/577—Motion compensation with bidirectional frame interpolation, i.e. using B-pictures
    • 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
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/157—Assigned coding mode, i.e. the coding mode being predefined or preselected to be further used for selection of another element or parameter
    • H04N19/159—Prediction type, e.g. intra-frame, inter-frame or bidirectional frame 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
    • H04N19/176—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object the region being a block, e.g. a macroblock
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—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
    • H04N19/182—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 pixel
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
    • H04N19/186—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being a colour or a chrominance component
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
    • H04N19/503—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving temporal prediction
    • H04N19/51—Motion estimation or motion compensation
    • H04N19/513—Processing of motion vectors
    • 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
    • H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
    • H04N19/503—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving temporal prediction
    • H04N19/51—Motion estimation or motion compensation
    • H04N19/537—Motion estimation other than block-based
    • H04N19/543—Motion estimation other than block-based using regions
    • 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
    • H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
    • H04N19/593—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving spatial prediction techniques
    • 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
    • H04N19/625—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding using discrete cosine transform [DCT]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/136—Incoming video signal characteristics or properties
    • H04N19/137—Motion inside a coding unit, e.g. average field, frame or block difference
    • 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
    • H04N19/90—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using coding techniques not provided for in groups H04N19/10-H04N19/85, e.g. fractals
    • H04N19/96—Tree coding, e.g. quad-tree coding

Definitions

  • the present disclosure relates to an encoding device, a decoding device, an encoding method, and a decoding method.
  • HEVC High-Efficiency Video Coding
  • JCT-VC Joint Collaborative Team on Video Coding
  • an object of the present disclosure is to provide an encoding device, a decoding device, an encoding method, or a decoding method that can realize further improvement.
  • An encoding apparatus includes a processing circuit and a memory, and the processing circuit uses the memory to perform inter-screen prediction on a processing target block, thereby performing a final prediction image of luminance. And a color difference final prediction image is generated, and the processing target block is encoded using the luminance final prediction image and the color difference final prediction image.
  • the inter-screen prediction two motion vectors of the processing target block are encoded. Is used to obtain two predicted images from two reference pictures, and the gradient value of the luminance at each pixel position in each of the two predicted images is obtained from the corresponding pixel position in each of the two reference pictures. For each pixel position of the processing target block, the two predictions corresponding to the pixel position are derived by referring to surrounding pixels.
  • a luminance local motion estimation value is derived using the luminance value and the luminance gradient value in each of the images, the luminance value for each pixel position and the luminance gradient value in each of the two predicted images, and the processing target
  • the final predicted image of the luminance is generated using the estimated local motion value of the luminance for each pixel position in the block, the gradient value of the luminance for each pixel position in each of the two predicted images, and the processing target
  • the final predicted image of the color difference is generated using at least one of the local motion estimated values of the luminance for each pixel position in the block and the color difference for each pixel position in each of the two predicted images.
  • a decoding apparatus includes a processing circuit and a memory, and the processing circuit uses the memory to perform inter-screen prediction on a processing target block, thereby performing a final prediction image of luminance and A final prediction image of color difference is generated, and the processing target block is decoded using the final prediction image of luminance and the final prediction image of color difference.
  • the inter-screen prediction two motion vectors of the processing target block are obtained.
  • two predicted images are obtained from two reference pictures, and the luminance gradient value for each pixel position in each of the two predicted images is used as the periphery of the pixel position in each of the two reference pictures.
  • the two predicted images corresponding to the pixel positions are derived for each pixel position of the processing target block.
  • a local motion estimated value of luminance is derived, the luminance value for each pixel position and the gradient value of the luminance in each of the two predicted images, and the processing target block
  • a final predicted image of the luminance is generated using the local motion estimated value of the luminance for each pixel position in the image, the gradient value of the luminance for each pixel position in each of the two predicted images, and the processing target block
  • the final predicted image of the color difference is generated using at least one of the estimated local motion values of the luminance for each pixel position and the color difference for each pixel position of the two predicted images.
  • the present disclosure can provide an encoding device, a decoding device, an encoding method, or a decoding method that can realize further improvements.
  • FIG. 1 is a block diagram showing a functional configuration of the encoding apparatus according to Embodiment 1.
  • FIG. 2 is a diagram illustrating an example of block division in the first embodiment.
  • FIG. 3 is a table showing conversion basis functions corresponding to each conversion type.
  • FIG. 4A is a diagram illustrating an example of the shape of a filter used in ALF.
  • FIG. 4B is a diagram illustrating another example of the shape of a filter used in ALF.
  • FIG. 4C is a diagram illustrating another example of the shape of a filter used in ALF.
  • FIG. 5A is a diagram illustrating 67 intra prediction modes in intra prediction.
  • FIG. 5B is a flowchart for explaining the outline of the predicted image correction process by the OBMC process.
  • FIG. 5A is a diagram illustrating 67 intra prediction modes in intra prediction.
  • FIG. 5B is a flowchart for explaining the outline of the predicted image correction process by the OBMC process.
  • FIG. 5A is a
  • FIG. 5C is a conceptual diagram for explaining the outline of the predicted image correction process by the OBMC process.
  • FIG. 5D is a diagram illustrating an example of FRUC.
  • FIG. 6 is a diagram for explaining pattern matching (bilateral matching) between two blocks along the motion trajectory.
  • FIG. 7 is a diagram for explaining pattern matching (template matching) between a template in the current picture and a block in the reference picture.
  • FIG. 8 is a diagram for explaining a model assuming constant velocity linear motion.
  • FIG. 9A is a diagram for explaining derivation of a motion vector in units of sub-blocks based on motion vectors of a plurality of adjacent blocks.
  • FIG. 9B is a diagram for explaining the outline of the motion vector deriving process in the merge mode.
  • FIG. 9A is a diagram for explaining derivation of a motion vector in units of sub-blocks based on motion vectors of a plurality of adjacent blocks.
  • FIG. 9B is a diagram for explaining the outline of
  • FIG. 9C is a conceptual diagram for explaining an outline of DMVR processing.
  • FIG. 9D is a diagram for describing an overview of a predicted image generation method using luminance correction processing by LIC processing.
  • FIG. 10 is a block diagram showing a functional configuration of the decoding apparatus according to the first embodiment.
  • FIG. 11 is a conceptual diagram illustrating a final predicted image generation process in the BIO mode performed by the inter prediction unit according to the second embodiment.
  • FIG. 12 is a flowchart illustrating an example of a BIO mode operation performed by the inter prediction unit according to the second embodiment.
  • FIG. 13 is a flowchart illustrating another example of the operation in the BIO mode performed by the inter prediction unit according to the second embodiment.
  • FIG. 14 is a flowchart illustrating another example of the operation in the BIO mode performed by the inter prediction unit according to the second embodiment.
  • FIG. 15A is a block diagram illustrating an implementation example of the coding apparatus according to Embodiment 2.
  • FIG. 15B is a flowchart illustrating a processing operation of the encoding device including the processing circuit and the memory according to the second embodiment.
  • FIG. 15C is a block diagram illustrating an implementation example of the decoding apparatus according to Embodiment 2.
  • FIG. 15D is a flowchart illustrating a processing operation of the decoding device including the processing circuit and the memory according to the second embodiment.
  • FIG. 16 is an overall configuration diagram of a content supply system that realizes a content distribution service.
  • FIG. 16 is an overall configuration diagram of a content supply system that realizes a content distribution service.
  • FIG. 17 is a diagram illustrating an example of a coding structure at the time of scalable coding.
  • FIG. 18 is a diagram illustrating an example of a coding structure at the time of scalable coding.
  • FIG. 19 shows an example of a web page display screen.
  • FIG. 20 shows an example of a web page display screen.
  • FIG. 21 is a diagram illustrating an example of a smartphone.
  • FIG. 22 is a block diagram illustrating a configuration example of a smartphone.
  • An encoding apparatus includes a processing circuit and a memory, and the processing circuit uses the memory to perform inter-screen prediction on a processing target block, thereby performing a final prediction image of luminance. And a color difference final prediction image is generated, and the processing target block is encoded using the luminance final prediction image and the color difference final prediction image.
  • the inter-screen prediction two motion vectors of the processing target block are encoded. Is used to obtain two predicted images from two reference pictures, and the gradient value of the luminance at each pixel position in each of the two predicted images is obtained from the corresponding pixel position in each of the two reference pictures. For each pixel position of the processing target block, the two predictions corresponding to the pixel position are derived by referring to surrounding pixels.
  • a luminance local motion estimation value is derived using the luminance value and the luminance gradient value in each of the images, the luminance value for each pixel position and the luminance gradient value in each of the two predicted images, and the processing target
  • the final predicted image of the luminance is generated using the estimated local motion value of the luminance for each pixel position in the block, the gradient value of the luminance for each pixel position in each of the two predicted images, and the processing target
  • the final predicted image of the color difference is generated using at least one of the local motion estimated values of the luminance for each pixel position in the block and the color difference for each pixel position in each of the two predicted images.
  • the local motion estimation value is also referred to as a corrected motion vector.
  • the color difference final predicted image using at least one of the luminance gradient value for each pixel position in each of the two predicted images and the luminance local motion estimated value for each pixel position in the processing target block.
  • the luminance gradient value for each pixel position in each of the two prediction images is used instead of the color difference gradient value in generating the final color difference prediction image.
  • the local motion estimation value of luminance for each pixel position in the processing target block is used instead of the local motion estimation value of color difference for generating the final prediction image of color difference.
  • the luminance gradient value for each pixel position in each of the two prediction images and the local motion estimation value for the luminance for each pixel position in the processing target block are the color difference gradient value and Used in place of local motion estimates.
  • the final prediction image of color difference is generated directly from the final prediction image of luminance by using at least one of the gradient value of luminance and the local motion estimation value of luminance, the final prediction image of color difference is generated. In addition, it is possible to suppress a decrease in prediction accuracy of the final prediction image of color difference.
  • the processing circuit further includes, for each pixel position of the processing target block, a color difference in each of the two predicted images corresponding to the pixel position, and the two predicted images.
  • a local motion estimation value of the color difference is derived, and in the generation of the final predicted image of the color difference, the luminance gradient value for each pixel position in each of the two predicted images, and
  • the final predicted image of the color difference may be generated using the local motion estimation value of the color difference for each pixel position in the processing target block and the color difference for each pixel position of each of the two predicted images.
  • the luminance gradient value for each pixel position in each of the two prediction images is used in place of the color difference gradient value in the generation of the color difference final prediction image. Therefore, the process of calculating the gradient value of the color difference for each pixel position in each of the two predicted images based on the color difference can be omitted from the generation of the final predicted image of the color difference. As a result, there is a possibility that the processing load on the encoding device can be reduced and the configuration of the encoding device can be simplified.
  • the processing circuit further calculates a gradient value of the color difference for each pixel position in each of the two predicted images, and determines pixels around the pixel position in each of the two reference pictures.
  • the generation of the final prediction image of the color difference derived by referring to the gradient value of the color difference for each pixel position in each of the two prediction images and the local motion of the luminance for each pixel position in the processing target block
  • the final predicted image of the color difference may be generated using the estimated value and the color difference for each pixel position in each of the two predicted images.
  • the local motion estimation value of the luminance for each pixel position in the processing target block is used instead of the local motion estimation value of the color difference for generating the final prediction image of the color difference. Therefore, the process of calculating the local motion estimation value of the color difference for each pixel position in the processing target block based on the color difference can be omitted from the generation of the final predicted image of the color difference. As a result, there is a possibility that the processing load on the encoding device can be reduced and the configuration of the encoding device can be simplified.
  • the color difference gradient value may be calculated, and the color difference final predicted image may be generated based on the color difference gradient value calculated using the luminance gradient value.
  • the color difference gradient value and the local motion estimation value can be appropriately calculated from the luminance gradient value and the local motion estimation value, respectively.
  • the prediction error of the final prediction image of the color difference can be reduced, and the encoding efficiency can be improved.
  • a decoding apparatus includes a processing circuit and a memory, and the processing circuit uses the memory to perform inter-screen prediction on a processing target block, thereby performing a final prediction image of luminance and A final prediction image of color difference is generated, and the processing target block is decoded using the final prediction image of luminance and the final prediction image of color difference.
  • the inter-screen prediction two motion vectors of the processing target block are obtained.
  • two predicted images are obtained from two reference pictures, and the luminance gradient value for each pixel position in each of the two predicted images is used as the periphery of the pixel position in each of the two reference pictures.
  • the two predicted images corresponding to the pixel positions are derived for each pixel position of the processing target block.
  • a local motion estimated value of luminance is derived, the luminance value for each pixel position and the gradient value of the luminance in each of the two predicted images, and the processing target block
  • a final predicted image of the luminance is generated using the local motion estimated value of the luminance for each pixel position in the image, the gradient value of the luminance for each pixel position in each of the two predicted images, and the processing target block
  • the final predicted image of the color difference is generated using at least one of the estimated local motion values of the luminance for each pixel position and the color difference for each pixel position of the two predicted images.
  • the color difference final predicted image using at least one of the luminance gradient value for each pixel position in each of the two predicted images and the luminance local motion estimated value for each pixel position in the processing target block.
  • the luminance gradient value for each pixel position in each of the two prediction images is used instead of the color difference gradient value in generating the final color difference prediction image.
  • the local motion estimation value of luminance for each pixel position in the processing target block is used instead of the local motion estimation value of color difference for generating the final prediction image of color difference.
  • the luminance gradient value for each pixel position in each of the two prediction images and the local motion estimation value for the luminance for each pixel position in the processing target block are the color difference gradient value and Used in place of local motion estimates.
  • the final prediction image of color difference is generated directly from the final prediction image of luminance by using at least one of the gradient value of luminance and the local motion estimation value of luminance, the final prediction image of color difference is generated. In addition, it is possible to suppress a decrease in prediction accuracy of the final prediction image of color difference.
  • the processing circuit further includes, for each pixel position of the processing target block, a color difference in each of the two predicted images corresponding to the pixel position, and the two predicted images.
  • a local motion estimation value of the color difference is derived, and in the generation of the final predicted image of the color difference, the luminance gradient value for each pixel position in each of the two predicted images, and
  • the final predicted image of the color difference may be generated using the local motion estimation value of the color difference for each pixel position in the processing target block and the color difference for each pixel position of each of the two predicted images.
  • the luminance gradient value for each pixel position in each of the two prediction images is used in place of the color difference gradient value in the generation of the color difference final prediction image. Therefore, the process of calculating the gradient value of the color difference for each pixel position in each of the two predicted images based on the color difference can be omitted from the generation of the final predicted image of the color difference. As a result, there is a possibility that the processing load on the decoding device can be reduced and the configuration of the decoding device can be simplified.
  • the processing circuit further calculates a gradient value of the color difference for each pixel position in each of the two predicted images, and determines pixels around the pixel position in each of the two reference pictures.
  • the generation of the final prediction image of the color difference derived by referring to the gradient value of the color difference for each pixel position in each of the two prediction images and the local motion of the luminance for each pixel position in the processing target block
  • the final predicted image of the color difference may be generated using the estimated value and the color difference for each pixel position in each of the two predicted images.
  • the local motion estimation value of the luminance for each pixel position in the processing target block is used instead of the local motion estimation value of the color difference for generating the final prediction image of the color difference. Therefore, the process of calculating the local motion estimation value of the color difference for each pixel position in the processing target block based on the color difference can be omitted from the generation of the final predicted image of the color difference. As a result, there is a possibility that the processing load on the decoding device can be reduced and the configuration of the decoding device can be simplified.
  • the color difference gradient value may be calculated, and the color difference final predicted image may be generated based on the color difference gradient value calculated using the luminance gradient value.
  • the color difference gradient value and the local motion estimation value can be appropriately calculated from the luminance gradient value and the local motion estimation value, respectively.
  • the prediction error of the final prediction image of the color difference can be reduced, and the encoding efficiency can be improved.
  • an outline of the first embodiment will be described as an example of an encoding device and a decoding device to which the processing and / or configuration described in each aspect of the present disclosure to be described later can be applied.
  • the first embodiment is merely an example of an encoding device and a decoding device to which the processing and / or configuration described in each aspect of the present disclosure can be applied, and the processing and / or processing described in each aspect of the present disclosure.
  • the configuration can also be implemented in an encoding device and a decoding device different from those in the first embodiment.
  • the encoding apparatus or decoding apparatus according to the first embodiment corresponds to the constituent elements described in each aspect of the present disclosure among a plurality of constituent elements constituting the encoding apparatus or decoding apparatus. Replacing the constituent elements with constituent elements described in each aspect of the present disclosure (2) A plurality of constituent elements constituting the encoding apparatus or decoding apparatus with respect to the encoding apparatus or decoding apparatus of the first embodiment The constituent elements corresponding to the constituent elements described in each aspect of the present disclosure are added to the present disclosure after arbitrary changes such as addition, replacement, and deletion of functions or processes to be performed on some constituent elements among the constituent elements.
  • a component that performs a part of processing performed by a component is a component that is described in each aspect of the present disclosure, a component that includes a part of a function included in the component described in each aspect of the present disclosure, (6)
  • a method performed by the encoding device or the decoding device according to Embodiment 1 is performed in combination with a component that performs a part of processing performed by the component described in each aspect of the disclosure.
  • the process corresponding to the process described in each aspect of the present disclosure is replaced with the process described in each aspect of the present disclosure.
  • the encoding apparatus according to the first embodiment or A part of the plurality of processes included in the method performed by the decoding device is performed in combination with the processes described in each aspect of the present disclosure
  • the processes and / or configurations described in each aspect of the present disclosure are not limited to the above examples.
  • the present invention may be implemented in an apparatus used for a different purpose from the moving picture / picture encoding apparatus or moving picture / picture decoding apparatus disclosed in the first embodiment, and the processing and / or described in each aspect.
  • the configuration may be implemented alone.
  • you may implement combining the process and / or structure which were demonstrated in the different aspect.
  • FIG. 1 is a block diagram showing a functional configuration of encoding apparatus 100 according to Embodiment 1.
  • the encoding device 100 is a moving image / image encoding device that encodes moving images / images in units of blocks.
  • an encoding apparatus 100 is an apparatus that encodes an image in units of blocks, and includes a dividing unit 102, a subtracting unit 104, a transforming unit 106, a quantizing unit 108, and entropy encoding.
  • Unit 110 inverse quantization unit 112, inverse transform unit 114, addition unit 116, block memory 118, loop filter unit 120, frame memory 122, intra prediction unit 124, inter prediction unit 126, A prediction control unit 128.
  • the encoding device 100 is realized by, for example, a general-purpose processor and a memory.
  • the processor when the software program stored in the memory is executed by the processor, the processor performs the division unit 102, the subtraction unit 104, the conversion unit 106, the quantization unit 108, the entropy encoding unit 110, and the inverse quantization unit 112.
  • the encoding apparatus 100 includes a dividing unit 102, a subtracting unit 104, a transforming unit 106, a quantizing unit 108, an entropy coding unit 110, an inverse quantizing unit 112, an inverse transforming unit 114, an adding unit 116, and a loop filter unit 120.
  • the intra prediction unit 124, the inter prediction unit 126, and the prediction control unit 128 may be implemented as one or more dedicated electronic circuits.
  • the dividing unit 102 divides each picture included in the input moving image into a plurality of blocks, and outputs each block to the subtracting unit 104.
  • the dividing unit 102 first divides a picture into blocks of a fixed size (for example, 128 ⁇ 128).
  • This fixed size block may be referred to as a coding tree unit (CTU).
  • the dividing unit 102 divides each of the fixed size blocks into blocks of a variable size (for example, 64 ⁇ 64 or less) based on recursive quadtree and / or binary tree block division.
  • This variable size block may be referred to as a coding unit (CU), a prediction unit (PU) or a transform unit (TU).
  • CU, PU, and TU do not need to be distinguished, and some or all blocks in a picture may be processing units of CU, PU, and TU.
  • FIG. 2 is a diagram showing an example of block division in the first embodiment.
  • a solid line represents a block boundary by quadtree block division
  • a broken line represents a block boundary by binary tree block division.
  • the block 10 is a 128 ⁇ 128 pixel square block (128 ⁇ 128 block).
  • the 128 ⁇ 128 block 10 is first divided into four square 64 ⁇ 64 blocks (quadtree block division).
  • the upper left 64 ⁇ 64 block is further divided vertically into two rectangular 32 ⁇ 64 blocks, and the left 32 ⁇ 64 block is further divided vertically into two rectangular 16 ⁇ 64 blocks (binary tree block division). As a result, the upper left 64 ⁇ 64 block is divided into two 16 ⁇ 64 blocks 11 and 12 and a 32 ⁇ 64 block 13.
  • the upper right 64 ⁇ 64 block is horizontally divided into two rectangular 64 ⁇ 32 blocks 14 and 15 (binary tree block division).
  • the lower left 64x64 block is divided into four square 32x32 blocks (quadrant block division). Of the four 32 ⁇ 32 blocks, the upper left block and the lower right block are further divided.
  • the upper left 32 ⁇ 32 block is vertically divided into two rectangular 16 ⁇ 32 blocks, and the right 16 ⁇ 32 block is further divided horizontally into two 16 ⁇ 16 blocks (binary tree block division).
  • the lower right 32 ⁇ 32 block is horizontally divided into two 32 ⁇ 16 blocks (binary tree block division).
  • the lower left 64 ⁇ 64 block is divided into a 16 ⁇ 32 block 16, two 16 ⁇ 16 blocks 17 and 18, two 32 ⁇ 32 blocks 19 and 20, and two 32 ⁇ 16 blocks 21 and 22.
  • the lower right 64x64 block 23 is not divided.
  • the block 10 is divided into 13 variable-size blocks 11 to 23 based on the recursive quadtree and binary tree block division.
  • Such division may be called QTBT (quad-tree plus binary tree) division.
  • one block is divided into four or two blocks (quadrature tree or binary tree block division), but the division is not limited to this.
  • one block may be divided into three blocks (triple tree block division).
  • Such a division including a tri-tree block division may be called an MBT (multi type tree) division.
  • the subtraction unit 104 subtracts the prediction signal (prediction sample) from the original signal (original sample) in units of blocks divided by the division unit 102. That is, the subtraction unit 104 calculates a prediction error (also referred to as a residual) of a coding target block (hereinafter referred to as a current block). Then, the subtraction unit 104 outputs the calculated prediction error to the conversion unit 106.
  • a prediction error also referred to as a residual of a coding target block (hereinafter referred to as a current block).
  • the original signal is an input signal of the encoding device 100, and is a signal (for example, a luminance (luma) signal and two color difference (chroma) signals) representing an image of each picture constituting the moving image.
  • a signal representing an image may be referred to as a sample.
  • the transform unit 106 transforms the prediction error in the spatial domain into a transform factor in the frequency domain, and outputs the transform coefficient to the quantization unit 108. Specifically, the transform unit 106 performs, for example, a predetermined discrete cosine transform (DCT) or discrete sine transform (DST) on a prediction error in the spatial domain.
  • DCT discrete cosine transform
  • DST discrete sine transform
  • the conversion unit 106 adaptively selects a conversion type from a plurality of conversion types, and converts a prediction error into a conversion coefficient using a conversion basis function corresponding to the selected conversion type. May be. Such a conversion may be referred to as EMT (explicit multiple core transform) or AMT (adaptive multiple transform).
  • the plurality of conversion types include, for example, DCT-II, DCT-V, DCT-VIII, DST-I and DST-VII.
  • FIG. 3 is a table showing conversion basis functions corresponding to each conversion type. In FIG. 3, N indicates the number of input pixels. Selection of a conversion type from among these multiple conversion types may depend on, for example, the type of prediction (intra prediction and inter prediction), or may depend on an intra prediction mode.
  • Information indicating whether or not to apply such EMT or AMT (for example, called an AMT flag) and information indicating the selected conversion type are signaled at the CU level.
  • AMT flag information indicating whether or not to apply such EMT or AMT
  • the signalization of these pieces of information need not be limited to the CU level, but may be other levels (for example, a sequence level, a picture level, a slice level, a tile level, or a CTU level).
  • the conversion unit 106 may reconvert the conversion coefficient (conversion result). Such reconversion is sometimes referred to as AST (adaptive secondary transform) or NSST (non-separable secondary transform). For example, the conversion unit 106 performs re-conversion for each sub-block (for example, 4 ⁇ 4 sub-block) included in the block of the conversion coefficient corresponding to the intra prediction error. Information indicating whether or not NSST is applied and information related to the transformation matrix used for NSST are signaled at the CU level. Note that the signalization of these pieces of information need not be limited to the CU level, but may be other levels (for example, a sequence level, a picture level, a slice level, a tile level, or a CTU level).
  • the separable conversion is a method of performing the conversion a plurality of times by separating the number of dimensions of the input for each direction, and the non-separable conversion is two or more when the input is multidimensional.
  • the dimensions are collectively regarded as one dimension, and conversion is performed collectively.
  • non-separable conversion if an input is a 4 ⁇ 4 block, it is regarded as one array having 16 elements, and 16 ⁇ 16 conversion is performed on the array. The thing which performs the conversion process with a matrix is mentioned.
  • a 4 ⁇ 4 input block is regarded as a single array having 16 elements, and then the Givens rotation is performed multiple times on the array (Hypercube Givens Transform) is also a non-separable. It is an example of conversion.
  • the quantization unit 108 quantizes the transform coefficient output from the transform unit 106. Specifically, the quantization unit 108 scans the transform coefficients of the current block in a predetermined scanning order, and quantizes the transform coefficients based on the quantization parameter (QP) corresponding to the scanned transform coefficients. Then, the quantization unit 108 outputs the quantized transform coefficient (hereinafter referred to as a quantization coefficient) of the current block to the entropy encoding unit 110 and the inverse quantization unit 112.
  • QP quantization parameter
  • the predetermined order is an order for quantization / inverse quantization of transform coefficients.
  • the predetermined scanning order is defined in ascending order of frequency (order from low frequency to high frequency) or descending order (order from high frequency to low frequency).
  • the quantization parameter is a parameter that defines a quantization step (quantization width). For example, if the value of the quantization parameter increases, the quantization step also increases. That is, if the value of the quantization parameter increases, the quantization error increases.
  • the entropy encoding unit 110 generates an encoded signal (encoded bit stream) by performing variable length encoding on the quantization coefficient that is input from the quantization unit 108. Specifically, the entropy encoding unit 110 binarizes the quantization coefficient, for example, and arithmetically encodes the binary signal.
  • the inverse quantization unit 112 inversely quantizes the quantization coefficient that is an input from the quantization unit 108. Specifically, the inverse quantization unit 112 inversely quantizes the quantization coefficient of the current block in a predetermined scanning order. Then, the inverse quantization unit 112 outputs the inverse-quantized transform coefficient of the current block to the inverse transform unit 114.
  • the inverse transform unit 114 restores the prediction error by inverse transforming the transform coefficient that is an input from the inverse quantization unit 112. Specifically, the inverse transform unit 114 restores the prediction error of the current block by performing an inverse transform corresponding to the transform by the transform unit 106 on the transform coefficient. Then, the inverse transformation unit 114 outputs the restored prediction error to the addition unit 116.
  • the restored prediction error does not match the prediction error calculated by the subtraction unit 104 because information is lost due to quantization. That is, the restored prediction error includes a quantization error.
  • the adder 116 reconstructs the current block by adding the prediction error input from the inverse transform unit 114 and the prediction sample input from the prediction control unit 128. Then, the adding unit 116 outputs the reconfigured block to the block memory 118 and the loop filter unit 120.
  • the reconstructed block is sometimes referred to as a local decoding block.
  • the block memory 118 is a storage unit for storing blocks in an encoding target picture (hereinafter referred to as current picture) that are referred to in intra prediction. Specifically, the block memory 118 stores the reconstructed block output from the adding unit 116.
  • the loop filter unit 120 applies a loop filter to the block reconstructed by the adding unit 116 and outputs the filtered reconstructed block to the frame memory 122.
  • the loop filter is a filter (in-loop filter) used in the encoding loop, and includes, for example, a deblocking filter (DF), a sample adaptive offset (SAO), an adaptive loop filter (ALF), and the like.
  • a least square error filter is applied to remove coding distortion. For example, for each 2 ⁇ 2 sub-block in the current block, a plurality of multiples based on the direction of the local gradient and the activity are provided. One filter selected from the filters is applied.
  • sub-blocks for example, 2 ⁇ 2 sub-blocks
  • a plurality of classes for example, 15 or 25 classes.
  • the direction value D of the gradient is derived, for example, by comparing gradients in a plurality of directions (for example, horizontal, vertical, and two diagonal directions).
  • the gradient activation value A is derived, for example, by adding gradients in a plurality of directions and quantizing the addition result.
  • a filter for a sub-block is determined from among a plurality of filters.
  • FIG. 4A to 4C are diagrams showing a plurality of examples of filter shapes used in ALF.
  • 4A shows a 5 ⁇ 5 diamond shape filter
  • FIG. 4B shows a 7 ⁇ 7 diamond shape filter
  • FIG. 4C shows a 9 ⁇ 9 diamond shape filter.
  • Information indicating the shape of the filter is signalized at the picture level. It should be noted that the signalization of the information indicating the filter shape need not be limited to the picture level, but may be another level (for example, a sequence level, a slice level, a tile level, a CTU level, or a CU level).
  • ON / OFF of ALF is determined at the picture level or the CU level, for example. For example, for luminance, it is determined whether to apply ALF at the CU level, and for color difference, it is determined whether to apply ALF at the picture level.
  • Information indicating ALF on / off is signaled at the picture level or the CU level. Signaling of information indicating ALF on / off need not be limited to the picture level or the CU level, and may be performed at other levels (for example, a sequence level, a slice level, a tile level, or a CTU level). Good.
  • a coefficient set of a plurality of selectable filters (for example, up to 15 or 25 filters) is signalized at the picture level.
  • the signalization of the coefficient set need not be limited to the picture level, but may be another level (for example, sequence level, slice level, tile level, CTU level, CU level, or sub-block level).
  • the frame memory 122 is a storage unit for storing a reference picture used for inter prediction, and is sometimes called a frame buffer. Specifically, the frame memory 122 stores the reconstructed block filtered by the loop filter unit 120.
  • the intra prediction unit 124 generates a prediction signal (intra prediction signal) by referring to the block in the current picture stored in the block memory 118 and performing intra prediction (also referred to as intra-screen prediction) of the current block. Specifically, the intra prediction unit 124 generates an intra prediction signal by performing intra prediction with reference to a sample (for example, luminance value and color difference value) of a block adjacent to the current block, and performs prediction control on the intra prediction signal. To the unit 128.
  • the intra prediction unit 124 performs intra prediction using one of a plurality of predefined intra prediction modes.
  • the plurality of intra prediction modes include one or more non-directional prediction modes and a plurality of directional prediction modes.
  • One or more non-directional prediction modes are for example H.264. It includes Planar prediction mode and DC prediction mode defined by H.265 / HEVC (High-Efficiency Video Coding) standard (Non-patent Document 1).
  • the multiple directionality prediction modes are for example H.264. It includes 33-direction prediction modes defined in the H.265 / HEVC standard. In addition to the 33 directions, the plurality of directionality prediction modes may further include 32 direction prediction modes (a total of 65 directionality prediction modes).
  • FIG. 5A is a diagram illustrating 67 intra prediction modes (two non-directional prediction modes and 65 directional prediction modes) in intra prediction. The solid line arrows The 33 directions defined in the H.265 / HEVC standard are represented, and the dashed arrow represents the added 32 directions.
  • the luminance block may be referred to in the intra prediction of the color difference block. That is, the color difference component of the current block may be predicted based on the luminance component of the current block.
  • Such intra prediction is sometimes called CCLM (cross-component linear model) prediction.
  • the intra prediction mode (for example, called CCLM mode) of the color difference block which refers to such a luminance block may be added as one of the intra prediction modes of the color difference block.
  • the intra prediction unit 124 may correct the pixel value after intra prediction based on the gradient of the reference pixel in the horizontal / vertical direction. Intra prediction with such correction may be called PDPC (position dependent intra prediction combination). Information indicating whether or not PDPC is applied (for example, referred to as a PDPC flag) is signaled, for example, at the CU level.
  • the signalization of this information need not be limited to the CU level, but may be another level (for example, a sequence level, a picture level, a slice level, a tile level, or a CTU level).
  • the inter prediction unit 126 refers to a reference picture stored in the frame memory 122 and is different from the current picture, and performs inter prediction (also referred to as inter-screen prediction) of the current block, thereby generating a prediction signal (inter prediction signal). Prediction signal). Inter prediction is performed in units of a current block or a sub-block (for example, 4 ⁇ 4 block) in the current block. For example, the inter prediction unit 126 performs motion estimation in the reference picture for the current block or sub-block. Then, the inter prediction unit 126 generates an inter prediction signal of the current block or sub-block by performing motion compensation using motion information (for example, a motion vector) obtained by motion search. Then, the inter prediction unit 126 outputs the generated inter prediction signal to the prediction control unit 128.
  • inter prediction also referred to as inter-screen prediction
  • a motion vector predictor may be used for signalizing the motion vector. That is, the difference between the motion vector and the predicted motion vector may be signaled.
  • an inter prediction signal may be generated using not only the motion information of the current block obtained by motion search but also the motion information of adjacent blocks. Specifically, the inter prediction signal is generated in units of sub-blocks in the current block by weighted addition of the prediction signal based on the motion information obtained by motion search and the prediction signal based on the motion information of adjacent blocks. May be.
  • Such inter prediction motion compensation
  • OBMC overlapped block motion compensation
  • OBMC block size information indicating the size of a sub-block for OBMC
  • OBMC flag information indicating whether or not to apply the OBMC mode
  • the level of signalization of these information does not need to be limited to the sequence level and the CU level, and may be other levels (for example, a picture level, a slice level, a tile level, a CTU level, or a sub-block level). Good.
  • FIG. 5B and FIG. 5C are a flowchart and a conceptual diagram for explaining the outline of the predicted image correction process by the OBMC process.
  • a prediction image (Pred) by normal motion compensation is acquired using a motion vector (MV) assigned to an encoding target block.
  • MV motion vector
  • a prediction image (Pred_L) is obtained by applying the motion vector (MV_L) of the encoded left adjacent block to the encoding target block, and prediction is performed by superimposing the prediction image and Pred_L with weights. Perform the first correction of the image.
  • the motion vector (MV_U) of the encoded upper adjacent block is applied to the block to be encoded to obtain a prediction image (Pred_U), and the prediction image and Pred_U that have been subjected to the first correction are weighted. Then, the second correction of the predicted image is performed by superimposing and making it the final predicted image.
  • the two-step correction method using the left adjacent block and the upper adjacent block has been described here, the correction may be performed more times than the two steps using the right adjacent block and the lower adjacent block. Is possible.
  • the area to be overlapped may not be the pixel area of the entire block, but only a part of the area near the block boundary.
  • the processing target block may be a prediction block unit or a sub-block unit obtained by further dividing the prediction block.
  • obmc_flag is a signal indicating whether or not to apply the OBMC process.
  • the encoding apparatus it is determined whether or not the encoding target block belongs to a complex motion region, and if it belongs to a complex motion region, a value 1 is set as obmc_flag. Encoding is performed by applying the OBMC process, and if it does not belong to a complex region of motion, the value 0 is set as obmc_flag and the encoding is performed without applying the OBMC process.
  • the decoding apparatus by decoding the obmc_flag described in the stream, decoding is performed by switching whether to apply the OBMC process according to the value.
  • the motion information may be derived on the decoding device side without being converted into a signal.
  • H.M. A merge mode defined in the H.265 / HEVC standard may be used.
  • the motion information may be derived by performing motion search on the decoding device side. In this case, motion search is performed without using the pixel value of the current block.
  • the mode in which motion search is performed on the decoding device side is sometimes called a PMMVD (patterned motion vector derivation) mode or an FRUC (frame rate up-conversion) mode.
  • PMMVD patterned motion vector derivation
  • FRUC frame rate up-conversion
  • FIG. 5D An example of FRUC processing is shown in FIG. 5D.
  • a list of a plurality of candidates each having a predicted motion vector (may be common with the merge list) is generated Is done.
  • the best candidate MV is selected from a plurality of candidate MVs registered in the candidate list. For example, the evaluation value of each candidate included in the candidate list is calculated, and one candidate is selected based on the evaluation value.
  • a motion vector for the current block is derived based on the selected candidate motion vector.
  • the selected candidate motion vector (best candidate MV) is directly derived as a motion vector for the current block.
  • the motion vector for the current block may be derived by performing pattern matching in the peripheral region at the position in the reference picture corresponding to the selected candidate motion vector. That is, the same method is used to search the area around the best candidate MV, and if there is an MV with a good evaluation value, the best candidate MV is updated to the MV, and the current block is updated. The final MV may be used. It is also possible to adopt a configuration in which the processing is not performed.
  • the same processing may be performed when processing is performed in units of sub-blocks.
  • the evaluation value is calculated by obtaining a difference value of the reconstructed image by pattern matching between a region in the reference picture corresponding to the motion vector and a predetermined region. Note that the evaluation value may be calculated using information other than the difference value.
  • the first pattern matching and the second pattern matching may be referred to as bilateral matching and template matching, respectively.
  • pattern matching is performed between two blocks in two different reference pictures that follow the motion trajectory of the current block. Therefore, in the first pattern matching, a region in another reference picture along the motion trajectory of the current block is used as the predetermined region for calculating the candidate evaluation value described above.
  • FIG. 6 is a diagram for explaining an example of pattern matching (bilateral matching) between two blocks along a motion trajectory.
  • first pattern matching two blocks along the motion trajectory of the current block (Cur block) and two blocks in two different reference pictures (Ref0, Ref1) are used.
  • two motion vectors MV0, MV1 are derived.
  • MV0, MV1 a reconstructed image at a designated position in the first encoded reference picture (Ref0) designated by the candidate MV, and a symmetric MV obtained by scaling the candidate MV at a display time interval.
  • the difference from the reconstructed image at the designated position in the second encoded reference picture (Ref1) designated in (2) is derived, and the evaluation value is calculated using the obtained difference value.
  • the candidate MV having the best evaluation value among the plurality of candidate MVs may be selected as the final MV.
  • the motion vectors (MV0, MV1) pointing to the two reference blocks are temporal distances between the current picture (Cur Pic) and the two reference pictures (Ref0, Ref1). It is proportional to (TD0, TD1).
  • the first pattern matching uses a mirror-symmetric bi-directional motion vector Is derived.
  • pattern matching is performed between a template in the current picture (a block adjacent to the current block in the current picture (for example, an upper and / or left adjacent block)) and a block in the reference picture. Therefore, in the second pattern matching, a block adjacent to the current block in the current picture is used as the predetermined region for calculating the candidate evaluation value described above.
  • FIG. 7 is a diagram for explaining an example of pattern matching (template matching) between a template in the current picture and a block in the reference picture.
  • the current block is searched by searching the reference picture (Ref0) for the block that most closely matches the block adjacent to the current block (Cur block) in the current picture (Cur Pic).
  • Ref0 the reference picture
  • the reconstructed image of the encoded region of the left adjacent area and / or the upper adjacent area, and the equivalent in the encoded reference picture (Ref0) designated by the candidate MV When a difference from the reconstructed image at the position is derived, an evaluation value is calculated using the obtained difference value, and a candidate MV having the best evaluation value among a plurality of candidate MVs is selected as the best candidate MV. Good.
  • FRUC flag Information indicating whether or not to apply such FRUC mode
  • FRUC flag information indicating whether or not to apply such FRUC mode
  • the FRUC mode is applied (for example, when the FRUC flag is true)
  • information indicating the pattern matching method (first pattern matching or second pattern matching) (for example, called the FRUC mode flag) is signaled at the CU level. It becomes. Note that the signalization of these pieces of information need not be limited to the CU level, but may be other levels (for example, sequence level, picture level, slice level, tile level, CTU level, or sub-block level). .
  • BIO bi-directional optical flow
  • FIG. 8 is a diagram for explaining a model assuming constant velocity linear motion.
  • (v x , v y ) indicates a velocity vector
  • ⁇ 0 and ⁇ 1 are the time between the current picture (Cur Pic) and two reference pictures (Ref 0 , Ref 1 ), respectively.
  • the distance. (MVx 0 , MVy 0 ) indicates a motion vector corresponding to the reference picture Ref 0
  • (MVx 1 , MVy 1 ) indicates a motion vector corresponding to the reference picture Ref 1 .
  • This optical flow equation consists of (i) the product of the time derivative of the luminance value, (ii) the horizontal component of the horizontal velocity and the spatial gradient of the reference image, and (iii) the vertical velocity and the spatial gradient of the reference image. Indicates that the sum of the products of the vertical components of is equal to zero. Based on a combination of this optical flow equation and Hermite interpolation, a block-based motion vector obtained from a merge list or the like is corrected in pixel units.
  • the motion vector may be derived on the decoding device side by a method different from the derivation of the motion vector based on the model assuming constant velocity linear motion.
  • a motion vector may be derived for each subblock based on the motion vectors of a plurality of adjacent blocks.
  • This mode may be referred to as an affine motion compensation prediction mode.
  • FIG. 9A is a diagram for explaining derivation of a motion vector in units of sub-blocks based on motion vectors of a plurality of adjacent blocks.
  • the current block includes 16 4 ⁇ 4 sub-blocks.
  • the motion vector v 0 of the upper left corner control point of the current block is derived based on the motion vector of the adjacent block
  • the motion vector v 1 of the upper right corner control point of the current block is derived based on the motion vector of the adjacent sub block. Is done.
  • the motion vector (v x , v y ) of each sub-block in the current block is derived by the following equation (2).
  • x and y indicate the horizontal position and vertical position of the sub-block, respectively, and w indicates a predetermined weight coefficient.
  • Such an affine motion compensation prediction mode may include several modes in which the motion vector derivation methods of the upper left and upper right corner control points are different.
  • Information indicating such an affine motion compensation prediction mode (for example, called an affine flag) is signaled at the CU level. Note that the information indicating the affine motion compensation prediction mode need not be limited to the CU level, but other levels (for example, sequence level, picture level, slice level, tile level, CTU level, or sub-block level). ).
  • the prediction control unit 128 selects either the intra prediction signal or the inter prediction signal, and outputs the selected signal to the subtraction unit 104 and the addition unit 116 as a prediction signal.
  • FIG. 9B is a diagram for explaining the outline of the motion vector deriving process in the merge mode.
  • a prediction MV list in which prediction MV candidates are registered is generated.
  • prediction MV candidates spatial adjacent prediction MVs that are MVs of a plurality of encoded blocks located spatially around the encoding target block, and the position of the encoding target block in the encoded reference picture are projected.
  • Temporal adjacent prediction MV that is MV of neighboring blocks combined prediction MV that is MV generated by combining MV values of spatial adjacent prediction MV and temporal adjacent prediction MV, zero prediction MV that is MV having a value of zero, and the like There is.
  • variable length encoding unit describes and encodes merge_idx which is a signal indicating which prediction MV is selected in the stream.
  • the prediction MV registered in the prediction MV list described with reference to FIG. 9B is an example, and the number of prediction MVs may be different from the number in the figure, or may not include some types of prediction MVs in the figure. It may be the composition which added prediction MV other than the kind of prediction MV in a figure.
  • the final MV may be determined by performing DMVR processing, which will be described later, using the MV of the encoding target block derived by the merge mode.
  • FIG. 9C is a conceptual diagram for explaining an outline of DMVR processing.
  • the optimal MVP set in the processing target block is set as a candidate MV, and reference pixels from a first reference picture that is a processed picture in the L0 direction and a second reference picture that is a processed picture in the L1 direction are set according to the candidate MV. Are obtained, and a template is generated by taking the average of each reference pixel.
  • the peripheral areas of the candidate MVs of the first reference picture and the second reference picture are searched, respectively, and the MV with the lowest cost is determined as the final MV.
  • the cost value is calculated using a difference value between each pixel value of the template and each pixel value of the search area, an MV value, and the like.
  • FIG. 9D is a diagram for explaining an outline of a predicted image generation method using luminance correction processing by LIC processing.
  • an MV for obtaining a reference image corresponding to a block to be encoded is derived from a reference picture that is an encoded picture.
  • the predicted image for the encoding target block is generated by performing the brightness correction process using the brightness correction parameter for the reference image in the reference picture specified by MV.
  • the shape of the peripheral reference region in FIG. 9D is an example, and other shapes may be used.
  • the process of generating a predicted image from one reference picture has been described, but the same applies to the case of generating a predicted image from a plurality of reference pictures, and the same applies to reference images acquired from each reference picture.
  • the predicted image is generated after performing the luminance correction processing by the method.
  • lic_flag is a signal indicating whether to apply LIC processing.
  • the encoding device it is determined whether or not the encoding target block belongs to an area where the luminance change occurs, and if it belongs to the area where the luminance change occurs, lic_flag is set. Encode by applying LIC processing with a value of 1 set, and if not belonging to an area where a luminance change has occurred, set 0 as lic_flag and perform encoding without applying the LIC processing .
  • the decoding device by decoding lic_flag described in the stream, decoding is performed by switching whether to apply the LIC processing according to the value.
  • a method for determining whether or not to apply LIC processing for example, there is a method for determining whether or not LIC processing has been applied to peripheral blocks.
  • the encoding target block is in the merge mode
  • whether or not the surrounding encoded blocks selected in the derivation of the MV in the merge mode processing are encoded by applying the LIC processing. Judgment is performed, and encoding is performed by switching whether to apply the LIC processing according to the result.
  • the decoding process is exactly the same.
  • FIG. 10 is a block diagram showing a functional configuration of decoding apparatus 200 according to Embodiment 1.
  • the decoding device 200 is a moving image / image decoding device that decodes moving images / images in units of blocks.
  • the decoding device 200 includes an entropy decoding unit 202, an inverse quantization unit 204, an inverse transformation unit 206, an addition unit 208, a block memory 210, a loop filter unit 212, and a frame memory 214. And an intra prediction unit 216, an inter prediction unit 218, and a prediction control unit 220.
  • the decoding device 200 is realized by, for example, a general-purpose processor and a memory.
  • the processor executes the entropy decoding unit 202, the inverse quantization unit 204, the inverse transformation unit 206, the addition unit 208, the loop filter unit 212, and the intra prediction unit. 216, the inter prediction unit 218, and the prediction control unit 220.
  • the decoding apparatus 200 is dedicated to the entropy decoding unit 202, the inverse quantization unit 204, the inverse transformation unit 206, the addition unit 208, the loop filter unit 212, the intra prediction unit 216, the inter prediction unit 218, and the prediction control unit 220. It may be realized as one or more electronic circuits.
  • the entropy decoding unit 202 performs entropy decoding on the encoded bit stream. Specifically, the entropy decoding unit 202 performs arithmetic decoding from a coded bitstream to a binary signal, for example. Then, the entropy decoding unit 202 debinarizes the binary signal. As a result, the entropy decoding unit 202 outputs the quantized coefficient to the inverse quantization unit 204 in units of blocks.
  • the inverse quantization unit 204 inversely quantizes the quantization coefficient of a decoding target block (hereinafter referred to as a current block) that is an input from the entropy decoding unit 202. Specifically, the inverse quantization unit 204 inversely quantizes each quantization coefficient of the current block based on the quantization parameter corresponding to the quantization coefficient. Then, the inverse quantization unit 204 outputs the quantization coefficient (that is, the transform coefficient) obtained by inverse quantization of the current block to the inverse transform unit 206.
  • a decoding target block hereinafter referred to as a current block
  • the inverse quantization unit 204 inversely quantizes each quantization coefficient of the current block based on the quantization parameter corresponding to the quantization coefficient. Then, the inverse quantization unit 204 outputs the quantization coefficient (that is, the transform coefficient) obtained by inverse quantization of the current block to the inverse transform unit 206.
  • the inverse transform unit 206 restores the prediction error by inverse transforming the transform coefficient that is an input from the inverse quantization unit 204.
  • the inverse conversion unit 206 determines the current block based on the information indicating the read conversion type. Inversely transform the conversion coefficient of.
  • the inverse transform unit 206 applies inverse retransformation to the transform coefficient.
  • the adder 208 reconstructs the current block by adding the prediction error input from the inverse converter 206 and the prediction sample input from the prediction controller 220. Then, the adding unit 208 outputs the reconfigured block to the block memory 210 and the loop filter unit 212.
  • the block memory 210 is a storage unit for storing a block that is referred to in intra prediction and that is within a decoding target picture (hereinafter referred to as a current picture). Specifically, the block memory 210 stores the reconstructed block output from the adding unit 208.
  • the loop filter unit 212 applies a loop filter to the block reconstructed by the adding unit 208, and outputs the filtered reconstructed block to the frame memory 214, the display device, and the like.
  • one filter is selected from the plurality of filters based on the local gradient direction and activity, The selected filter is applied to the reconstruction block.
  • the frame memory 214 is a storage unit for storing a reference picture used for inter prediction, and is sometimes called a frame buffer. Specifically, the frame memory 214 stores the reconstructed block filtered by the loop filter unit 212.
  • the intra prediction unit 216 performs intra prediction with reference to the block in the current picture stored in the block memory 210 based on the intra prediction mode read from the encoded bitstream, so that a prediction signal (intra prediction Signal). Specifically, the intra prediction unit 216 generates an intra prediction signal by performing intra prediction with reference to a sample (for example, luminance value and color difference value) of a block adjacent to the current block, and performs prediction control on the intra prediction signal. Output to the unit 220.
  • a prediction signal for example, luminance value and color difference value
  • the intra prediction unit 216 may predict the color difference component of the current block based on the luminance component of the current block.
  • the intra prediction unit 216 corrects the pixel value after intra prediction based on the gradient of the reference pixel in the horizontal / vertical direction.
  • the inter prediction unit 218 refers to the reference picture stored in the frame memory 214 and predicts the current block. Prediction is performed in units of a current block or a sub-block (for example, 4 ⁇ 4 block) in the current block. For example, the inter prediction unit 218 generates an inter prediction signal of the current block or sub-block by performing motion compensation using motion information (for example, a motion vector) read from the encoded bitstream, and generates the inter prediction signal. The result is output to the prediction control unit 220.
  • motion information for example, a motion vector
  • the inter prediction unit 218 When the information read from the encoded bitstream indicates that the OBMC mode is to be applied, the inter prediction unit 218 includes not only the motion information of the current block obtained by motion search but also the motion information of adjacent blocks. To generate an inter prediction signal.
  • the inter prediction unit 218 follows the pattern matching method (bilateral matching or template matching) read from the encoded stream. Motion information is derived by performing motion search. Then, the inter prediction unit 218 performs motion compensation using the derived motion information.
  • the inter prediction unit 218 derives a motion vector based on a model assuming constant velocity linear motion. Also, when the information read from the encoded bitstream indicates that the affine motion compensated prediction mode is applied, the inter prediction unit 218 determines the motion vector in units of subblocks based on the motion vectors of a plurality of adjacent blocks. Is derived.
  • the prediction control unit 220 selects either the intra prediction signal or the inter prediction signal, and outputs the selected signal to the adding unit 208 as a prediction signal.
  • the encoding device and the decoding device according to the above-described embodiment generate a predicted luminance image in the BIO mode.
  • the encoding device and the decoding device according to the present embodiment generate not only a luminance prediction image but also a color difference prediction image in the BIO mode.
  • the encoding device and the decoding device according to the present embodiment use the luminance-related parameters used for generating the predicted luminance image in the BIO mode for generating the predicted color difference image.
  • the predicted luminance image and the predicted color difference image are predicted images obtained by motion compensation using two motion vectors and two reference pictures of a block to be encoded or decoded (that is, a prediction block). Different. That is, the predicted image of luminance and the predicted image of color difference are each generated using a predicted image obtained by motion compensation, and are subtracted or subtracted from the processing target block for encoding or decoding of the processing target block. It is an image to be added.
  • the predicted luminance image and the predicted color difference image are distinguished from the predicted image obtained by motion compensation, and are referred to as the final predicted image of luminance and the final predicted image of color difference, respectively.
  • the encoding apparatus 100 and the decoding apparatus 200 in the present embodiment have the configurations shown in FIG. 1 and FIG. 10, respectively, as in the first embodiment.
  • the inter prediction unit 126 of the encoding apparatus 100 according to the present embodiment uses the luminance parameter used for generating the final luminance prediction image in the BIO mode as the color prediction final prediction image. Used for generation.
  • the inter prediction unit 218 of the decoding apparatus 200 according to the present embodiment uses the luminance parameter used to generate the final luminance prediction image in the BIO mode as the color prediction final prediction image. Used for generation.
  • the generation of the final predicted image in the BIO mode by the inter prediction unit 218 of the decoding device 200 is the same as the generation of the final predicted image in the BIO mode by the inter prediction unit 126 of the encoding device 100. Therefore, detailed description of generation of the final prediction image in the BIO mode by the inter prediction unit 218 of the decoding device 200 is omitted, and generation of the final prediction image in the BIO mode by the inter prediction unit 126 of the encoding device 100 is described below. This will be described in detail.
  • FIG. 11 is a conceptual diagram illustrating a final predicted image generation process in the BIO mode performed by the inter prediction unit 126.
  • the inter prediction unit 126 derives an L0 motion vector (MV_L0) and an L1 motion vector (MV_L1), which are two motion vectors of the processing target block.
  • the processing target block is a block that is encoded as a target for generating the final predicted image, and is, for example, a predicted block.
  • the L0 motion vector (MV_L0) is a motion vector for referring to the L0 reference picture that is the processed picture
  • the L1 motion vector (MV_L1) is a motion vector for referring to the L1 reference picture that is the processed picture. is there.
  • the L0 reference picture and the L1 reference picture are two reference pictures that are simultaneously referenced in the bi-prediction processing of the processing target block.
  • the above-described processed picture is an encoded picture processed by the encoding device 100.
  • the inter prediction unit 126 may derive the L0 motion vector (MV_L0) and the L1 motion vector (MV_L1) by using the normal inter-screen prediction mode, the merge mode, the FRUC mode, or the like.
  • the inter prediction unit 126 derives the L0 motion vector (MV_L0) and the L1 motion vector (MV_L1) by performing motion detection or motion estimation using the image of the processing target block. Information on these motion vectors is encoded.
  • the decoding apparatus 200 derives the motion vectors by decoding the encoded motion vector information.
  • the inter prediction unit 126 obtains an L0 predicted image by referring to the L0 reference picture and performing motion compensation of the processing target block using the L0 motion vector (MV_L0). For example, the inter prediction unit 126 applies the motion compensation filter to the image in the L0 reference pixel range including the block indicated in the L0 reference picture from the processing target block by the L0 motion vector (MV_L0) and the periphery thereof. . Thereby, the L0 predicted image is acquired.
  • the inter prediction unit 126 calculates an L0 gradient image indicating a spatial gradient of luminance in each pixel of the L0 predicted image.
  • the inter prediction unit 126 refers to the luminance of each pixel in the L0 reference pixel range including the block indicated in the L0 reference picture from the processing target block by the L0 motion vector (MV_L0) and the periphery thereof, and the L0 gradient Calculate the image.
  • the inter prediction unit 126 acquires an L1 predicted image by referring to the L1 reference picture and performing motion compensation of the processing target block using the L1 motion vector (MV_L1). For example, the inter prediction unit 126 applies a motion compensation filter to an image in the L1 reference pixel range including the block indicated in the L1 reference picture from the processing target block by the L1 motion vector (MV_L1) and the periphery thereof. . Thereby, an L1 prediction image is acquired.
  • the inter prediction unit 126 calculates an L1 gradient image indicating a spatial gradient of luminance at each pixel of the L1 prediction image.
  • the inter prediction unit 126 refers to the luminance of each pixel in the L1 reference pixel range including the block indicated in the L1 reference picture from the processing target block by the L1 motion vector (MV_L1) and the periphery thereof, and the L1 gradient Calculate the image.
  • the inter prediction unit 126 calculates a local motion estimation value for each pixel position of the processing target block. Specifically, at that time, the inter prediction unit 126 determines the luminance value of each pixel position in the L0 prediction image, the luminance value of each pixel position in the L0 gradient image, and the luminance value of each pixel position in the L1 prediction image. And the gradient value of the luminance at each pixel position in the L1 gradient image.
  • a local motion estimation value is a luminance local motion estimation value.
  • the local motion estimated value may also be referred to as a corrected motion vector (corrected MV).
  • the inter prediction unit 126 determines the luminance gradient value of the target pixel position in the L0 gradient image, the luminance gradient value of the target pixel position in the L1 gradient image, and the target pixel position.
  • a brightness correction value is derived using the local motion estimation value.
  • the inter prediction unit 126 uses the luminance value of the target pixel position in the L0 predicted image, the luminance value of the target pixel position in the L1 predicted image, and the luminance correction value for each pixel position of the processing target block.
  • the luminance value is derived. By deriving such a final predicted luminance value for each pixel position of the processing target block, a final predicted image having a luminance to which the BIO mode is applied is derived.
  • the predicted brightness value obtained from the brightness value at the target pixel position in the L0 predicted image and the brightness value at the target pixel position in the L1 predicted image is corrected by the brightness correction value. Furthermore, in other words, the prediction image obtained by the L0 prediction image and the L1 prediction image is corrected using the spatial gradient of luminance in the L0 prediction image and the L1 prediction image.
  • I x 0 [x, y] is a gradient value of the luminance in the horizontal direction at the pixel position [x, y] of the L0 gradient image.
  • I x 1 [x, y] is a gradient value of the luminance in the horizontal direction at the pixel position [x, y] of the L1 gradient image.
  • I y 0 [x, y] is a gradient value of the luminance in the vertical direction at the pixel position [x, y] of the L0 gradient image.
  • I y 1 [x, y] is a gradient value of the luminance in the vertical direction at the pixel position [x, y] of the L1 gradient image.
  • I 0 [x, y] is a luminance value at the pixel position [x, y] of the L0 predicted image.
  • I 1 [x, y] is a luminance value at the pixel position [x, y] of the L1 predicted image.
  • ⁇ I [x, y] is a difference between the luminance value at the pixel position [x, y] of the L0 predicted image and the luminance value at the pixel position [x, y] of the L1 predicted image.
  • ⁇ is, for example, a set of pixel positions included in a region having the pixel position [x, y] as a center.
  • w [i, j] is a weighting coefficient for the pixel position [i, j]. The same value may be used for w [i, j].
  • G x [x, y], G y [x, y], G x G y [x, y], sG x G y [x, y], sG x 2 [x, y], sG y 2 [x , Y], sG x dI [x, y], sG y dI [x, y], etc. are auxiliary calculated values.
  • u [x, y] is a value in the horizontal direction that constitutes the local motion estimation value of the luminance at the pixel position [x, y].
  • v [x, y] is a value in the vertical direction constituting the local motion estimation value of the luminance at the pixel position [x, y].
  • b [x, y] is a luminance correction value at the pixel position [x, y].
  • p [x, y] is the final predicted luminance value at the pixel position [x, y].
  • the inter prediction unit 126 first performs two prediction images from two reference pictures by motion compensation using two motion vectors of the processing target block in the inter-screen prediction in the BIO mode. get. Next, the inter prediction unit 126 derives the gradient value of the luminance for each pixel position in each of the two predicted images by referring to the pixels around the pixel position in each of the two reference pictures. Next, for each pixel position of the processing target block, the inter prediction unit 126 uses the luminance value and the luminance gradient value in each of the two predicted images corresponding to the pixel position, and calculates the local motion estimation value of the luminance. Is derived.
  • the inter prediction unit 126 uses the luminance value and the luminance gradient value for each pixel position in each of the two predicted images, and the local motion estimation value for the luminance for each pixel position in the processing target block, to calculate the luminance.
  • a final predicted image is generated.
  • the inter prediction unit 126 in the present embodiment uses the luminance parameter derived for generating the final predicted image of the luminance in the BIO mode for generating the final predicted image of the color difference in the BIO mode. That is, the luminance parameter is used for generating the final predicted image of the color difference in the BIO mode.
  • the luminance parameter is at least one of a luminance gradient value for each pixel position in each of the two prediction images and a luminance local motion estimation value for each pixel position in the processing target block.
  • the inter prediction unit 126 diverts both the luminance gradient value and the local motion estimation value to generate a color difference final predicted image in the BIO mode.
  • FIG. 12 is a flowchart illustrating an example of the operation in the BIO mode performed by the inter prediction unit 126.
  • the inter prediction unit 126 performs the processes of steps S101 to S103 on the L0 reference picture. For example, in the process for the L0 reference picture, the inter prediction unit 126 derives the L0 motion vector (MV) of the prediction block that is the processing target block (step S101). Next, the inter prediction unit 126 acquires an L0 predicted image by motion compensation using the derived L0 motion vector and the L0 reference picture (step S102). Then, the inter prediction unit 126 derives a luminance gradient value for each pixel position in the L0 prediction image (step S103). The luminance L0 gradient image is constructed from the luminance gradient value for each pixel position.
  • MV L0 motion vector
  • the inter prediction unit 126 performs steps S101 to S103 for the L1 reference picture as well as the L0 reference picture. Thereby, the inter prediction unit 126 acquires the L1 prediction image, and further derives a luminance gradient value for each pixel position in the L1 prediction image, that is, an L1 gradient image.
  • the inter prediction unit 126 determines whether the processing target is luminance or color difference (step S104). For example, when the determination in step S104 is performed first, the inter prediction unit 126 determines that the processing target is luminance. When the determination in step S104 is performed again, the inter prediction unit 126 determines that the processing target is color difference. .
  • the inter prediction unit 126 determines that the processing target is luminance (luminance of step S104)
  • the processing of steps S105 and S106 is performed on each of a plurality of pixel positions in the prediction block that is the processing target block. Do.
  • the inter prediction unit 126 derives the local motion estimation values u [x, y] and v [x, y] of the luminance at the target pixel position, for example, according to the above equation (3) (step S105). Further, the inter prediction unit 126 generates a final predicted luminance value p [x, y] at the target pixel position (step S106).
  • Estimated values u [x, y] and v [x, y] are used.
  • the inter prediction unit 126 performs a process of steps S104 and S105 on each pixel position, thereby generating a final predicted image having a luminance composed of a final predicted luminance value at each pixel position.
  • the inter prediction unit 126 determines whether or not generation of final predicted images of luminance and color difference is completed (step S109). Here, if the inter prediction unit 126 determines that the processing has not ended (No in step S109), the inter prediction unit 126 repeatedly executes the processing from step S104.
  • the inter prediction unit 126 determines that the processing target is a color difference in the second step S104 (color difference in step S104)
  • the inter prediction unit 126 performs processing on each of the plurality of pixel positions in the prediction block that is the processing target block. Do. That is, the inter prediction unit 126 performs the processes of steps S107 and S108 for each of a plurality of pixel positions in the prediction block.
  • the inter prediction unit 126 generates a color difference gradient value and a local motion estimation value at the target pixel position from the luminance gradient value and the local motion estimation value at the target pixel position (step S107).
  • C and L represent the gradient value of the color difference and the gradient value of the luminance, respectively.
  • C and L indicate a local motion estimation value of color difference and a local motion estimation value of luminance, respectively.
  • ⁇ and ⁇ are real numbers arbitrarily determined.
  • ⁇ and ⁇ are determined so that the accuracy of prediction is high.
  • the inter prediction unit 126 may use the luminance gradient value and the local motion estimation value as they are as the color difference gradient value and the local motion estimation value.
  • C ⁇ ⁇ L + ⁇
  • the processing load can be reduced as compared with the case where the process for improving the accuracy of prediction, that is, the process for minimizing the prediction error is performed.
  • the inter prediction unit 126 generates a final predicted color difference p [x, y] at the target pixel position, for example, according to the above equation (3) (step S108).
  • local motion estimation values u [x, y] and v [x, y] of the color difference at the target pixel position are used.
  • the color difference gradient values I x 0 [x, y], I y 0 [x, y], I x 1 [x, y], and I y 1 [x, y], and the local motion estimation value of the color difference u [x, y] and v [x, y] are values generated from the luminance gradient value and the luminance local motion estimation value, as described above, and are the luminance gradient value and the luminance local motion. It may be the same as the estimated value.
  • the inter prediction unit 126 performs the processes of steps S107 and S108 on each pixel position, thereby generating a color difference final prediction image including the final prediction color difference p [x, y] at each pixel position.
  • the inter prediction unit 126 diverts both the luminance gradient value and the local motion estimation value to generate a color difference final prediction image in the BIO mode.
  • the inter prediction unit 126 calculates the luminance gradient value for each pixel position in each of the two predicted images, the local motion estimation value for luminance for each pixel position in the processing target block, and 2 A color difference final prediction image is generated using the color difference at each pixel position in each of the two prediction images.
  • the luminance gradient value for each pixel position in each of the two predicted images and the luminance local motion estimated value for each pixel position in the processing target block are the color difference gradient values. And instead of local motion estimates. Therefore, the process of deriving the color difference gradient value for each pixel position in each of the two predicted images and the color difference local motion estimation value for each pixel position in the processing target block based on the color difference is performed as the final color difference predicted image. Can be omitted from the generation of. As a result, there is a possibility that the processing load on the encoding device can be reduced and the configuration of the encoding device can be simplified.
  • the BIO mode when the BIO mode generates not only the final predicted image of luminance but also the final predicted image of color difference, the processing load increases, but the increase in the processing load can be suppressed. Further, since the final color difference prediction image is generated using the luminance gradient value and the local luminance estimation value without directly generating the final color difference prediction image from the final luminance prediction image, the final color difference prediction is performed. A decrease in image prediction accuracy can be suppressed.
  • the inter prediction unit 126 may use only the luminance gradient value of the luminance gradient value and the local motion estimation value for generation of a color difference final prediction image in the BIO mode.
  • FIG. 13 is a flowchart illustrating another example of the BIO mode operation performed by the inter prediction unit 126.
  • the inter prediction unit 126 performs the processes of steps S101 to S103 on the L0 reference picture and the L1 reference picture, as in the example shown in FIG. Thereby, the inter estimation part 126 acquires a L0 prediction image and a L1 prediction image. Further, the inter prediction unit 126 derives a gradient value of luminance for each pixel position in each of the L0 predicted image and the L1 predicted image, that is, an L0 gradient image and an L1 gradient image.
  • the inter prediction unit 126 determines whether the processing target is luminance or color difference (step S104).
  • the inter prediction unit 126 determines that the processing target is luminance (the luminance of step S104)
  • the inter prediction unit 126 performs the processing of steps S105 and S106 on each of a plurality of pixel positions in the prediction block that is the processing target block. .
  • the inter prediction unit 126 derives the local motion estimation values u [x, y] and v [x, y] of the luminance at the target pixel position, for example, according to the above equation (3) (step S105). Further, the inter prediction unit 126 generates a final predicted luminance value p [x, y] at the target pixel position (step S106). The inter prediction unit 126 performs a process of steps S104 and S105 on each pixel position, thereby generating a final predicted image having a luminance composed of a final predicted luminance value at each pixel position.
  • the inter prediction unit 126 determines whether or not generation of final predicted images of luminance and color difference is completed (step S109). Here, if the inter prediction unit 126 determines that the processing has not ended (No in step S109), the inter prediction unit 126 repeatedly executes the processing from step S104.
  • the inter prediction unit 126 determines that the processing target is a color difference, for example, so as to be different from the determination result in the first step S014 (color difference in step S104). At this time, the inter prediction unit 126 performs processing on each of a plurality of pixel positions in the prediction block that is the processing target block. That is, the inter prediction unit 126 performs the processes of steps S111 to S113 for each of a plurality of pixel positions in the prediction block.
  • the inter prediction unit 126 calculates the color difference gradient for each pixel position in the range from the luminance gradient value for each pixel position in the range corresponding to the target pixel position.
  • a value is generated (step S111).
  • the inter prediction unit 126 derives local motion estimation values u [x, y] and v [x, y] of color differences at the target pixel position, for example, according to (3) above (step S112).
  • the local motion estimation values u [x, y] and v [x, y] of the color difference at the target pixel position are generated in the range of the set ⁇ corresponding to the target pixel position as shown in the above equation (3).
  • I x 1 [i, j] and I y 1 [i, j] are used.
  • the inter prediction unit 126 generates a final predicted color difference p [x, y] at the target pixel position according to the above equation (3) (step S113).
  • the color differences I 0 [x, y] and I 1 [x, y] at the target pixel positions of the L0 predicted image and the L1 predicted image are set in step S111.
  • the generated gradient values I x 0 [x, y], I y 0 [x, y], I x 1 [x, y], and I y 1 [x, y] of the target pixel position The local motion estimation values u [x, y] and v [x, y] of the color difference at the target pixel position generated in step S112 are used.
  • the color difference gradient values I x 0 [x, y], I y 0 [x, y], I x 1 [x, y], and I y 1 [x, y] are luminance values as described above. May be the same as the brightness gradient value.
  • the inter prediction unit 126 generates a color difference final prediction image including the final prediction color difference p [x, y] at each pixel position by performing the processing of steps S111 to S113 on each pixel position.
  • the inter prediction unit 126 diverts only the luminance gradient of the luminance gradient value and the local motion estimation value to generate a color difference final prediction image in the BIO mode.
  • the inter prediction unit 126 for each pixel position of the processing target block, the color difference in each of the two predicted images corresponding to the pixel position, and the two predicted images.
  • a local motion estimation value of the color difference is derived using the luminance gradient value in each.
  • the inter prediction unit 126 generates a luminance gradient value for each pixel position in each of the two prediction images, and a local motion estimation value for the color difference for each pixel position in the processing target block in generating the color difference final prediction image.
  • a final predicted image of color difference is generated.
  • the luminance gradient value for each pixel position in each of the two prediction images is used in place of the color difference gradient value in the generation of the color difference final prediction image. Therefore, the process of deriving the gradient value of the color difference for each pixel position in each of the two predicted images based on the color difference can be omitted from the generation of the final predicted image of the color difference. As a result, there is a possibility that the processing load on the encoding device can be reduced and the configuration of the encoding device can be simplified.
  • the inter prediction unit 126 may use only the luminance local motion estimated value among the luminance gradient value and the local motion estimated value for generation of the final predicted image of the color difference in the BIO mode.
  • FIG. 14 is a flowchart illustrating another example of the BIO mode operation performed by the inter prediction unit 126.
  • the inter prediction unit 126 performs the processing of steps S101 to S103 on the L0 reference picture and the L1 reference picture, as in the examples shown in FIGS. Thereby, the inter estimation part 126 acquires a L0 prediction image and a L1 prediction image. Further, the inter prediction unit 126 derives a gradient value of luminance for each pixel position in each of the L0 predicted image and the L1 predicted image, that is, an L0 gradient image and an L1 gradient image.
  • the inter prediction unit 126 determines whether the processing target is luminance or color difference (step S104). For example, the inter prediction unit 126 first determines that the processing target is luminance when performing the determination in step S104, and determines that the processing target is a color difference when performing the determination in step S104 again. .
  • the inter prediction unit 126 determines that the processing target is luminance (luminance of step S104)
  • the processing of steps S105 and S106 is performed on each of a plurality of pixel positions in the prediction block that is the processing target block. Do.
  • the inter prediction unit 126 derives the local motion estimation values u [x, y] and v [x, y] of the luminance at the target pixel position, for example, according to the above equation (3) (step S105). Further, the inter prediction unit 126 generates a final predicted luminance value p [x, y] at the target pixel position (step S106). The inter prediction unit 126 performs a process of steps S104 and S105 on each pixel position, thereby generating a final predicted image having a luminance composed of a final predicted luminance value at each pixel position.
  • the inter prediction unit 126 determines whether or not generation of final predicted images of luminance and color difference is completed (step S109). Here, if the inter prediction unit 126 determines that the processing has not ended (No in step S109), the inter prediction unit 126 repeatedly executes the processing from step S104.
  • the inter prediction unit 126 determines that the processing target is a color difference in the second step S104 (color difference in step S104)
  • the inter prediction unit 126 performs processing on each of the plurality of pixel positions in the prediction block that is the processing target block. Do. That is, the inter prediction unit 126 performs the processes of steps S121 to S123 for each of a plurality of pixel positions in the prediction block.
  • the inter prediction unit 126 generates a local motion estimation value of color difference at the target pixel position from the local motion estimation value of luminance at the target pixel position (step S121).
  • the inter prediction unit 126 derives a color difference gradient value corresponding to the target pixel position in each of the L0 predicted image and the L1 predicted image (step S122). Further, the inter prediction unit 126 generates a final predicted color difference p [x, y] at the target pixel position according to the above equation (3) (step S123). In order to generate the final predicted color difference p [x, y], the color differences I 0 [x, y] and I 1 [x, y] at the target pixel positions of the L0 predicted image and the L1 predicted image are used in step S122.
  • the local motion estimation values u [x, y] and v [x, y] of the color difference at the target pixel position generated in step S121 are used.
  • the color difference local motion estimation values u [x, y] and v [x, y] are values generated from the luminance local motion estimation values as described above, and It may be the same.
  • the inter prediction unit 126 generates a color difference final prediction image including the final prediction color difference p [x, y] at each pixel position by performing the processing of steps S121 to S123 on each pixel position.
  • the inter prediction unit 126 diverts only the luminance local motion estimation value among the luminance gradient value and the local motion estimation value to generate the color difference final prediction image in the BIO mode. To do.
  • the inter prediction unit 126 uses the gradient value of the color difference for each pixel position in each of the two predicted images and the pixels around the pixel position in each of the two reference pictures. Derived by referring to. Then, the inter prediction unit 126 generates the color difference gradient value for each pixel position in each of the two prediction images, and the luminance local motion estimation value for each pixel position in the processing target block in generating the final color difference prediction image. A color difference final prediction image is generated using the color difference at each pixel position in each of the two prediction images.
  • the local motion estimation value of the luminance for each pixel position in the processing target block is used instead of the local motion estimation value of the color difference for generating the final prediction image of the color difference. Therefore, the process of calculating the local motion estimation value of the color difference for each pixel position in the processing target block based on the color difference can be omitted from the generation of the final predicted image of the color difference. As a result, there is a possibility that the processing load on the encoding device can be reduced and the configuration of the encoding device can be simplified.
  • the inter prediction unit 126 in the generation of the color difference final predicted image, L indicates the local motion estimation value of luminance, C indicates the local motion estimation value of color difference, and ⁇ and ⁇ are real numbers.
  • the inter prediction unit 126 performs inter-screen prediction in the BIO mode using the luminance parameter as the color difference parameter, as illustrated in FIGS. 11 to 14.
  • the inter prediction unit 218 of the decoding apparatus 200 also performs inter-screen prediction in the BIO mode using the luminance parameter as the color difference parameter. Note that when the inter prediction unit 218 of the decoding device 200 generates the final predicted image of luminance and the final predicted image of color difference in the BIO mode, the processing target block is a predicted block to be decoded.
  • the luminance gradient value for each pixel position in each of the two prediction images and the local motion estimation value for the luminance for each pixel position in the processing target block are the color difference gradient value and Used in place of local motion estimates.
  • the final prediction image of color difference is generated directly from the final prediction image of luminance by using at least one of the gradient value of luminance and the local motion estimation value of luminance, the final prediction image of color difference is generated. In addition, it is possible to suppress a decrease in prediction accuracy of the final prediction image of color difference.
  • the inter prediction unit 126 derives a local motion estimation value for each pixel, but for each sub-block that is an image data unit coarser than the pixel and smaller than the processing target block, A motion estimate may be derived.
  • ⁇ may be a set of pixel positions included in the sub-block.
  • sGxGy [x, y], sGx2 [x, y], sGy2 [x, y], sGxdI [x, y], sGydI [x, y], u [x, y] and v [x, y] May be calculated for each sub-block instead of for each pixel.
  • the encoding device 100 and the decoding device 200 can apply a common BIO mode. That is, the encoding apparatus 100 and the decoding apparatus 200 can apply the BIO mode by the same method.
  • the inter prediction unit 126 may match the resolution of the color difference with the resolution of the brightness, and use the brightness parameter as the color difference parameter.
  • the parameter is at least one of a gradient value and a local motion estimate.
  • the inter prediction unit 126 may match the resolution of the color difference and the resolution of the luminance by spatially averaging the parameters at each of the plurality of pixel positions of the luminance corresponding to the pixel position of the color difference. .
  • the inter prediction unit 126 may scale the luminance parameter and use the scaled parameter as the color difference parameter.
  • the inter prediction unit 126 may use only one of the luminance gradient value and the local motion estimation value, or may use both. In other words, the inter prediction unit 126 may derive the color difference local motion estimation value without using the luminance local motion estimation value, or may acquire the color difference gradient value without using the luminance gradient value.
  • the inter prediction unit 126 may derive a common parameter for Cr and Cb, or may independently derive different parameters. Further, the inter prediction unit 126 may predict both the Cr and Cb parameters from the luminance parameter. Alternatively, the inter prediction unit 126 may first predict the Cb parameter from the luminance parameter, and then predict the Cr parameter from the Cb parameter. On the contrary, the inter prediction unit 126 may first predict the Cr parameter from the luminance parameter, and then predict the Cb parameter from the Cr parameter.
  • inter-screen prediction is performed on a format in which an image is composed of luminance and color difference, that is, an image in YUV format, but inter-screen prediction is performed on an image other than such a format.
  • the image format may be an RGB format or an HSV format.
  • the inter prediction unit 126 may generate a G parameter from the R parameter instead of generating a color difference parameter from the luminance parameter, or generate an S parameter from the H parameter. May be.
  • FIG. 15A is a block diagram illustrating an implementation example of the coding apparatus according to Embodiment 2.
  • the encoding device 1a includes a processing circuit 2a and a memory 3a.
  • a plurality of components of the encoding device 100 illustrated in FIG. 1 are implemented by the processing circuit 2a and the memory 3a illustrated in FIG. 15A.
  • the processing circuit 2a is a circuit that performs information processing and is a circuit that can access the memory 3a.
  • the processing circuit 2a is a dedicated or general-purpose electronic circuit that encodes a moving image.
  • the processing circuit 2a may be a processor such as a CPU.
  • the processing circuit 2a may be an aggregate of a plurality of electronic circuits.
  • the processing circuit 2a may serve as a plurality of constituent elements excluding the constituent elements for storing information among the plurality of constituent elements of the encoding device 100 illustrated in FIG.
  • the memory 3a is a general purpose or dedicated memory in which information for the processing circuit 2a to encode a moving image is stored.
  • the memory 3a may be an electronic circuit or may be connected to the processing circuit 2a.
  • the memory 3a may be included in the processing circuit 2a.
  • the memory 3a may be an aggregate of a plurality of electronic circuits.
  • the memory 3a may be a magnetic disk or an optical disk, or may be expressed as a storage or a recording medium.
  • the memory 3a may be a nonvolatile memory or a volatile memory.
  • a moving image to be encoded may be stored, or a bit string corresponding to the encoded moving image may be stored.
  • the memory 3a may store a program for the processing circuit 2a to encode a moving image.
  • the memory 3a may serve as a component for storing information among a plurality of components of the encoding device 100 illustrated in FIG. Specifically, the memory 3a may serve as the block memory 118 and the frame memory 122 shown in FIG. More specifically, the memory 3a may store processed sub-blocks, processed blocks, processed pictures, and the like.
  • not all of the plurality of components shown in FIG. 1 may be mounted, or all of the plurality of processes described above may not be performed. Some of the plurality of components shown in FIG. 1 may be included in another device, and some of the plurality of processes described above may be executed by another device.
  • FIG. 15B is a flowchart showing the processing operation of the encoding device 1a including the processing circuit 2a and the memory 3a.
  • the processing circuit 2a first uses the memory 3a to generate a final prediction image of luminance and a final prediction image of color difference by performing inter-screen prediction on the processing target block (step S10a).
  • the processing circuit 2a encodes the processing target block using the final predicted image of luminance and the final predicted image of color difference (step S20a).
  • the processing circuit 2a acquires two predicted images from two reference pictures by motion compensation using two motion vectors of the processing target block (step S11a).
  • the processing circuit 2a derives the luminance gradient value for each pixel position in each of the two predicted images by referring to the pixels around the pixel position in each of the two reference pictures (Step S2). S12a).
  • the processing circuit 2a uses the luminance value and the luminance gradient value in each of the two predicted images corresponding to the pixel position to calculate the local motion estimation value of the luminance. Derived (step S13a). Next, the processing circuit 2a uses the luminance value and the luminance gradient value for each pixel position in each of the two predicted images, and the local motion estimation value for the luminance for each pixel position in the processing target block, to calculate the final luminance. A predicted image is generated (step S14a). Then, the processing circuit 2a performs at least one of the luminance gradient value for each pixel position in each of the two predicted images and the local motion estimated value for the luminance for each pixel position in the processing target block, and two predictions. A color difference final predicted image is generated using the color difference at each pixel position in each image (step S15a).
  • a process of deriving at least one of the color difference gradient value for each pixel position in each of the two predicted images and the color difference local motion estimation value for each pixel position in the processing target block based on the color difference can be omitted from the generation of the final prediction image of the color difference.
  • the processing load on the encoding device 1a may be reduced, and the configuration of the encoding device 1a may be simplified.
  • FIG. 15C is a block diagram illustrating an implementation example of the decoding apparatus according to Embodiment 2.
  • the decoding device 1b includes a processing circuit 2b and a memory 3b.
  • the plurality of components of the decoding device 200 illustrated in FIG. 10 are implemented by the processing circuit 2b and the memory 3b illustrated in FIG. 15C.
  • the processing circuit 2b is a circuit that performs information processing and is a circuit that can access the memory 3b.
  • the processing circuit 2b is a general-purpose or dedicated electronic circuit that decodes a moving image.
  • the processing circuit 2b may be a processor such as a CPU.
  • the processing circuit 2b may be an assembly of a plurality of electronic circuits.
  • the processing circuit 2b may serve as a plurality of constituent elements excluding a constituent element for storing information among a plurality of constituent elements of the decoding device 200 illustrated in FIG.
  • the memory 3b is a general purpose or dedicated memory in which information for the processing circuit 2b to decode a moving image is stored.
  • the memory 3b may be an electronic circuit or may be connected to the processing circuit 2b.
  • the memory 3b may be included in the processing circuit 2b.
  • the memory 3b may be an aggregate of a plurality of electronic circuits.
  • the memory 3b may be a magnetic disk or an optical disk, or may be expressed as a storage or a recording medium.
  • the memory 3b may be a non-volatile memory or a volatile memory.
  • the memory 3b may store a bit string corresponding to the encoded moving image, or may store a moving image corresponding to the decoded bit sequence.
  • the memory 3b may store a program for the processing circuit 2b to decode the moving image.
  • the memory 3b may serve as a component for storing information among a plurality of components of the decoding device 200 illustrated in FIG. Specifically, the memory 3b may serve as the block memory 210 and the frame memory 214 shown in FIG. More specifically, the memory 3b may store processed sub-blocks, processed blocks, processed pictures, and the like.
  • all of the plurality of components shown in FIG. 10 may not be implemented, and all of the plurality of processes described above may not be performed. Some of the plurality of components illustrated in FIG. 10 may be included in another device, and some of the plurality of processes described above may be performed by another device.
  • FIG. 15D is a flowchart showing the processing operation of the decoding device 1b including the processing circuit 2b and the memory 3b.
  • the processing circuit 2b first uses the memory 3b to generate a final prediction image with luminance and a final prediction image with color difference by performing inter-screen prediction on the processing target block (step S10b).
  • the processing circuit 2b decodes the processing target block using the luminance final predicted image and the color difference final predicted image (step S20b).
  • the processing circuit 2b acquires two predicted images from two reference pictures by motion compensation using two motion vectors of the processing target block (step S11b).
  • the processing circuit 2b derives the luminance gradient value for each pixel position in each of the two predicted images by referring to the pixels around the pixel position in each of the two reference pictures (step). S12b).
  • the processing circuit 2b uses the luminance value and the luminance gradient value in each of the two predicted images corresponding to the pixel position to calculate the local motion estimation value of the luminance. Derived (step S13b). Next, the processing circuit 2b uses the luminance value and the luminance gradient value for each pixel position in each of the two predicted images and the local motion estimation value for the luminance for each pixel position in the processing target block to obtain the final luminance. A predicted image is generated (step S14b). Then, the processing circuit 2b has at least one of the luminance gradient value for each pixel position in each of the two predicted images and the local motion estimation value for the luminance for each pixel position in the processing target block, and two predictions. A color difference final predicted image is generated using the color difference for each pixel position in each image (step S15b).
  • the decoding device 1b also has the same effect as the encoding device 1a. That is, a process of deriving at least one of the color difference gradient value for each pixel position in each of the two predicted images and the color difference local motion estimation value for each pixel position in the processing target block based on the color difference, It can be omitted from the generation of the final prediction image of the color difference. As a result, the processing burden on the decoding device 1b may be reduced, and the configuration of the encoding device 1a may be simplified.
  • the encoding device and the decoding device in each of the above embodiments may be used as an image encoding device and an image decoding device, or may be used as a moving image encoding device and a moving image decoding device, respectively.
  • each component may be configured by dedicated hardware or may be realized by executing a software program suitable for each component.
  • Each component may be realized by a program execution unit such as a CPU or a processor reading and executing a software program recorded on a recording medium such as a hard disk or a semiconductor memory.
  • each of the encoding device and the decoding device includes a processing circuit (Processing Circuit) and a storage device (Storage) electrically connected to the processing circuit and accessible from the processing circuit. May be.
  • Processing Circuit Processing Circuit
  • Storage Storage
  • the processing circuit includes at least one of dedicated hardware and a program execution unit, and executes processing using a storage device. Further, when the processing circuit includes a program execution unit, the storage device stores a software program executed by the program execution unit.
  • the software that realizes the encoding device or the decoding device of each of the above embodiments is the following program.
  • this program causes the computer to execute processing according to the flowchart shown in any of FIGS. 5B, 5D, 12 to 14, 15B, and 15D.
  • Each component may be a circuit as described above. These circuits may constitute one circuit as a whole, or may be separate circuits. Each component may be realized by a general-purpose processor or a dedicated processor.
  • the encoding / decoding device may include an encoding device and a decoding device.
  • the first and second ordinal numbers used in the description may be replaced as appropriate.
  • an ordinal number may be newly given to a component or the like, or may be removed.
  • the aspect of the encoding apparatus and the decoding apparatus was demonstrated based on each embodiment, the aspect of an encoding apparatus and a decoding apparatus is not limited to these embodiment. Unless it deviates from the gist of the present disclosure, various modifications conceived by those skilled in the art and forms constructed by combining components in different embodiments are also included in the aspects of the encoding device and the decoding device. It may be included within the range.
  • This aspect may be implemented in combination with at least a part of other aspects of the present disclosure.
  • a part of the processing, a part of the configuration of the apparatus, a part of the syntax, and the like described in the flowchart of this aspect may be implemented in combination with another aspect.
  • each of the functional blocks can usually be realized by an MPU, a memory, and the like. Further, the processing by each functional block is usually realized by a program execution unit such as a processor reading and executing software (program) recorded on a recording medium such as a ROM. The software may be distributed by downloading or the like, or may be distributed by being recorded on a recording medium such as a semiconductor memory. Naturally, each functional block can be realized by hardware (dedicated circuit).
  • each embodiment may be realized by centralized processing using a single device (system), or may be realized by distributed processing using a plurality of devices. Good.
  • the number of processors that execute the program may be one or more. That is, centralized processing may be performed, or distributed processing may be performed.
  • the system includes an image encoding device using an image encoding method, an image decoding device using an image decoding method, and an image encoding / decoding device including both.
  • Other configurations in the system can be appropriately changed according to circumstances.
  • FIG. 16 is a diagram showing an overall configuration of a content supply system ex100 that implements a content distribution service.
  • the communication service providing area is divided into desired sizes, and base stations ex106, ex107, ex108, ex109, and ex110, which are fixed wireless stations, are installed in each cell.
  • devices such as a computer ex111, a game machine ex112, a camera ex113, a home appliance ex114, and a smartphone ex115 via the Internet ex101, the Internet service provider ex102 or the communication network ex104, and the base stations ex106 to ex110.
  • the content supply system ex100 may be connected by combining any of the above elements.
  • Each device may be directly or indirectly connected to each other via a telephone network or a short-range wireless communication without using the base stations ex106 to ex110 which are fixed wireless stations.
  • the streaming server ex103 is connected to each device such as a computer ex111, a game machine ex112, a camera ex113, a home appliance ex114, and a smartphone ex115 via the Internet ex101.
  • the streaming server ex103 is connected to a terminal in a hot spot in the airplane ex117 via the satellite ex116.
  • the streaming server ex103 may be directly connected to the communication network ex104 without going through the Internet ex101 or the Internet service provider ex102, or may be directly connected to the airplane ex117 without going through the satellite ex116.
  • the camera ex113 is a device that can shoot still images and moving images such as a digital camera.
  • the smartphone ex115 is a smartphone, a cellular phone, or a PHS (Personal Handyphone System) that is compatible with a mobile communication system generally called 2G, 3G, 3.9G, 4G, and 5G in the future.
  • a mobile communication system generally called 2G, 3G, 3.9G, 4G, and 5G in the future.
  • the home appliance ex118 is a device included in a refrigerator or a household fuel cell cogeneration system.
  • a terminal having a photographing function is connected to the streaming server ex103 through the base station ex106 or the like, thereby enabling live distribution or the like.
  • the terminal (computer ex111, game machine ex112, camera ex113, home appliance ex114, smartphone ex115, terminal in airplane ex117, etc.) is used for the still image or video content captured by the user using the terminal.
  • the encoding process described in each embodiment is performed, and the video data obtained by the encoding and the sound data obtained by encoding the sound corresponding to the video are multiplexed, and the obtained data is transmitted to the streaming server ex103. That is, each terminal functions as an image encoding device according to an aspect of the present disclosure.
  • the streaming server ex103 streams the content data transmitted to the requested client.
  • the client is a computer or the like in the computer ex111, the game machine ex112, the camera ex113, the home appliance ex114, the smart phone ex115, or the airplane ex117 that can decode the encoded data.
  • Each device that has received the distributed data decrypts and reproduces the received data. That is, each device functions as an image decoding device according to an aspect of the present disclosure.
  • the streaming server ex103 may be a plurality of servers or a plurality of computers, and may process, record, and distribute data in a distributed manner.
  • the streaming server ex103 may be realized by a CDN (Contents Delivery Network), and content distribution may be realized by a network connecting a large number of edge servers and edge servers distributed all over the world.
  • CDN Contents Delivery Network
  • edge servers that are physically close to each other are dynamically allocated according to clients. Then, the content can be cached and distributed to the edge server, thereby reducing the delay.
  • the processing is distributed among multiple edge servers, the distribution subject is switched to another edge server, or the part of the network where the failure has occurred Since detouring can be continued, high-speed and stable distribution can be realized.
  • the captured data may be encoded at each terminal, may be performed on the server side, or may be shared with each other.
  • a processing loop is performed twice.
  • the first loop the complexity of the image or the code amount in units of frames or scenes is detected.
  • the second loop processing for maintaining the image quality and improving the coding efficiency is performed.
  • the terminal performs the first encoding process
  • the server receiving the content performs the second encoding process, thereby improving the quality and efficiency of the content while reducing the processing load on each terminal. it can.
  • the encoded data of the first time performed by the terminal can be received and reproduced by another terminal, enabling more flexible real-time distribution.
  • the camera ex113 or the like extracts a feature amount from an image, compresses data relating to the feature amount as metadata, and transmits the metadata to the server.
  • the server performs compression according to the meaning of the image, for example, by determining the importance of the object from the feature amount and switching the quantization accuracy.
  • the feature data is particularly effective for improving the accuracy and efficiency of motion vector prediction at the time of re-compression on the server.
  • simple coding such as VLC (variable length coding) may be performed at the terminal, and coding with a large processing load such as CABAC (context adaptive binary arithmetic coding) may be performed at the server.
  • a plurality of video data in which almost the same scene is captured by a plurality of terminals.
  • a GOP Group of Picture
  • a picture unit or a tile obtained by dividing a picture using a plurality of terminals that have performed shooting and other terminals and servers that have not performed shooting as necessary.
  • Distributed processing is performed by assigning encoding processing in units or the like. Thereby, delay can be reduced and real-time property can be realized.
  • the server may manage and / or instruct the video data captured by each terminal to refer to each other.
  • the encoded data from each terminal may be received by the server and the reference relationship may be changed among a plurality of data, or the picture itself may be corrected or replaced to be encoded again. This makes it possible to generate a stream with improved quality and efficiency of each piece of data.
  • the server may distribute the video data after performing transcoding to change the encoding method of the video data.
  • the server may convert the MPEG encoding system to the VP encoding. 264. It may be converted into H.265.
  • the encoding process can be performed by a terminal or one or more servers. Therefore, in the following, description such as “server” or “terminal” is used as the subject performing processing, but part or all of processing performed by the server may be performed by the terminal, or processing performed by the terminal may be performed. Some or all may be performed at the server. The same applies to the decoding process.
  • the server not only encodes a two-dimensional moving image, but also encodes a still image automatically based on a scene analysis of the moving image or at a time specified by the user and transmits it to the receiving terminal. Also good.
  • the server can acquire the relative positional relationship between the photographing terminals, the server obtains the three-dimensional shape of the scene based on not only the two-dimensional moving image but also the video obtained by photographing the same scene from different angles. Can be generated.
  • the server may separately encode the three-dimensional data generated by the point cloud or the like, and the video to be transmitted to the receiving terminal based on the result of recognizing or tracking the person or the object using the three-dimensional data.
  • the images may be selected or reconstructed from videos captured by a plurality of terminals.
  • the user can arbitrarily select each video corresponding to each photographing terminal and enjoy a scene, or can display a video of an arbitrary viewpoint from three-dimensional data reconstructed using a plurality of images or videos. You can also enjoy the clipped content.
  • sound is collected from a plurality of different angles, and the server may multiplex and transmit sound from a specific angle or space according to the video.
  • the server may create viewpoint images for the right eye and the left eye, respectively, and perform encoding that allows reference between each viewpoint video by Multi-View Coding (MVC) or the like. You may encode as another stream, without referring. At the time of decoding another stream, it is preferable to reproduce in synchronization with each other so that a virtual three-dimensional space is reproduced according to the viewpoint of the user.
  • MVC Multi-View Coding
  • the server superimposes virtual object information in the virtual space on the camera information in the real space based on the three-dimensional position or the movement of the user's viewpoint.
  • the decoding device may acquire or hold virtual object information and three-dimensional data, generate a two-dimensional image according to the movement of the user's viewpoint, and create superimposition data by connecting them smoothly.
  • the decoding device transmits the movement of the user's viewpoint to the server in addition to the request for the virtual object information, and the server creates superimposition data according to the movement of the viewpoint received from the three-dimensional data held in the server,
  • the superimposed data may be encoded and distributed to the decoding device.
  • the superimposed data has an ⁇ value indicating transparency in addition to RGB
  • the server sets the ⁇ value of a portion other than the object created from the three-dimensional data to 0 or the like, and the portion is transparent. May be encoded.
  • the server may generate data in which a RGB value of a predetermined value is set as the background, such as a chroma key, and the portion other than the object is set to the background color.
  • the decryption processing of the distributed data may be performed at each terminal as a client, may be performed on the server side, or may be performed in a shared manner.
  • a terminal may once send a reception request to the server, receive content corresponding to the request at another terminal, perform a decoding process, and transmit a decoded signal to a device having a display.
  • a part of a region such as a tile in which a picture is divided may be decoded and displayed on a viewer's personal terminal while receiving large-size image data on a TV or the like. Accordingly, it is possible to confirm at hand the area in which the person is responsible or the area to be confirmed in more detail while sharing the whole image.
  • access to encoded data on the network such as when the encoded data is cached in a server that can be accessed from the receiving terminal in a short time, or copied to the edge server in the content delivery service. It is also possible to switch the bit rate of received data based on ease.
  • the content switching will be described using a scalable stream that is compression-encoded by applying the moving picture encoding method shown in each of the above-described embodiments shown in FIG.
  • the server may have a plurality of streams of the same content and different quality as individual streams, but the temporal / spatial scalable implementation realized by dividing into layers as shown in the figure.
  • the configuration may be such that the content is switched by utilizing the characteristics of the stream.
  • the decoding side decides which layer to decode according to internal factors such as performance and external factors such as the state of communication bandwidth, so that the decoding side can combine low-resolution content and high-resolution content. You can switch freely and decrypt. For example, when the user wants to continue watching the video that was viewed on the smartphone ex115 while moving on a device such as an Internet TV after returning home, the device only has to decode the same stream to a different layer, so the load on the server side Can be reduced.
  • the enhancement layer includes meta information based on image statistical information, etc., in addition to the configuration in which the picture is encoded for each layer and the enhancement layer exists above the base layer.
  • the decoding side may generate content with high image quality by super-resolution of the base layer picture based on the meta information.
  • Super-resolution may be either improvement of the SN ratio at the same resolution or enlargement of the resolution.
  • the meta information includes information for specifying a linear or non-linear filter coefficient used for super-resolution processing, or information for specifying a parameter value in filter processing, machine learning, or least square calculation used for super-resolution processing. .
  • the picture may be divided into tiles or the like according to the meaning of the object in the image, and the decoding side may select only a part of the region by selecting the tile to be decoded.
  • the decoding side can determine the position of the desired object based on the meta information. Can be identified and the tile containing the object can be determined.
  • the meta information is stored using a data storage structure different from the pixel data such as the SEI message in HEVC. This meta information indicates, for example, the position, size, or color of the main object.
  • meta information may be stored in units composed of a plurality of pictures, such as streams, sequences, or random access units.
  • the decoding side can acquire the time when the specific person appears in the video, etc., and can match the picture in which the object exists and the position of the object in the picture by combining with the information in units of pictures.
  • FIG. 19 is a diagram showing an example of a web page display screen on the computer ex111 or the like.
  • FIG. 20 is a diagram illustrating a display screen example of a web page on the smartphone ex115 or the like.
  • the web page may include a plurality of link images that are links to image content, and the appearance differs depending on the browsing device. When a plurality of link images are visible on the screen, the display device until the user explicitly selects the link image, or until the link image approaches the center of the screen or the entire link image enters the screen.
  • the (decoding device) displays a still image or an I picture included in each content as a link image, displays a video like a gif animation with a plurality of still images or I pictures, or receives only a base layer to receive a video. Are decoded and displayed.
  • the display device When the link image is selected by the user, the display device decodes the base layer with the highest priority. If there is information indicating that the HTML constituting the web page is scalable content, the display device may decode up to the enhancement layer. Also, in order to ensure real-time properties, the display device only decodes forward reference pictures (I picture, P picture, forward reference only B picture) before being selected or when the communication band is very strict. In addition, the delay between the decoding time of the first picture and the display time (delay from the start of content decoding to the start of display) can be reduced by displaying. Further, the display device may intentionally ignore the reference relationship of pictures and roughly decode all B pictures and P pictures with forward reference, and perform normal decoding as the number of received pictures increases over time.
  • forward reference pictures I picture, P picture, forward reference only B picture
  • the receiving terminal when transmitting and receiving still image or video data such as two-dimensional or three-dimensional map information for automatic driving or driving support of a car, the receiving terminal adds meta data to image data belonging to one or more layers. Weather or construction information may also be received and decoded in association with each other. The meta information may belong to a layer or may be simply multiplexed with image data.
  • the receiving terminal since the car, drone, airplane, or the like including the receiving terminal moves, the receiving terminal transmits the position information of the receiving terminal at the time of the reception request, thereby seamless reception and decoding while switching the base stations ex106 to ex110. Can be realized.
  • the receiving terminal can dynamically switch how much meta-information is received or how much map information is updated according to the user's selection, the user's situation, or the communication band state. become.
  • the encoded information transmitted by the user can be received, decoded and reproduced in real time by the client.
  • the content supply system ex100 can perform not only high-quality and long-time content by a video distributor but also unicast or multicast distribution of low-quality and short-time content by an individual. Moreover, such personal contents are expected to increase in the future.
  • the server may perform the encoding process after performing the editing process. This can be realized, for example, with the following configuration.
  • the server After shooting, the server performs recognition processing such as shooting error, scene search, semantic analysis, and object detection from the original image or encoded data. Then, the server manually or automatically corrects out-of-focus or camera shake based on the recognition result, or selects a less important scene such as a scene whose brightness is lower than that of other pictures or is out of focus. Edit such as deleting, emphasizing the edge of an object, and changing the hue.
  • the server encodes the edited data based on the editing result. It is also known that if the shooting time is too long, the audience rating will decrease, and the server will move not only in the less important scenes as described above, but also in motion according to the shooting time. A scene with few images may be automatically clipped based on the image processing result. Alternatively, the server may generate and encode a digest based on the result of the semantic analysis of the scene.
  • the server may change and encode the face of the person in the periphery of the screen or the inside of the house into an unfocused image.
  • the server recognizes whether or not a face of a person different from the person registered in advance is shown in the encoding target image, and if so, performs processing such as applying a mosaic to the face part. May be.
  • the user designates a person or background area that the user wants to process an image from the viewpoint of copyright, etc., and the server replaces the designated area with another video or blurs the focus. It is also possible to perform such processing. If it is a person, the face image can be replaced while tracking the person in the moving image.
  • the decoding device first receives the base layer with the highest priority and performs decoding and reproduction, depending on the bandwidth.
  • the decoding device may receive the enhancement layer during this time, and may play back high-quality video including the enhancement layer when played back twice or more, such as when playback is looped.
  • a stream that is scalable in this way can provide an experience in which the stream becomes smarter and the image is improved gradually, although it is a rough moving picture when it is not selected or at the beginning of viewing.
  • the same experience can be provided even if the coarse stream played back the first time and the second stream coded with reference to the first video are configured as one stream. .
  • these encoding or decoding processes are generally processed in the LSI ex500 included in each terminal.
  • the LSI ex500 may be configured as a single chip or a plurality of chips.
  • moving image encoding or decoding software is incorporated into some recording medium (CD-ROM, flexible disk, hard disk, etc.) that can be read by the computer ex111 and the like, and encoding or decoding processing is performed using the software. Also good.
  • moving image data acquired by the camera may be transmitted. The moving image data at this time is data encoded by the LSI ex500 included in the smartphone ex115.
  • the LSI ex500 may be configured to download and activate application software.
  • the terminal first determines whether the terminal is compatible with the content encoding method or has a specific service execution capability. If the terminal does not support the content encoding method or does not have the capability to execute a specific service, the terminal downloads a codec or application software, and then acquires and reproduces the content.
  • the content supply system ex100 via the Internet ex101, but also a digital broadcasting system, at least the moving image encoding device (image encoding device) or the moving image decoding device (image decoding device) of the above embodiments. Any of these can be incorporated.
  • the unicasting of the content supply system ex100 is suitable for multicasting because it uses a satellite or the like to transmit and receive multiplexed data in which video and sound are multiplexed on broadcasting radio waves.
  • the same application is possible for the encoding process and the decoding process.
  • FIG. 21 is a diagram illustrating the smartphone ex115.
  • FIG. 22 is a diagram illustrating a configuration example of the smartphone ex115.
  • the smartphone ex115 receives the antenna ex450 for transmitting / receiving radio waves to / from the base station ex110, the camera unit ex465 capable of taking video and still images, the video captured by the camera unit ex465, and the antenna ex450.
  • a display unit ex458 for displaying data obtained by decoding the video or the like.
  • the smartphone ex115 further includes an operation unit ex466 that is a touch panel or the like, a voice output unit ex457 that is a speaker or the like for outputting voice or sound, a voice input unit ex456 that is a microphone or the like for inputting voice, and photographing.
  • Memory unit ex467 that can store encoded video or still image, recorded audio, received video or still image, encoded data such as mail, or decoded data, and a user, and network
  • An external memory may be used instead of the memory unit ex467.
  • a main control unit ex460 that comprehensively controls the display unit ex458, the operation unit ex466, and the like, a power supply circuit unit ex461, an operation input control unit ex462, a video signal processing unit ex455, a camera interface unit ex463, a display control unit ex459, a modulation / Demodulation unit ex452, multiplexing / demultiplexing unit ex453, audio signal processing unit ex454, slot unit ex464, and memory unit ex467 are connected via bus ex470.
  • the power supply circuit unit ex461 starts up the smartphone ex115 in an operable state by supplying power from the battery pack to each unit.
  • the smartphone ex115 performs processing such as calling and data communication based on the control of the main control unit ex460 having a CPU, a ROM, a RAM, and the like.
  • the voice signal picked up by the voice input unit ex456 is converted into a digital voice signal by the voice signal processing unit ex454, spread spectrum processing is performed by the modulation / demodulation unit ex452, and digital / analog conversion is performed by the transmission / reception unit ex451.
  • the data is transmitted via the antenna ex450.
  • the received data is amplified and subjected to frequency conversion processing and analog-digital conversion processing, spectrum despreading processing is performed by the modulation / demodulation unit ex452, and converted to analog audio signal by the audio signal processing unit ex454, and then this is output to the audio output unit ex457.
  • text, still image, or video data is sent to the main control unit ex460 via the operation input control unit ex462 by the operation of the operation unit ex466 of the main body unit, and transmission / reception processing is performed similarly.
  • the video signal processing unit ex455 uses the video signal stored in the memory unit ex467 or the video signal input from the camera unit ex465 as described above.
  • the video data is compressed and encoded by the moving image encoding method shown in the form, and the encoded video data is sent to the multiplexing / demultiplexing unit ex453.
  • the audio signal processing unit ex454 encodes the audio signal picked up by the audio input unit ex456 while the camera unit ex465 captures a video or a still image, and sends the encoded audio data to the multiplexing / separating unit ex453. To do.
  • the multiplexing / demultiplexing unit ex453 multiplexes the encoded video data and the encoded audio data by a predetermined method, and the modulation / demodulation unit (modulation / demodulation circuit unit) ex452 and the modulation / demodulation unit ex451 perform modulation processing and conversion.
  • the data is processed and transmitted via the antenna ex450.
  • the multiplexing / demultiplexing unit ex453 performs multiplexing By separating the data, the multiplexed data is divided into a bit stream of video data and a bit stream of audio data, and the encoded video data is supplied to the video signal processing unit ex455 via the synchronization bus ex470. The converted audio data is supplied to the audio signal processing unit ex454.
  • the video signal processing unit ex455 decodes the video signal by the video decoding method corresponding to the video encoding method shown in each of the above embodiments, and is linked from the display unit ex458 via the display control unit ex459.
  • a video or still image included in the moving image file is displayed.
  • the audio signal processing unit ex454 decodes the audio signal, and the audio is output from the audio output unit ex457. Since real-time streaming is widespread, depending on the user's situation, there may be occasions where audio playback is not socially appropriate. Therefore, it is desirable that the initial value is a configuration in which only the video data is reproduced without reproducing the audio signal. Audio may be synchronized and played back only when the user performs an operation such as clicking on video data.
  • the smartphone ex115 has been described here as an example, in addition to a transmission / reception terminal having both an encoder and a decoder as a terminal, a transmission terminal having only an encoder and a reception having only a decoder There are three possible mounting formats: terminals.
  • terminals In the digital broadcasting system, it has been described as receiving or transmitting multiplexed data in which audio data or the like is multiplexed with video data.
  • multiplexed data includes character data related to video in addition to audio data. Multiplexing may be performed, and video data itself may be received or transmitted instead of multiplexed data.
  • the terminal often includes a GPU. Therefore, a configuration may be adopted in which a wide area is processed in a lump by utilizing the performance of the GPU by using a memory shared by the CPU and the GPU or a memory whose addresses are managed so as to be used in common. As a result, the encoding time can be shortened, real-time performance can be ensured, and low delay can be realized. In particular, it is efficient to perform motion search, deblocking filter, SAO (Sample Adaptive Offset), and transformation / quantization processing in batches in units of pictures or the like instead of the CPU.
  • SAO Sample Adaptive Offset
  • the encoding device and the decoding device of the present disclosure have an effect that there is a possibility of further improvement, for example, a television, a digital video recorder, a car navigation, a mobile phone, a digital camera, a digital video camera, an in-vehicle camera, and a network camera. It can be used for information display devices or imaging devices such as the above, and has high utility value.

Abstract

さらなる改善を実現する符号化装置を提供する。この符号化装置は、処理回路と、メモリとを備え、処理回路は、そのメモリを用いて、２つの参照ピクチャから２つの予測画像を取得し（ステップＳ１１ａ）、その２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値を導出し（ステップＳ１２ａ）、処理対象ブロックの画素位置ごとの輝度の局所動き推定値を導出し（ステップＳ１３ａ）、２つの予測画像のそれぞれにおける輝度値および輝度の勾配値と、処理対象ブロックの輝度の局所動き推定値を用いて、輝度の最終予測画像を生成し（ステップＳ１４ａ）、２つの予測画像のそれぞれの輝度の勾配値、および、処理対象ブロックの輝度の局所動き推定値、のうちの少なくとも一方と、２つの予測画像のそれぞれの色差とを用いて、色差の最終予測画像を生成する（ステップＳ１５ａ）。

Description

符号化装置、復号装置、符号化方法および復号方法
　本開示は、符号化装置、復号装置、符号化方法および復号方法に関する。
　ＨＥＶＣ（Ｈｉｇｈ－Ｅｆｆｉｃｉｅｎｃｙ　Ｖｉｄｅｏ　Ｃｏｄｉｎｇ）と称される映像符号化標準規格が、ＪＣＴ－ＶＣ（Ｊｏｉｎｔ　Ｃｏｌｌａｂｏｒａｔｉｖｅ　Ｔｅａｍ　ｏｎ　Ｖｉｄｅｏ　Ｃｏｄｉｎｇ）により標準化されている。
Ｈ．２６５（ＩＳＯ／ＩＥＣ　２３００８－２　ＨＥＶＣ（Ｈｉｇｈ　Ｅｆｆｉｃｉｅｎｃｙ　Ｖｉｄｅｏ　Ｃｏｄｉｎｇ））
　このような符号化及び復号技術では、さらなる改善が求められている。
　そこで、本開示は、さらなる改善を実現できる符号化装置、復号装置、符号化方法または復号方法を提供することを目的とする。
　本開示の一態様に係る符号化装置は、処理回路と、メモリとを備え、前記処理回路は、前記メモリを用いて、処理対象ブロックに対して画面間予測を行うことによって輝度の最終予測画像および色差の最終予測画像を生成し、前記処理対象ブロックを、前記輝度の最終予測画像および前記色差の最終予測画像を用いて符号化し、前記画面間予測では、前記処理対象ブロックの２つの動きベクトルを用いた動き補償によって、２つの参照ピクチャから２つの予測画像を取得し、前記２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値を、前記２つの参照ピクチャのそれぞれにおける当該画素位置の周辺にある画素を参照することによって導出し、前記処理対象ブロックの画素位置ごとに、当該画素位置に対応する、前記２つの予測画像のそれぞれにおける輝度値および輝度の勾配値を用いて、輝度の局所動き推定値を導出し、前記２つの予測画像のそれぞれにおける画素位置ごとの輝度値および前記輝度の勾配値と、前記処理対象ブロックにおける画素位置ごとの前記輝度の局所動き推定値とを用いて、前記輝度の最終予測画像を生成し、前記２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値、および、前記処理対象ブロックにおける画素位置ごとの前記輝度の局所動き推定値、のうちの少なくとも一方と、前記２つの予測画像のそれぞれにおける画素位置ごとの色差とを用いて、前記色差の最終予測画像を生成する。
　本開示の一態様に係る復号装置は、処理回路と、メモリとを備え、前記処理回路は、前記メモリを用いて、処理対象ブロックに対して画面間予測を行うことによって輝度の最終予測画像および色差の最終予測画像を生成し、前記処理対象ブロックを、前記輝度の最終予測画像および前記色差の最終予測画像を用いて復号し、前記画面間予測では、前記処理対象ブロックの２つの動きベクトルを用いた動き補償によって、２つの参照ピクチャから２つの予測画像を取得し、前記２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値を、前記２つの参照ピクチャのそれぞれにおける当該画素位置の周辺にある画素を参照することによって導出し、前記処理対象ブロックの画素位置ごとに、当該画素位置に対応する、前記２つの予測画像のそれぞれにおける輝度値および輝度の勾配値を用いて、輝度の局所動き推定値を導出し、前記２つの予測画像のそれぞれにおける画素位置ごとの輝度値および前記輝度の勾配値と、前記処理対象ブロックにおける画素位置ごとの前記輝度の局所動き推定値とを用いて、前記輝度の最終予測画像を生成し、前記２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値、および、前記処理対象ブロックにおける画素位置ごとの前記輝度の局所動き推定値、のうちの少なくとも一方と、前記２つの予測画像のそれぞれにおける画素位置ごとの色差とを用いて、前記色差の最終予測画像を生成する。
　なお、これらの全般的または具体的な態様は、システム、方法、集積回路、コンピュータプログラムまたはコンピュータ読み取り可能なＣＤ－ＲＯＭなどの記録媒体で実現されてもよく、システム、方法、集積回路、コンピュータプログラム及び記録媒体の任意な組み合わせで実現されてもよい。
　本開示は、さらなる改善を実現できる符号化装置、復号装置、符号化方法または復号方法を提供できる。
図１は、実施の形態１に係る符号化装置の機能構成を示すブロック図である。 図２は、実施の形態１におけるブロック分割の一例を示す図である。 図３は、各変換タイプに対応する変換基底関数を示す表である。 図４Ａは、ＡＬＦで用いられるフィルタの形状の一例を示す図である。 図４Ｂは、ＡＬＦで用いられるフィルタの形状の他の一例を示す図である。 図４Ｃは、ＡＬＦで用いられるフィルタの形状の他の一例を示す図である。 図５Ａは、イントラ予測における６７個のイントラ予測モードを示す図である。 図５Ｂは、ＯＢＭＣ処理による予測画像補正処理の概要を説明するためのフローチャートである。 図５Ｃは、ＯＢＭＣ処理による予測画像補正処理の概要を説明するための概念図である。 図５Ｄは、ＦＲＵＣの一例を示す図である。 図６は、動き軌道に沿う２つのブロック間でのパターンマッチング（バイラテラルマッチング）を説明するための図である。 図７は、カレントピクチャ内のテンプレートと参照ピクチャ内のブロックとの間でのパターンマッチング（テンプレートマッチング）を説明するための図である。 図８は、等速直線運動を仮定したモデルを説明するための図である。 図９Ａは、複数の隣接ブロックの動きベクトルに基づくサブブロック単位の動きベクトルの導出を説明するための図である。 図９Ｂは、マージモードによる動きベクトル導出処理の概要を説明するための図である。 図９Ｃは、ＤＭＶＲ処理の概要を説明するための概念図である。 図９Ｄは、ＬＩＣ処理による輝度補正処理を用いた予測画像生成方法の概要を説明するための図である。 図１０は、実施の形態１に係る復号装置の機能構成を示すブロック図である。 図１１は、実施の形態２におけるインター予測部によって行われるＢＩＯモードでの最終予測画像の生成処理を示す概念図である。 図１２は、実施の形態２におけるインター予測部によって行われるＢＩＯモードの動作の一例を示すフローチャートである。 図１３は、実施の形態２におけるインター予測部によって行われるＢＩＯモードの動作の他の例を示すフローチャートである。 図１４は、実施の形態２におけるインター予測部によって行われるＢＩＯモードの動作の他の例を示すフローチャートである。 図１５Ａは、実施の形態２における符号化装置の実装例を示すブロック図である。 図１５Ｂは、実施の形態２における、処理回路およびメモリを備えた符号化装置の処理動作を示すフローチャートである。 図１５Ｃは、実施の形態２における復号装置の実装例を示すブロック図である。 図１５Ｄは、実施の形態２における、処理回路およびメモリを備えた復号装置の処理動作を示すフローチャートである。 図１６は、コンテンツ配信サービスを実現するコンテンツ供給システムの全体構成図である。 図１７は、スケーラブル符号化時の符号化構造の一例を示す図である。 図１８は、スケーラブル符号化時の符号化構造の一例を示す図である。 図１９は、ｗｅｂページの表示画面例を示す図である。 図２０は、ｗｅｂページの表示画面例を示す図である。 図２１は、スマートフォンの一例を示す図である。 図２２は、スマートフォンの構成例を示すブロック図である。
　本開示の一態様に係る符号化装置は、処理回路と、メモリとを備え、前記処理回路は、前記メモリを用いて、処理対象ブロックに対して画面間予測を行うことによって輝度の最終予測画像および色差の最終予測画像を生成し、前記処理対象ブロックを、前記輝度の最終予測画像および前記色差の最終予測画像を用いて符号化し、前記画面間予測では、前記処理対象ブロックの２つの動きベクトルを用いた動き補償によって、２つの参照ピクチャから２つの予測画像を取得し、前記２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値を、前記２つの参照ピクチャのそれぞれにおける当該画素位置の周辺にある画素を参照することによって導出し、前記処理対象ブロックの画素位置ごとに、当該画素位置に対応する、前記２つの予測画像のそれぞれにおける輝度値および輝度の勾配値を用いて、輝度の局所動き推定値を導出し、前記２つの予測画像のそれぞれにおける画素位置ごとの輝度値および前記輝度の勾配値と、前記処理対象ブロックにおける画素位置ごとの前記輝度の局所動き推定値とを用いて、前記輝度の最終予測画像を生成し、前記２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値、および、前記処理対象ブロックにおける画素位置ごとの前記輝度の局所動き推定値、のうちの少なくとも一方と、前記２つの予測画像のそれぞれにおける画素位置ごとの色差とを用いて、前記色差の最終予測画像を生成する。なお、局所動き推定値は、補正動きベクトルともいう。
　これにより、２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値と、処理対象ブロックにおける画素位置ごとの輝度の局所動き推定値と、のうちの少なくとも一方を用いて、色差の最終予測画像が生成される。つまり、色差の最終予測画像の生成に、２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値が、色差の勾配値の代わりに用いられる。または、色差の最終予測画像の生成に、処理対象ブロックにおける画素位置ごとの輝度の局所動き推定値が、色差の局所動き推定値の代わりに用いられる。または、色差の最終予測画像の生成に、２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値と、処理対象ブロックにおける画素位置ごとの輝度の局所動き推定値とが、色差の勾配値および局所動き推定値の代わりに用いられる。
　したがって、２つの予測画像のそれぞれにおける画素位置ごとの色差の勾配値と、処理対象ブロックにおける画素位置ごとの色差の局所動き推定値と、のうちの少なくとも一方を色差に基づいて導出する処理を、色差の最終予測画像の生成から省くことができる。その結果、符号化装置の処理負担を軽減し、符号化装置の構成を簡略化することができる可能性がある。つまり、ＢＩＯ（ｂｉ－ｄｉｒｅｃｔｉｏｎａｌ　ｏｐｔｉｃａｌ　ｆｌｏｗ）モードによって、輝度の最終予測画像だけでなく、色差の最終予測画像も生成する場合には、処理負担が増大するが、その処理負担の増大を抑えることができる。さらに、輝度の最終予測画像から色差の最終予測画像を直接生成することなく、輝度の勾配値および輝度の局所動き推定値のうちの少なくとも一方を用いて、色差の最終予測画像が生成されるため、色差の最終予測画像の予測精度の低下を抑えることができる。
　また、前記処理回路は、前記画面間予測では、さらに、前記処理対象ブロックの画素位置ごとに、当該画素位置に対応する、前記２つの予測画像のそれぞれにおける色差、および、前記２つの予測画像のそれぞれにおける輝度の勾配値を用いて、色差の局所動き推定値を導出し、前記色差の最終予測画像の生成では、前記２つの予測画像のそれぞれにおける画素位置ごとの前記輝度の勾配値と、前記処理対象ブロックにおける画素位置ごとの前記色差の局所動き推定値と、前記２つの予測画像のそれぞれにおける画素位置ごとの色差とを用いて、前記色差の最終予測画像を生成してもよい。
　これにより、色差の最終予測画像の生成に、２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値が、色差の勾配値の代わりに用いられる。したがって、色差に基づいて２つの予測画像のそれぞれにおける画素位置ごとの色差の勾配値を算出する処理を、色差の最終予測画像の生成から省くことができる。その結果、符号化装置の処理負担を軽減し、符号化装置の構成を簡略化することができる可能性がある。
　また、前記処理回路は、前記画面間予測では、さらに、前記２つの予測画像のそれぞれにおける画素位置ごとの色差の勾配値を、前記２つの参照ピクチャのそれぞれにおける当該画素位置の周辺にある画素を参照することによって導出し、前記色差の最終予測画像の生成では、前記２つの予測画像のそれぞれにおける画素位置ごとの前記色差の勾配値と、前記処理対象ブロックにおける画素位置ごとの前記輝度の局所動き推定値と、前記２つの予測画像のそれぞれにおける画素位置ごとの色差とを用いて、前記色差の最終予測画像を生成してもよい。
　これにより、色差の最終予測画像の生成に、処理対象ブロックにおける画素位置ごとの輝度の局所動き推定値が、色差の局所動き推定値の代わりに用いられる。したがって、色差に基づいて処理対象ブロックにおける画素位置ごとの色差の局所動き推定値を算出する処理を、色差の最終予測画像の生成から省くことができる。その結果、符号化装置の処理負担を軽減し、符号化装置の構成を簡略化することができる可能性がある。
　また、前記処理回路は、前記色差の最終予測画像の生成では、Ｌが前記輝度の勾配値を示し、Ｃが色差の勾配値を示し、αおよびβが実数を示す場合、Ｃ＝α×Ｌ＋βによって、前記色差の勾配値を算出し、前記輝度の勾配値を用いて算出された前記色差の勾配値に基づいて、前記色差の最終予測画像を生成してもよい。または、前記処理回路は、前記色差の最終予測画像の生成では、Ｌが前記輝度の局所動き推定値を示し、Ｃが色差の局所動き推定値を示し、αおよびβが実数を示す場合、Ｃ＝α×Ｌ＋βによって、前記色差の局所動き推定値を算出し、前記輝度の局所動き推定値を用いて算出された前記色差の局所動き推定値に基づいて、前記色差の最終予測画像を生成してもよい。
　これにより、色差の勾配値および局所動き推定値を、輝度の勾配値および局所動き推定値からそれぞれ適切に算出することができる。その結果、色差の最終予測画像の予測誤差を少なくすることができ、符号化効率の向上を図ることができる可能性がある。
　本開示の一態様に係る復号装置は、処理回路と、メモリとを備え、前記処理回路は、前記メモリを用いて、処理対象ブロックに対して画面間予測を行うことによって輝度の最終予測画像および色差の最終予測画像を生成し、前記処理対象ブロックを、前記輝度の最終予測画像および前記色差の最終予測画像を用いて復号し、前記画面間予測では、前記処理対象ブロックの２つの動きベクトルを用いた動き補償によって、２つの参照ピクチャから２つの予測画像を取得し、前記２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値を、前記２つの参照ピクチャのそれぞれにおける当該画素位置の周辺にある画素を参照することによって導出し、前記処理対象ブロックの画素位置ごとに、当該画素位置に対応する、前記２つの予測画像のそれぞれにおける輝度値および輝度の勾配値を用いて、輝度の局所動き推定値を導出し、前記２つの予測画像のそれぞれにおける画素位置ごとの輝度値および前記輝度の勾配値と、前記処理対象ブロックにおける画素位置ごとの前記輝度の局所動き推定値とを用いて、前記輝度の最終予測画像を生成し、前記２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値、および、前記処理対象ブロックにおける画素位置ごとの前記輝度の局所動き推定値、のうちの少なくとも一方と、前記２つの予測画像のそれぞれにおける画素位置ごとの色差とを用いて、前記色差の最終予測画像を生成する。
　これにより、２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値と、処理対象ブロックにおける画素位置ごとの輝度の局所動き推定値と、のうちの少なくとも一方を用いて、色差の最終予測画像が生成される。つまり、色差の最終予測画像の生成に、２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値が、色差の勾配値の代わりに用いられる。または、色差の最終予測画像の生成に、処理対象ブロックにおける画素位置ごとの輝度の局所動き推定値が、色差の局所動き推定値の代わりに用いられる。または、色差の最終予測画像の生成に、２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値と、処理対象ブロックにおける画素位置ごとの輝度の局所動き推定値とが、色差の勾配値および局所動き推定値の代わりに用いられる。
　したがって、２つの予測画像のそれぞれにおける画素位置ごとの色差の勾配値と、処理対象ブロックにおける画素位置ごとの色差の局所動き推定値と、のうちの少なくとも一方を色差に基づいて導出する処理を、色差の最終予測画像の生成から省くことができる。その結果、復号装置の処理負担を軽減し、復号装置の構成を簡略化することができる可能性がある。つまり、ＢＩＯ（ｂｉ－ｄｉｒｅｃｔｉｏｎａｌ　ｏｐｔｉｃａｌ　ｆｌｏｗ）モードによって、輝度の最終予測画像だけでなく、色差の最終予測画像も生成する場合には、処理負担が増大するが、その処理負担の増大を抑えることができる。さらに、輝度の最終予測画像から色差の最終予測画像を直接生成することなく、輝度の勾配値および輝度の局所動き推定値のうちの少なくとも一方を用いて、色差の最終予測画像が生成されるため、色差の最終予測画像の予測精度の低下を抑えることができる。
　また、前記処理回路は、前記画面間予測では、さらに、前記処理対象ブロックの画素位置ごとに、当該画素位置に対応する、前記２つの予測画像のそれぞれにおける色差、および、前記２つの予測画像のそれぞれにおける輝度の勾配値を用いて、色差の局所動き推定値を導出し、前記色差の最終予測画像の生成では、前記２つの予測画像のそれぞれにおける画素位置ごとの前記輝度の勾配値と、前記処理対象ブロックにおける画素位置ごとの前記色差の局所動き推定値と、前記２つの予測画像のそれぞれにおける画素位置ごとの色差とを用いて、前記色差の最終予測画像を生成してもよい。
　これにより、色差の最終予測画像の生成に、２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値が、色差の勾配値の代わりに用いられる。したがって、色差に基づいて２つの予測画像のそれぞれにおける画素位置ごとの色差の勾配値を算出する処理を、色差の最終予測画像の生成から省くことができる。その結果、復号装置の処理負担を軽減し、復号装置の構成を簡略化することができる可能性がある。
　また、前記処理回路は、前記画面間予測では、さらに、前記２つの予測画像のそれぞれにおける画素位置ごとの色差の勾配値を、前記２つの参照ピクチャのそれぞれにおける当該画素位置の周辺にある画素を参照することによって導出し、前記色差の最終予測画像の生成では、前記２つの予測画像のそれぞれにおける画素位置ごとの前記色差の勾配値と、前記処理対象ブロックにおける画素位置ごとの前記輝度の局所動き推定値と、前記２つの予測画像のそれぞれにおける画素位置ごとの色差とを用いて、前記色差の最終予測画像を生成してもよい。
　これにより、色差の最終予測画像の生成に、処理対象ブロックにおける画素位置ごとの輝度の局所動き推定値が、色差の局所動き推定値の代わりに用いられる。したがって、色差に基づいて処理対象ブロックにおける画素位置ごとの色差の局所動き推定値を算出する処理を、色差の最終予測画像の生成から省くことができる。その結果、復号装置の処理負担を軽減し、復号装置の構成を簡略化することができる可能性がある。
　また、前記処理回路は、前記色差の最終予測画像の生成では、Ｌが前記輝度の勾配値を示し、Ｃが色差の勾配値を示し、αおよびβが実数を示す場合、Ｃ＝α×Ｌ＋βによって、前記色差の勾配値を算出し、前記輝度の勾配値を用いて算出された前記色差の勾配値に基づいて、前記色差の最終予測画像を生成してもよい。または、前記処理回路は、前記色差の最終予測画像の生成では、Ｌが前記輝度の局所動き推定値を示し、Ｃが色差の局所動き推定値を示し、αおよびβが実数を示す場合、Ｃ＝α×Ｌ＋βによって、前記色差の局所動き推定値を算出し、前記輝度の局所動き推定値を用いて算出された前記色差の局所動き推定値に基づいて、前記色差の最終予測画像を生成してもよい。
　これにより、色差の勾配値および局所動き推定値を、輝度の勾配値および局所動き推定値からそれぞれ適切に算出することができる。その結果、色差の最終予測画像の予測誤差を少なくすることができ、符号化効率の向上を図ることができる可能性がある。
　以下、実施の形態について図面を参照しながら具体的に説明する。
　なお、以下で説明する実施の形態は、いずれも包括的または具体的な例を示すものである。以下の実施の形態で示される数値、形状、材料、構成要素、構成要素の配置位置及び接続形態、ステップ、ステップの順序などは、一例であり、請求の範囲を限定する主旨ではない。また、以下の実施の形態における構成要素のうち、最上位概念を示す独立請求項に記載されていない構成要素については、任意の構成要素として説明される。
　（実施の形態１）
　まず、後述する本開示の各態様で説明する処理および／または構成を適用可能な符号化装置および復号化装置の一例として、実施の形態１の概要を説明する。ただし、実施の形態１は、本開示の各態様で説明する処理および／または構成を適用可能な符号化装置および復号化装置の一例にすぎず、本開示の各態様で説明する処理および／または構成は、実施の形態１とは異なる符号化装置および復号化装置においても実施可能である。
　実施の形態１に対して本開示の各態様で説明する処理および／または構成を適用する場合、例えば以下のいずれかを行ってもよい。
　（１）実施の形態１の符号化装置または復号化装置に対して、当該符号化装置または復号化装置を構成する複数の構成要素のうち、本開示の各態様で説明する構成要素に対応する構成要素を、本開示の各態様で説明する構成要素に置き換えること
　（２）実施の形態１の符号化装置または復号化装置に対して、当該符号化装置または復号化装置を構成する複数の構成要素のうち一部の構成要素について機能または実施する処理の追加、置き換え、削除などの任意の変更を施した上で、本開示の各態様で説明する構成要素に対応する構成要素を、本開示の各態様で説明する構成要素に置き換えること
　（３）実施の形態１の符号化装置または復号化装置が実施する方法に対して、処理の追加、および／または当該方法に含まれる複数の処理のうちの一部の処理について置き換え、削除などの任意の変更を施した上で、本開示の各態様で説明する処理に対応する処理を、本開示の各態様で説明する処理に置き換えること
　（４）実施の形態１の符号化装置または復号化装置を構成する複数の構成要素のうちの一部の構成要素を、本開示の各態様で説明する構成要素、本開示の各態様で説明する構成要素が備える機能の一部を備える構成要素、または本開示の各態様で説明する構成要素が実施する処理の一部を実施する構成要素と組み合わせて実施すること
　（５）実施の形態１の符号化装置または復号化装置を構成する複数の構成要素のうちの一部の構成要素が備える機能の一部を備える構成要素、または実施の形態１の符号化装置または復号化装置を構成する複数の構成要素のうちの一部の構成要素が実施する処理の一部を実施する構成要素を、本開示の各態様で説明する構成要素、本開示の各態様で説明する構成要素が備える機能の一部を備える構成要素、または本開示の各態様で説明する構成要素が実施する処理の一部を実施する構成要素と組み合わせて実施すること
　（６）実施の形態１の符号化装置または復号化装置が実施する方法に対して、当該方法に含まれる複数の処理のうち、本開示の各態様で説明する処理に対応する処理を、本開示の各態様で説明する処理に置き換えること
　（７）実施の形態１の符号化装置または復号化装置が実施する方法に含まれる複数の処理のうちの一部の処理を、本開示の各態様で説明する処理と組み合わせて実施すること
　なお、本開示の各態様で説明する処理および／または構成の実施の仕方は、上記の例に限定されるものではない。例えば、実施の形態１において開示する動画像／画像符号化装置または動画像／画像復号化装置とは異なる目的で利用される装置において実施されてもよいし、各態様において説明した処理および／または構成を単独で実施してもよい。また、異なる態様において説明した処理および／または構成を組み合わせて実施してもよい。
　［符号化装置の概要］
　まず、実施の形態１に係る符号化装置の概要を説明する。図１は、実施の形態１に係る符号化装置１００の機能構成を示すブロック図である。符号化装置１００は、動画像／画像をブロック単位で符号化する動画像／画像符号化装置である。
　図１に示すように、符号化装置１００は、画像をブロック単位で符号化する装置であって、分割部１０２と、減算部１０４と、変換部１０６と、量子化部１０８と、エントロピー符号化部１１０と、逆量子化部１１２と、逆変換部１１４と、加算部１１６と、ブロックメモリ１１８と、ループフィルタ部１２０と、フレームメモリ１２２と、イントラ予測部１２４と、インター予測部１２６と、予測制御部１２８と、を備える。
　符号化装置１００は、例えば、汎用プロセッサ及びメモリにより実現される。この場合、メモリに格納されたソフトウェアプログラムがプロセッサにより実行されたときに、プロセッサは、分割部１０２、減算部１０４、変換部１０６、量子化部１０８、エントロピー符号化部１１０、逆量子化部１１２、逆変換部１１４、加算部１１６、ループフィルタ部１２０、イントラ予測部１２４、インター予測部１２６及び予測制御部１２８として機能する。また、符号化装置１００は、分割部１０２、減算部１０４、変換部１０６、量子化部１０８、エントロピー符号化部１１０、逆量子化部１１２、逆変換部１１４、加算部１１６、ループフィルタ部１２０、イントラ予測部１２４、インター予測部１２６及び予測制御部１２８に対応する専用の１以上の電子回路として実現されてもよい。
　以下に、符号化装置１００に含まれる各構成要素について説明する。
　［分割部］
　分割部１０２は、入力動画像に含まれる各ピクチャを複数のブロックに分割し、各ブロックを減算部１０４に出力する。例えば、分割部１０２は、まず、ピクチャを固定サイズ（例えば１２８ｘ１２８）のブロックに分割する。この固定サイズのブロックは、符号化ツリーユニット（ＣＴＵ）と呼ばれることがある。そして、分割部１０２は、再帰的な四分木（ｑｕａｄｔｒｅｅ）及び／又は二分木（ｂｉｎａｒｙ　ｔｒｅｅ）ブロック分割に基づいて、固定サイズのブロックの各々を可変サイズ（例えば６４ｘ６４以下）のブロックに分割する。この可変サイズのブロックは、符号化ユニット（ＣＵ）、予測ユニット（ＰＵ）あるいは変換ユニット（ＴＵ）と呼ばれることがある。なお、本実施の形態では、ＣＵ、ＰＵ及びＴＵは区別される必要はなく、ピクチャ内の一部又はすべてのブロックがＣＵ、ＰＵ、ＴＵの処理単位となってもよい。
　図２は、実施の形態１におけるブロック分割の一例を示す図である。図２において、実線は四分木ブロック分割によるブロック境界を表し、破線は二分木ブロック分割によるブロック境界を表す。
　ここでは、ブロック１０は、１２８ｘ１２８画素の正方形ブロック（１２８ｘ１２８ブロック）である。この１２８ｘ１２８ブロック１０は、まず、４つの正方形の６４ｘ６４ブロックに分割される（四分木ブロック分割）。
　左上の６４ｘ６４ブロックは、さらに２つの矩形の３２ｘ６４ブロックに垂直に分割され、左の３２ｘ６４ブロックはさらに２つの矩形の１６ｘ６４ブロックに垂直に分割される（二分木ブロック分割）。その結果、左上の６４ｘ６４ブロックは、２つの１６ｘ６４ブロック１１、１２と、３２ｘ６４ブロック１３とに分割される。
　右上の６４ｘ６４ブロックは、２つの矩形の６４ｘ３２ブロック１４、１５に水平に分割される（二分木ブロック分割）。
　左下の６４ｘ６４ブロックは、４つの正方形の３２ｘ３２ブロックに分割される（四分木ブロック分割）。４つの３２ｘ３２ブロックのうち左上のブロック及び右下のブロックはさらに分割される。左上の３２ｘ３２ブロックは、２つの矩形の１６ｘ３２ブロックに垂直に分割され、右の１６ｘ３２ブロックはさらに２つの１６ｘ１６ブロックに水平に分割される（二分木ブロック分割）。右下の３２ｘ３２ブロックは、２つの３２ｘ１６ブロックに水平に分割される（二分木ブロック分割）。その結果、左下の６４ｘ６４ブロックは、１６ｘ３２ブロック１６と、２つの１６ｘ１６ブロック１７、１８と、２つの３２ｘ３２ブロック１９、２０と、２つの３２ｘ１６ブロック２１、２２とに分割される。
　右下の６４ｘ６４ブロック２３は分割されない。
　以上のように、図２では、ブロック１０は、再帰的な四分木及び二分木ブロック分割に基づいて、１３個の可変サイズのブロック１１～２３に分割される。このような分割は、ＱＴＢＴ（ｑｕａｄ－ｔｒｅｅ　ｐｌｕｓ　ｂｉｎａｒｙ　ｔｒｅｅ）分割と呼ばれることがある。
　なお、図２では、１つのブロックが４つ又は２つのブロックに分割されていたが（四分木又は二分木ブロック分割）、分割はこれに限定されない。例えば、１つのブロックが３つのブロックに分割されてもよい（三分木ブロック分割）。このような三分木ブロック分割を含む分割は、ＭＢＴ（ｍｕｌｔｉ　ｔｙｐｅ　ｔｒｅｅ）分割と呼ばれることがある。
　［減算部］
　減算部１０４は、分割部１０２によって分割されたブロック単位で原信号（原サンプル）から予測信号（予測サンプル）を減算する。つまり、減算部１０４は、符号化対象ブロック（以下、カレントブロックという）の予測誤差（残差ともいう）を算出する。そして、減算部１０４は、算出された予測誤差を変換部１０６に出力する。
　原信号は、符号化装置１００の入力信号であり、動画像を構成する各ピクチャの画像を表す信号（例えば輝度（ｌｕｍａ）信号及び２つの色差（ｃｈｒｏｍａ）信号）である。以下において、画像を表す信号をサンプルともいうこともある。
　［変換部］
　変換部１０６は、空間領域の予測誤差を周波数領域の変換係数に変換し、変換係数を量子化部１０８に出力する。具体的には、変換部１０６は、例えば空間領域の予測誤差に対して予め定められた離散コサイン変換（ＤＣＴ）又は離散サイン変換（ＤＳＴ）を行う。
　なお、変換部１０６は、複数の変換タイプの中から適応的に変換タイプを選択し、選択された変換タイプに対応する変換基底関数（ｔｒａｎｓｆｏｒｍ　ｂａｓｉｓ　ｆｕｎｃｔｉｏｎ）を用いて、予測誤差を変換係数に変換してもよい。このような変換は、ＥＭＴ（ｅｘｐｌｉｃｉｔ　ｍｕｌｔｉｐｌｅ　ｃｏｒｅ　ｔｒａｎｓｆｏｒｍ）又はＡＭＴ（ａｄａｐｔｉｖｅ　ｍｕｌｔｉｐｌｅ　ｔｒａｎｓｆｏｒｍ）と呼ばれることがある。
　複数の変換タイプは、例えば、ＤＣＴ－ＩＩ、ＤＣＴ－Ｖ、ＤＣＴ－ＶＩＩＩ、ＤＳＴ－Ｉ及びＤＳＴ－ＶＩＩを含む。図３は、各変換タイプに対応する変換基底関数を示す表である。図３においてＮは入力画素の数を示す。これらの複数の変換タイプの中からの変換タイプの選択は、例えば、予測の種類（イントラ予測及びインター予測）に依存してもよいし、イントラ予測モードに依存してもよい。
　このようなＥＭＴ又はＡＭＴを適用するか否かを示す情報（例えばＡＭＴフラグと呼ばれる）及び選択された変換タイプを示す情報は、ＣＵレベルで信号化される。なお、これらの情報の信号化は、ＣＵレベルに限定される必要はなく、他のレベル（例えば、シーケンスレベル、ピクチャレベル、スライスレベル、タイルレベル又はＣＴＵレベル）であってもよい。
　また、変換部１０６は、変換係数（変換結果）を再変換してもよい。このような再変換は、ＡＳＴ（ａｄａｐｔｉｖｅ　ｓｅｃｏｎｄａｒｙ　ｔｒａｎｓｆｏｒｍ）又はＮＳＳＴ（ｎｏｎ－ｓｅｐａｒａｂｌｅ　ｓｅｃｏｎｄａｒｙ　ｔｒａｎｓｆｏｒｍ）と呼ばれることがある。例えば、変換部１０６は、イントラ予測誤差に対応する変換係数のブロックに含まれるサブブロック（例えば４ｘ４サブブロック）ごとに再変換を行う。ＮＳＳＴを適用するか否かを示す情報及びＮＳＳＴに用いられる変換行列に関する情報は、ＣＵレベルで信号化される。なお、これらの情報の信号化は、ＣＵレベルに限定される必要はなく、他のレベル（例えば、シーケンスレベル、ピクチャレベル、スライスレベル、タイルレベル又はＣＴＵレベル）であってもよい。
　ここで、Ｓｅｐａｒａｂｌｅな変換とは、入力の次元の数だけ方向ごとに分離して複数回変換を行う方式であり、Ｎｏｎ－Ｓｅｐａｒａｂｌｅな変換とは、入力が多次元であった際に２つ以上の次元をまとめて１次元とみなして、まとめて変換を行う方式である。
　例えば、Ｎｏｎ－Ｓｅｐａｒａｂｌｅな変換の１例として、入力が４×４のブロックであった場合にはそれを１６個の要素を持ったひとつの配列とみなし、その配列に対して１６×１６の変換行列で変換処理を行うようなものが挙げられる。
　また、同様に４×４の入力ブロックを１６個の要素を持ったひとつの配列とみなした後に、その配列に対してＧｉｖｅｎｓ回転を複数回行うようなもの（Ｈｙｐｅｒｃｕｂｅ　Ｇｉｖｅｎｓ　Ｔｒａｎｓｆｏｒｍ）もＮｏｎ－Ｓｅｐａｒａｂｌｅな変換の例である。
　［量子化部］
　量子化部１０８は、変換部１０６から出力された変換係数を量子化する。具体的には、量子化部１０８は、カレントブロックの変換係数を所定の走査順序で走査し、走査された変換係数に対応する量子化パラメータ（ＱＰ）に基づいて当該変換係数を量子化する。そして、量子化部１０８は、カレントブロックの量子化された変換係数（以下、量子化係数という）をエントロピー符号化部１１０及び逆量子化部１１２に出力する。
　所定の順序は、変換係数の量子化／逆量子化のための順序である。例えば、所定の走査順序は、周波数の昇順（低周波から高周波の順）又は降順（高周波から低周波の順）で定義される。
　量子化パラメータとは、量子化ステップ（量子化幅）を定義するパラメータである。例えば、量子化パラメータの値が増加すれば量子化ステップも増加する。つまり、量子化パラメータの値が増加すれば量子化誤差が増大する。
　［エントロピー符号化部］
　エントロピー符号化部１１０は、量子化部１０８から入力である量子化係数を可変長符号化することにより符号化信号（符号化ビットストリーム）を生成する。具体的には、エントロピー符号化部１１０は、例えば、量子化係数を二値化し、二値信号を算術符号化する。
　［逆量子化部］
　逆量子化部１１２は、量子化部１０８からの入力である量子化係数を逆量子化する。具体的には、逆量子化部１１２は、カレントブロックの量子化係数を所定の走査順序で逆量子化する。そして、逆量子化部１１２は、カレントブロックの逆量子化された変換係数を逆変換部１１４に出力する。
　［逆変換部］
　逆変換部１１４は、逆量子化部１１２からの入力である変換係数を逆変換することにより予測誤差を復元する。具体的には、逆変換部１１４は、変換係数に対して、変換部１０６による変換に対応する逆変換を行うことにより、カレントブロックの予測誤差を復元する。そして、逆変換部１１４は、復元された予測誤差を加算部１１６に出力する。
　なお、復元された予測誤差は、量子化により情報が失われているので、減算部１０４が算出した予測誤差と一致しない。すなわち、復元された予測誤差には、量子化誤差が含まれている。
　［加算部］
　加算部１１６は、逆変換部１１４からの入力である予測誤差と予測制御部１２８からの入力である予測サンプルとを加算することによりカレントブロックを再構成する。そして、加算部１１６は、再構成されたブロックをブロックメモリ１１８及びループフィルタ部１２０に出力する。再構成ブロックは、ローカル復号ブロックと呼ばれることもある。
　［ブロックメモリ］
　ブロックメモリ１１８は、イントラ予測で参照されるブロックであって符号化対象ピクチャ（以下、カレントピクチャという）内のブロックを格納するための記憶部である。具体的には、ブロックメモリ１１８は、加算部１１６から出力された再構成ブロックを格納する。
　［ループフィルタ部］
　ループフィルタ部１２０は、加算部１１６によって再構成されたブロックにループフィルタを施し、フィルタされた再構成ブロックをフレームメモリ１２２に出力する。ループフィルタとは、符号化ループ内で用いられるフィルタ（インループフィルタ）であり、例えば、デブロッキング・フィルタ（ＤＦ）、サンプルアダプティブオフセット（ＳＡＯ）及びアダプティブループフィルタ（ＡＬＦ）などを含む。
　ＡＬＦでは、符号化歪みを除去するための最小二乗誤差フィルタが適用され、例えばカレントブロック内の２ｘ２サブブロックごとに、局所的な勾配（ｇｒａｄｉｅｎｔ）の方向及び活性度（ａｃｔｉｖｉｔｙ）に基づいて複数のフィルタの中から選択された１つのフィルタが適用される。
　具体的には、まず、サブブロック（例えば２ｘ２サブブロック）が複数のクラス（例えば１５又は２５クラス）に分類される。サブブロックの分類は、勾配の方向及び活性度に基づいて行われる。例えば、勾配の方向値Ｄ（例えば０～２又は０～４）と勾配の活性値Ａ（例えば０～４）とを用いて分類値Ｃ（例えばＣ＝５Ｄ＋Ａ）が算出される。そして、分類値Ｃに基づいて、サブブロックが複数のクラス（例えば１５又は２５クラス）に分類される。
　勾配の方向値Ｄは、例えば、複数の方向（例えば水平、垂直及び２つの対角方向）の勾配を比較することにより導出される。また、勾配の活性値Ａは、例えば、複数の方向の勾配を加算し、加算結果を量子化することにより導出される。
　このような分類の結果に基づいて、複数のフィルタの中からサブブロックのためのフィルタが決定される。
　ＡＬＦで用いられるフィルタの形状としては例えば円対称形状が利用される。図４Ａ～図４Ｃは、ＡＬＦで用いられるフィルタの形状の複数の例を示す図である。図４Ａは、５ｘ５ダイヤモンド形状フィルタを示し、図４Ｂは、７ｘ７ダイヤモンド形状フィルタを示し、図４Ｃは、９ｘ９ダイヤモンド形状フィルタを示す。フィルタの形状を示す情報は、ピクチャレベルで信号化される。なお、フィルタの形状を示す情報の信号化は、ピクチャレベルに限定される必要はなく、他のレベル（例えば、シーケンスレベル、スライスレベル、タイルレベル、ＣＴＵレベル又はＣＵレベル）であってもよい。
　ＡＬＦのオン／オフは、例えば、ピクチャレベル又はＣＵレベルで決定される。例えば、輝度についてはＣＵレベルでＡＬＦを適用するか否かが決定され、色差についてはピクチャレベルでＡＬＦを適用するか否かが決定される。ＡＬＦのオン／オフを示す情報は、ピクチャレベル又はＣＵレベルで信号化される。なお、ＡＬＦのオン／オフを示す情報の信号化は、ピクチャレベル又はＣＵレベルに限定される必要はなく、他のレベル（例えば、シーケンスレベル、スライスレベル、タイルレベル又はＣＴＵレベル）であってもよい。
　選択可能な複数のフィルタ（例えば１５又は２５までのフィルタ）の係数セットは、ピクチャレベルで信号化される。なお、係数セットの信号化は、ピクチャレベルに限定される必要はなく、他のレベル（例えば、シーケンスレベル、スライスレベル、タイルレベル、ＣＴＵレベル、ＣＵレベル又はサブブロックレベル）であってもよい。
　［フレームメモリ］
　フレームメモリ１２２は、インター予測に用いられる参照ピクチャを格納するための記憶部であり、フレームバッファと呼ばれることもある。具体的には、フレームメモリ１２２は、ループフィルタ部１２０によってフィルタされた再構成ブロックを格納する。
　［イントラ予測部］
　イントラ予測部１２４は、ブロックメモリ１１８に格納されたカレントピクチャ内のブロックを参照してカレントブロックのイントラ予測（画面内予測ともいう）を行うことで、予測信号（イントラ予測信号）を生成する。具体的には、イントラ予測部１２４は、カレントブロックに隣接するブロックのサンプル（例えば輝度値、色差値）を参照してイントラ予測を行うことでイントラ予測信号を生成し、イントラ予測信号を予測制御部１２８に出力する。
　例えば、イントラ予測部１２４は、予め規定された複数のイントラ予測モードのうちの１つを用いてイントラ予測を行う。複数のイントラ予測モードは、１以上の非方向性予測モードと、複数の方向性予測モードと、を含む。
　１以上の非方向性予測モードは、例えばＨ．２６５／ＨＥＶＣ（Ｈｉｇｈ－Ｅｆｆｉｃｉｅｎｃｙ　Ｖｉｄｅｏ　Ｃｏｄｉｎｇ）規格（非特許文献１）で規定されたＰｌａｎａｒ予測モード及びＤＣ予測モードを含む。
　複数の方向性予測モードは、例えばＨ．２６５／ＨＥＶＣ規格で規定された３３方向の予測モードを含む。なお、複数の方向性予測モードは、３３方向に加えてさらに３２方向の予測モード（合計で６５個の方向性予測モード）を含んでもよい。図５Ａは、イントラ予測における６７個のイントラ予測モード（２個の非方向性予測モード及び６５個の方向性予測モード）を示す図である。実線矢印は、Ｈ．２６５／ＨＥＶＣ規格で規定された３３方向を表し、破線矢印は、追加された３２方向を表す。
　なお、色差ブロックのイントラ予測において、輝度ブロックが参照されてもよい。つまり、カレントブロックの輝度成分に基づいて、カレントブロックの色差成分が予測されてもよい。このようなイントラ予測は、ＣＣＬＭ（ｃｒｏｓｓ－ｃｏｍｐｏｎｅｎｔ　ｌｉｎｅａｒ　ｍｏｄｅｌ）予測と呼ばれることがある。このような輝度ブロックを参照する色差ブロックのイントラ予測モード（例えばＣＣＬＭモードと呼ばれる）は、色差ブロックのイントラ予測モードの１つとして加えられてもよい。
　イントラ予測部１２４は、水平／垂直方向の参照画素の勾配に基づいてイントラ予測後の画素値を補正してもよい。このような補正をともなうイントラ予測は、ＰＤＰＣ（ｐｏｓｉｔｉｏｎ　ｄｅｐｅｎｄｅｎｔ　ｉｎｔｒａ　ｐｒｅｄｉｃｔｉｏｎ　ｃｏｍｂｉｎａｔｉｏｎ）と呼ばれることがある。ＰＤＰＣの適用の有無を示す情報（例えばＰＤＰＣフラグと呼ばれる）は、例えばＣＵレベルで信号化される。なお、この情報の信号化は、ＣＵレベルに限定される必要はなく、他のレベル（例えば、シーケンスレベル、ピクチャレベル、スライスレベル、タイルレベル又はＣＴＵレベル）であってもよい。
　［インター予測部］
　インター予測部１２６は、フレームメモリ１２２に格納された参照ピクチャであってカレントピクチャとは異なる参照ピクチャを参照してカレントブロックのインター予測（画面間予測ともいう）を行うことで、予測信号（インター予測信号）を生成する。インター予測は、カレントブロック又はカレントブロック内のサブブロック（例えば４ｘ４ブロック）の単位で行われる。例えば、インター予測部１２６は、カレントブロック又はサブブロックについて参照ピクチャ内で動き探索（ｍｏｔｉｏｎ　ｅｓｔｉｍａｔｉｏｎ）を行う。そして、インター予測部１２６は、動き探索により得られた動き情報（例えば動きベクトル）を用いて動き補償を行うことでカレントブロック又はサブブロックのインター予測信号を生成する。そして、インター予測部１２６は、生成されたインター予測信号を予測制御部１２８に出力する。
　動き補償に用いられた動き情報は信号化される。動きベクトルの信号化には、予測動きベクトル（ｍｏｔｉｏｎ　ｖｅｃｔｏｒ　ｐｒｅｄｉｃｔｏｒ）が用いられてもよい。つまり、動きベクトルと予測動きベクトルとの間の差分が信号化されてもよい。
　なお、動き探索により得られたカレントブロックの動き情報だけでなく、隣接ブロックの動き情報も用いて、インター予測信号が生成されてもよい。具体的には、動き探索により得られた動き情報に基づく予測信号と、隣接ブロックの動き情報に基づく予測信号と、を重み付け加算することにより、カレントブロック内のサブブロック単位でインター予測信号が生成されてもよい。このようなインター予測（動き補償）は、ＯＢＭＣ（ｏｖｅｒｌａｐｐｅｄ　ｂｌｏｃｋ　ｍｏｔｉｏｎ　ｃｏｍｐｅｎｓａｔｉｏｎ）と呼ばれることがある。
　このようなＯＢＭＣモードでは、ＯＢＭＣのためのサブブロックのサイズを示す情報（例えばＯＢＭＣブロックサイズと呼ばれる）は、シーケンスレベルで信号化される。また、ＯＢＭＣモードを適用するか否かを示す情報（例えばＯＢＭＣフラグと呼ばれる）は、ＣＵレベルで信号化される。なお、これらの情報の信号化のレベルは、シーケンスレベル及びＣＵレベルに限定される必要はなく、他のレベル（例えばピクチャレベル、スライスレベル、タイルレベル、ＣＴＵレベル又はサブブロックレベル）であってもよい。
　ＯＢＭＣモードについて、より具体的に説明する。図５Ｂ及び図５Ｃは、ＯＢＭＣ処理による予測画像補正処理の概要を説明するためのフローチャート及び概念図である。
　まず、符号化対象ブロックに割り当てられた動きベクトル（ＭＶ）を用いて通常の動き補償による予測画像（Ｐｒｅｄ）を取得する。
　次に、符号化済みの左隣接ブロックの動きベクトル（ＭＶ＿Ｌ）を符号化対象ブロックに適用して予測画像（Ｐｒｅｄ＿Ｌ）を取得し、前記予測画像とＰｒｅｄ＿Ｌとを重みを付けて重ね合わせることで予測画像の１回目の補正を行う。
　同様に、符号化済みの上隣接ブロックの動きベクトル（ＭＶ＿Ｕ）を符号化対象ブロックに適用して予測画像（Ｐｒｅｄ＿Ｕ）を取得し、前記１回目の補正を行った予測画像とＰｒｅｄ＿Ｕとを重みを付けて重ね合わせることで予測画像の２回目の補正を行い、それを最終的な予測画像とする。
　なお、ここでは左隣接ブロックと上隣接ブロックを用いた２段階の補正の方法を説明したが、右隣接ブロックや下隣接ブロックを用いて２段階よりも多い回数の補正を行う構成とすることも可能である。
　なお、重ね合わせを行う領域はブロック全体の画素領域ではなく、ブロック境界近傍の一部の領域のみであってもよい。
　なお、ここでは１枚の参照ピクチャからの予測画像補正処理について説明したが、複数枚の参照ピクチャから予測画像を補正する場合も同様であり、各々の参照ピクチャから補正した予測画像を取得した後に、得られた予測画像をさらに重ね合わせることで最終的な予測画像とする。
　なお、前記処理対象ブロックは、予測ブロック単位であっても、予測ブロックをさらに分割したサブブロック単位であってもよい。
　ＯＢＭＣ処理を適用するかどうかの判定の方法として、例えば、ＯＢＭＣ処理を適用するかどうかを示す信号であるｏｂｍｃ＿ｆｌａｇを用いる方法がある。具体的な一例としては、符号化装置において、符号化対象ブロックが動きの複雑な領域に属しているかどうかを判定し、動きの複雑な領域に属している場合はｏｂｍｃ＿ｆｌａｇとして値１を設定してＯＢＭＣ処理を適用して符号化を行い、動きの複雑な領域に属していない場合はｏｂｍｃ＿ｆｌａｇとして値０を設定してＯＢＭＣ処理を適用せずに符号化を行う。一方、復号化装置では、ストリームに記述されたｏｂｍｃ＿ｆｌａｇを復号化するとことで、その値に応じてＯＢＭＣ処理を適用するかどうかを切替えて復号化を行う。
　なお、動き情報は信号化されずに、復号装置側で導出されてもよい。例えば、Ｈ．２６５／ＨＥＶＣ規格で規定されたマージモードが用いられてもよい。また例えば、復号装置側で動き探索を行うことにより動き情報が導出されてもよい。この場合、カレントブロックの画素値を用いずに動き探索が行われる。
　ここで、復号装置側で動き探索を行うモードについて説明する。この復号装置側で動き探索を行うモードは、ＰＭＭＶＤ（ｐａｔｔｅｒｎ　ｍａｔｃｈｅｄ　ｍｏｔｉｏｎ　ｖｅｃｔｏｒ　ｄｅｒｉｖａｔｉｏｎ）モード又はＦＲＵＣ（ｆｒａｍｅ　ｒａｔｅ　ｕｐ－ｃｏｎｖｅｒｓｉｏｎ）モードと呼ばれることがある。
　ＦＲＵＣ処理の一例を図５Ｄに示す。まず、カレントブロックに空間的又は時間的に隣接する符号化済みブロックの動きベクトルを参照して、各々が予測動きベクトルを有する複数の候補のリスト（マージリストと共通であってもよい）が生成される。次に、候補リストに登録されている複数の候補ＭＶの中からベスト候補ＭＶを選択する。例えば、候補リストに含まれる各候補の評価値が算出され、評価値に基づいて１つの候補が選択される。
　そして、選択された候補の動きベクトルに基づいて、カレントブロックのための動きベクトルが導出される。具体的には、例えば、選択された候補の動きベクトル（ベスト候補ＭＶ）がそのままカレントブロックのための動きベクトルとして導出される。また例えば、選択された候補の動きベクトルに対応する参照ピクチャ内の位置の周辺領域において、パターンマッチングを行うことにより、カレントブロックのための動きベクトルが導出されてもよい。すなわち、ベスト候補ＭＶの周辺の領域に対して同様の方法で探索を行い、さらに評価値が良い値となるＭＶがあった場合は、ベスト候補ＭＶを前記ＭＶに更新して、それをカレントブロックの最終的なＭＶとしてもよい。なお、当該処理を実施しない構成とすることも可能である。
　サブブロック単位で処理を行う場合も全く同様の処理としてもよい。
　なお、評価値は、動きベクトルに対応する参照ピクチャ内の領域と、所定の領域との間のパターンマッチングによって再構成画像の差分値を求めることにより算出される。なお、差分値に加えてそれ以外の情報を用いて評価値を算出してもよい。
　パターンマッチングとしては、第１パターンマッチング又は第２パターンマッチングが用いられる。第１パターンマッチング及び第２パターンマッチングは、それぞれ、バイラテラルマッチング（ｂｉｌａｔｅｒａｌ　ｍａｔｃｈｉｎｇ）及びテンプレートマッチング（ｔｅｍｐｌａｔｅ　ｍａｔｃｈｉｎｇ）と呼ばれることがある。
　第１パターンマッチングでは、異なる２つの参照ピクチャ内の２つのブロックであってカレントブロックの動き軌道（ｍｏｔｉｏｎ　ｔｒａｊｅｃｔｏｒｙ）に沿う２つのブロックの間でパターンマッチングが行われる。したがって、第１パターンマッチングでは、上述した候補の評価値の算出のための所定の領域として、カレントブロックの動き軌道に沿う他の参照ピクチャ内の領域が用いられる。
　図６は、動き軌道に沿う２つのブロック間でのパターンマッチング（バイラテラルマッチング）の一例を説明するための図である。図６に示すように、第１パターンマッチングでは、カレントブロック（Ｃｕｒ　ｂｌｏｃｋ）の動き軌道に沿う２つのブロックであって異なる２つの参照ピクチャ（Ｒｅｆ０、Ｒｅｆ１）内の２つのブロックのペアの中で最もマッチするペアを探索することにより２つの動きベクトル（ＭＶ０、ＭＶ１）が導出される。具体的には、カレントブロックに対して、候補ＭＶで指定された第１の符号化済み参照ピクチャ（Ｒｅｆ０）内の指定位置における再構成画像と、前記候補ＭＶを表示時間間隔でスケーリングした対称ＭＶで指定された第２の符号化済み参照ピクチャ（Ｒｅｆ１）内の指定位置における再構成画像との差分を導出し、得られた差分値を用いて評価値を算出する。複数の候補ＭＶの中で最も評価値が良い値となる候補ＭＶを最終ＭＶとして選択するとよい。
　連続的な動き軌道の仮定の下では、２つの参照ブロックを指し示す動きベクトル（ＭＶ０、ＭＶ１）は、カレントピクチャ（Ｃｕｒ　Ｐｉｃ）と２つの参照ピクチャ（Ｒｅｆ０、Ｒｅｆ１）との間の時間的な距離（ＴＤ０、ＴＤ１）に対して比例する。例えば、カレントピクチャが時間的に２つの参照ピクチャの間に位置し、カレントピクチャから２つの参照ピクチャへの時間的な距離が等しい場合、第１パターンマッチングでは、鏡映対称な双方向の動きベクトルが導出される。
　第２パターンマッチングでは、カレントピクチャ内のテンプレート（カレントピクチャ内でカレントブロックに隣接するブロック（例えば上及び／又は左隣接ブロック））と参照ピクチャ内のブロックとの間でパターンマッチングが行われる。したがって、第２パターンマッチングでは、上述した候補の評価値の算出のための所定の領域として、カレントピクチャ内のカレントブロックに隣接するブロックが用いられる。
　図７は、カレントピクチャ内のテンプレートと参照ピクチャ内のブロックとの間でのパターンマッチング（テンプレートマッチング）の一例を説明するための図である。図７に示すように、第２パターンマッチングでは、カレントピクチャ（Ｃｕｒ　Ｐｉｃ）内でカレントブロック（Ｃｕｒ　ｂｌｏｃｋ）に隣接するブロックと最もマッチするブロックを参照ピクチャ（Ｒｅｆ０）内で探索することによりカレントブロックの動きベクトルが導出される。具体的には、カレントブロックに対して、左隣接および上隣接の両方もしくはどちらか一方の符号化済み領域の再構成画像と、候補ＭＶで指定された符号化済み参照ピクチャ（Ｒｅｆ０）内の同等位置における再構成画像との差分を導出し、得られた差分値を用いて評価値を算出し、複数の候補ＭＶの中で最も評価値が良い値となる候補ＭＶをベスト候補ＭＶとして選択するとよい。
　このようなＦＲＵＣモードを適用するか否かを示す情報（例えばＦＲＵＣフラグと呼ばれる）は、ＣＵレベルで信号化される。また、ＦＲＵＣモードが適用される場合（例えばＦＲＵＣフラグが真の場合）、パターンマッチングの方法（第１パターンマッチング又は第２パターンマッチング）を示す情報（例えばＦＲＵＣモードフラグと呼ばれる）がＣＵレベルで信号化される。なお、これらの情報の信号化は、ＣＵレベルに限定される必要はなく、他のレベル（例えば、シーケンスレベル、ピクチャレベル、スライスレベル、タイルレベル、ＣＴＵレベル又はサブブロックレベル）であってもよい。
　ここで、等速直線運動を仮定したモデルに基づいて動きベクトルを導出するモードについて説明する。このモードは、ＢＩＯ（ｂｉ－ｄｉｒｅｃｔｉｏｎａｌ　ｏｐｔｉｃａｌ　ｆｌｏｗ）モードと呼ばれることがある。
　図８は、等速直線運動を仮定したモデルを説明するための図である。図８において、（ｖｘ，ｖｙ）は、速度ベクトルを示し、τ０、τ１は、それぞれ、カレントピクチャ（Ｃｕｒ　Ｐｉｃ）と２つの参照ピクチャ（Ｒｅｆ０，Ｒｅｆ１）との間の時間的な距離を示す。（ＭＶｘ０，ＭＶｙ０）は、参照ピクチャＲｅｆ０に対応する動きベクトルを示し、（ＭＶｘ１、ＭＶｙ１）は、参照ピクチャＲｅｆ１に対応する動きベクトルを示す。
　このとき速度ベクトル（ｖｘ，ｖｙ）の等速直線運動の仮定の下では、（ＭＶｘ０，ＭＶｙ０）及び（ＭＶｘ１，ＭＶｙ１）は、それぞれ、（ｖｘτ０，ｖｙτ０）及び（－ｖｘτ１，－ｖｙτ１）と表され、以下のオプティカルフロー等式（１）が成り立つ。
Figure JPOXMLDOC01-appb-M000001
　ここで、Ｉ（ｋ）は、動き補償後の参照画像ｋ（ｋ＝０，１）の輝度値を示す。このオプティカルフロー等式は、（i）輝度値の時間微分と、（ii）水平方向の速度及び参照画像の空間勾配の水平成分の積と、（iii）垂直方向の速度及び参照画像の空間勾配の垂直成分の積と、の和が、ゼロと等しいことを示す。このオプティカルフロー等式とエルミート補間（Ｈｅｒｍｉｔｅ　ｉｎｔｅｒｐｏｌａｔｉｏｎ）との組み合わせに基づいて、マージリスト等から得られるブロック単位の動きベクトルが画素単位で補正される。
　なお、等速直線運動を仮定したモデルに基づく動きベクトルの導出とは異なる方法で、復号装置側で動きベクトルが導出されてもよい。例えば、複数の隣接ブロックの動きベクトルに基づいてサブブロック単位で動きベクトルが導出されてもよい。
　ここで、複数の隣接ブロックの動きベクトルに基づいてサブブロック単位で動きベクトルを導出するモードについて説明する。このモードは、アフィン動き補償予測（ａｆｆｉｎｅ　ｍｏｔｉｏｎ　ｃｏｍｐｅｎｓａｔｉｏｎ　ｐｒｅｄｉｃｔｉｏｎ）モードと呼ばれることがある。
　図９Ａは、複数の隣接ブロックの動きベクトルに基づくサブブロック単位の動きベクトルの導出を説明するための図である。図９Ａにおいて、カレントブロックは、１６の４ｘ４サブブロックを含む。ここでは、隣接ブロックの動きベクトルに基づいてカレントブロックの左上角制御ポイントの動きベクトルｖ０が導出され、隣接サブブロックの動きベクトルに基づいてカレントブロックの右上角制御ポイントの動きベクトルｖ１が導出される。そして、２つの動きベクトルｖ０及びｖ１を用いて、以下の式（２）により、カレントブロック内の各サブブロックの動きベクトル（ｖｘ，ｖｙ）が導出される。
Figure JPOXMLDOC01-appb-M000002
　ここで、ｘ及びｙは、それぞれ、サブブロックの水平位置及び垂直位置を示し、ｗは、予め定められた重み係数を示す。
　このようなアフィン動き補償予測モードでは、左上及び右上角制御ポイントの動きベクトルの導出方法が異なるいくつかのモードを含んでもよい。このようなアフィン動き補償予測モードを示す情報（例えばアフィンフラグと呼ばれる）は、ＣＵレベルで信号化される。なお、このアフィン動き補償予測モードを示す情報の信号化は、ＣＵレベルに限定される必要はなく、他のレベル（例えば、シーケンスレベル、ピクチャレベル、スライスレベル、タイルレベル、ＣＴＵレベル又はサブブロックレベル）であってもよい。
　［予測制御部］
　予測制御部１２８は、イントラ予測信号及びインター予測信号のいずれかを選択し、選択した信号を予測信号として減算部１０４及び加算部１１６に出力する。
　ここで、マージモードにより符号化対象ピクチャの動きベクトルを導出する例を説明する。図９Ｂは、マージモードによる動きベクトル導出処理の概要を説明するための図である。
　まず、予測ＭＶの候補を登録した予測ＭＶリストを生成する。予測ＭＶの候補としては、符号化対象ブロックの空間的に周辺に位置する複数の符号化済みブロックが持つＭＶである空間隣接予測ＭＶ、符号化済み参照ピクチャにおける符号化対象ブロックの位置を投影した近辺のブロックが持つＭＶである時間隣接予測ＭＶ、空間隣接予測ＭＶと時間隣接予測ＭＶのＭＶ値を組合わせて生成したＭＶである結合予測ＭＶ、および値がゼロのＭＶであるゼロ予測ＭＶ等がある。
　次に、予測ＭＶリストに登録されている複数の予測ＭＶの中から１つの予測ＭＶを選択することで、符号化対象ブロックのＭＶとして決定する。
　さらに可変長符号化部では、どの予測ＭＶを選択したかを示す信号であるｍｅｒｇｅ＿ｉｄｘをストリームに記述して符号化する。
　なお、図９Ｂで説明した予測ＭＶリストに登録する予測ＭＶは一例であり、図中の個数とは異なる個数であったり、図中の予測ＭＶの一部の種類を含まない構成であったり、図中の予測ＭＶの種類以外の予測ＭＶを追加した構成であったりしてもよい。
　なお、マージモードにより導出した符号化対象ブロックのＭＶを用いて、後述するＤＭＶＲ処理を行うことによって最終的なＭＶを決定してもよい。
　ここで、ＤＭＶＲ処理を用いてＭＶを決定する例について説明する。
　図９Ｃは、ＤＭＶＲ処理の概要を説明するための概念図である。
　まず、処理対象ブロックに設定された最適ＭＶＰを候補ＭＶとして、前記候補ＭＶに従って、Ｌ０方向の処理済みピクチャである第１参照ピクチャ、およびＬ１方向の処理済みピクチャである第２参照ピクチャから参照画素をそれぞれ取得し、各参照画素の平均をとることでテンプレートを生成する。
　次に、前記テンプレートを用いて、第１参照ピクチャおよび第２参照ピクチャの候補ＭＶの周辺領域をそれぞれ探索し、最もコストが最小となるＭＶを最終的なＭＶとして決定する。なお、コスト値はテンプレートの各画素値と探索領域の各画素値との差分値およびＭＶ値等を用いて算出する。
　なお、符号化装置および復号化装置では、ここで説明した処理の概要は基本的に共通である。
　なお、ここで説明した処理そのものでなくても、候補ＭＶの周辺を探索して最終的なＭＶを導出することができる処理であれば、他の処理を用いてもよい。
　ここで、ＬＩＣ処理を用いて予測画像を生成するモードについて説明する。
　図９Ｄは、ＬＩＣ処理による輝度補正処理を用いた予測画像生成方法の概要を説明するための図である。
　まず、符号化済みピクチャである参照ピクチャから符号化対象ブロックに対応する参照画像を取得するためのＭＶを導出する。
　次に、符号化対象ブロックに対して、左隣接および上隣接の符号化済み周辺参照領域の輝度画素値と、ＭＶで指定された参照ピクチャ内の同等位置における輝度画素値とを用いて、参照ピクチャと符号化対象ピクチャとで輝度値がどのように変化したかを示す情報を抽出して輝度補正パラメータを算出する。
　ＭＶで指定された参照ピクチャ内の参照画像に対して前記輝度補正パラメータを用いて輝度補正処理を行うことで、符号化対象ブロックに対する予測画像を生成する。
　なお、図９Ｄにおける前記周辺参照領域の形状は一例であり、これ以外の形状を用いてもよい。
　また、ここでは１枚の参照ピクチャから予測画像を生成する処理について説明したが、複数枚の参照ピクチャから予測画像を生成する場合も同様であり、各々の参照ピクチャから取得した参照画像に同様の方法で輝度補正処理を行ってから予測画像を生成する。
　ＬＩＣ処理を適用するかどうかの判定の方法として、例えば、ＬＩＣ処理を適用するかどうかを示す信号であるｌｉｃ＿ｆｌａｇを用いる方法がある。具体的な一例としては、符号化装置において、符号化対象ブロックが輝度変化が発生している領域に属しているかどうかを判定し、輝度変化が発生している領域に属している場合はｌｉｃ＿ｆｌａｇとして値１を設定してＬＩＣ処理を適用して符号化を行い、輝度変化が発生している領域に属していない場合はｌｉｃ＿ｆｌａｇとして値０を設定してＬＩＣ処理を適用せずに符号化を行う。一方、復号化装置では、ストリームに記述されたｌｉｃ＿ｆｌａｇを復号化するとことで、その値に応じてＬＩＣ処理を適用するかどうかを切替えて復号化を行う。
　ＬＩＣ処理を適用するかどうかの判定の別の方法として、例えば、周辺ブロックでＬＩＣ処理を適用したかどうかに従って判定する方法もある。具体的な一例としては、符号化対象ブロックがマージモードであった場合、マージモード処理におけるＭＶの導出の際に選択した周辺の符号化済みブロックがＬＩＣ処理を適用して符号化したかどうかを判定し、その結果に応じてＬＩＣ処理を適用するかどうかを切替えて符号化を行う。なお、この例の場合、復号化における処理も全く同様となる。
　［復号装置の概要］
　次に、上記の符号化装置１００から出力された符号化信号（符号化ビットストリーム）を復号可能な復号装置の概要について説明する。図１０は、実施の形態１に係る復号装置２００の機能構成を示すブロック図である。復号装置２００は、動画像／画像をブロック単位で復号する動画像／画像復号装置である。
　図１０に示すように、復号装置２００は、エントロピー復号部２０２と、逆量子化部２０４と、逆変換部２０６と、加算部２０８と、ブロックメモリ２１０と、ループフィルタ部２１２と、フレームメモリ２１４と、イントラ予測部２１６と、インター予測部２１８と、予測制御部２２０と、を備える。
　復号装置２００は、例えば、汎用プロセッサ及びメモリにより実現される。この場合、メモリに格納されたソフトウェアプログラムがプロセッサにより実行されたときに、プロセッサは、エントロピー復号部２０２、逆量子化部２０４、逆変換部２０６、加算部２０８、ループフィルタ部２１２、イントラ予測部２１６、インター予測部２１８及び予測制御部２２０として機能する。また、復号装置２００は、エントロピー復号部２０２、逆量子化部２０４、逆変換部２０６、加算部２０８、ループフィルタ部２１２、イントラ予測部２１６、インター予測部２１８及び予測制御部２２０に対応する専用の１以上の電子回路として実現されてもよい。
　以下に、復号装置２００に含まれる各構成要素について説明する。
　［エントロピー復号部］
　エントロピー復号部２０２は、符号化ビットストリームをエントロピー復号する。具体的には、エントロピー復号部２０２は、例えば、符号化ビットストリームから二値信号に算術復号する。そして、エントロピー復号部２０２は、二値信号を多値化（ｄｅｂｉｎａｒｉｚｅ）する。これにより、エントロピー復号部２０２は、ブロック単位で量子化係数を逆量子化部２０４に出力する。
　［逆量子化部］
　逆量子化部２０４は、エントロピー復号部２０２からの入力である復号対象ブロック（以下、カレントブロックという）の量子化係数を逆量子化する。具体的には、逆量子化部２０４は、カレントブロックの量子化係数の各々について、当該量子化係数に対応する量子化パラメータに基づいて当該量子化係数を逆量子化する。そして、逆量子化部２０４は、カレントブロックの逆量子化された量子化係数（つまり変換係数）を逆変換部２０６に出力する。
　［逆変換部］
　逆変換部２０６は、逆量子化部２０４からの入力である変換係数を逆変換することにより予測誤差を復元する。
　例えば符号化ビットストリームから読み解かれた情報がＥＭＴ又はＡＭＴを適用することを示す場合（例えばＡＭＴフラグが真）、逆変換部２０６は、読み解かれた変換タイプを示す情報に基づいてカレントブロックの変換係数を逆変換する。
　また例えば、符号化ビットストリームから読み解かれた情報がＮＳＳＴを適用することを示す場合、逆変換部２０６は、変換係数に逆再変換を適用する。
　［加算部］
　加算部２０８は、逆変換部２０６からの入力である予測誤差と予測制御部２２０からの入力である予測サンプルとを加算することによりカレントブロックを再構成する。そして、加算部２０８は、再構成されたブロックをブロックメモリ２１０及びループフィルタ部２１２に出力する。
　［ブロックメモリ］
　ブロックメモリ２１０は、イントラ予測で参照されるブロックであって復号対象ピクチャ（以下、カレントピクチャという）内のブロックを格納するための記憶部である。具体的には、ブロックメモリ２１０は、加算部２０８から出力された再構成ブロックを格納する。
　［ループフィルタ部］
　ループフィルタ部２１２は、加算部２０８によって再構成されたブロックにループフィルタを施し、フィルタされた再構成ブロックをフレームメモリ２１４及び表示装置等に出力する。
　符号化ビットストリームから読み解かれたＡＬＦのオン／オフを示す情報がＡＬＦのオンを示す場合、局所的な勾配の方向及び活性度に基づいて複数のフィルタの中から１つのフィルタが選択され、選択されたフィルタが再構成ブロックに適用される。
　［フレームメモリ］
　フレームメモリ２１４は、インター予測に用いられる参照ピクチャを格納するための記憶部であり、フレームバッファと呼ばれることもある。具体的には、フレームメモリ２１４は、ループフィルタ部２１２によってフィルタされた再構成ブロックを格納する。
　［イントラ予測部］
　イントラ予測部２１６は、符号化ビットストリームから読み解かれたイントラ予測モードに基づいて、ブロックメモリ２１０に格納されたカレントピクチャ内のブロックを参照してイントラ予測を行うことで、予測信号（イントラ予測信号）を生成する。具体的には、イントラ予測部２１６は、カレントブロックに隣接するブロックのサンプル（例えば輝度値、色差値）を参照してイントラ予測を行うことでイントラ予測信号を生成し、イントラ予測信号を予測制御部２２０に出力する。
　なお、色差ブロックのイントラ予測において輝度ブロックを参照するイントラ予測モードが選択されている場合は、イントラ予測部２１６は、カレントブロックの輝度成分に基づいて、カレントブロックの色差成分を予測してもよい。
　また、符号化ビットストリームから読み解かれた情報がＰＤＰＣの適用を示す場合、イントラ予測部２１６は、水平／垂直方向の参照画素の勾配に基づいてイントラ予測後の画素値を補正する。
　［インター予測部］
　インター予測部２１８は、フレームメモリ２１４に格納された参照ピクチャを参照して、カレントブロックを予測する。予測は、カレントブロック又はカレントブロック内のサブブロック（例えば４ｘ４ブロック）の単位で行われる。例えば、インター予測部２１８は、符号化ビットストリームから読み解かれた動き情報（例えば動きベクトル）を用いて動き補償を行うことでカレントブロック又はサブブロックのインター予測信号を生成し、インター予測信号を予測制御部２２０に出力する。
　なお、符号化ビットストリームから読み解かれた情報がＯＢＭＣモードを適用することを示す場合、インター予測部２１８は、動き探索により得られたカレントブロックの動き情報だけでなく、隣接ブロックの動き情報も用いて、インター予測信号を生成する。
　また、符号化ビットストリームから読み解かれた情報がＦＲＵＣモードを適用することを示す場合、インター予測部２１８は、符号化ストリームから読み解かれたパターンマッチングの方法（バイラテラルマッチング又はテンプレートマッチング）に従って動き探索を行うことにより動き情報を導出する。そして、インター予測部２１８は、導出された動き情報を用いて動き補償を行う。
　また、インター予測部２１８は、ＢＩＯモードが適用される場合に、等速直線運動を仮定したモデルに基づいて動きベクトルを導出する。また、符号化ビットストリームから読み解かれた情報がアフィン動き補償予測モードを適用することを示す場合には、インター予測部２１８は、複数の隣接ブロックの動きベクトルに基づいてサブブロック単位で動きベクトルを導出する。
　［予測制御部］
　予測制御部２２０は、イントラ予測信号及びインター予測信号のいずれかを選択し、選択した信号を予測信号として加算部２０８に出力する。
　（実施の形態２）
　上記実施の形態における符号化装置および復号装置は、ＢＩＯモードによって、輝度の予測画像を生成する。本実施の形態における符号化装置および復号装置は、ＢＩＯモードによって、輝度の予測画像だけでなく、色差の予測画像も生成する。ここで、色差の予測画像を、輝度の予測画像と同様にＢＩＯモードによって生成すると、処理負担が多くなる。そこで、本実施の形態における符号化装置および復号装置は、ＢＩＯモードによる輝度の予測画像の生成に用いられた輝度に関するパラメータを、色差の予測画像の生成に利用する。これにより、色差の予測画像の予測精度を向上しながら、符号化装置および復号装置のそれぞれの構成を簡略化し、処理負担を軽減することができる。
　なお、上述の輝度の予測画像および色差の予測画像は、符号化または復号の処理対象ブロック（すなわち予測ブロック）の２つの動きベクトルと２つの参照ピクチャを用いた動き補償によって得られる予測画像とは異なる。つまり、上述の輝度の予測画像および色差の予測画像はそれぞれ、動き補償によって得られる予測画像を用いて生成され、処理対象ブロックの符号化または復号のために、その処理対象ブロックに対して減算または加算される画像である。以下、上述の輝度の予測画像および色差の予測画像を、動き補償によって得られる予測画像と区別して、それぞれ輝度の最終予測画像および色差の最終予測画像という。
　また、本実施の形態における符号化装置１００および復号装置２００は、実施の形態１と同様に、図１および図１０に示す構成をそれぞれ有する。しかし、本実施の形態における符号化装置１００のインター予測部１２６は、実施の形態１と異なり、ＢＩＯモードによる輝度の最終予測画像の生成に用いられた輝度のパラメータを、色差の最終予測画像の生成に利用する。同様に、本実施の形態における復号装置２００のインター予測部２１８は、実施の形態１と異なり、ＢＩＯモードによる輝度の最終予測画像の生成に用いられた輝度のパラメータを、色差の最終予測画像の生成に利用する。なお、復号装置２００のインター予測部２１８によるＢＩＯモードでの最終予測画像の生成は、符号化装置１００のインター予測部１２６によるＢＩＯモードでの最終予測画像の生成と同様である。したがって、復号装置２００のインター予測部２１８によるＢＩＯモードでの最終予測画像の生成の詳細な説明を省略し、符号化装置１００のインター予測部１２６によるＢＩＯモードでの最終予測画像の生成について、以下、詳細に説明する。
　［ＢＩＯモードでの最終予測画像の生成］
　図１１は、インター予測部１２６によって行われるＢＩＯモードでの最終予測画像の生成処理を示す概念図である。
　インター予測部１２６は、処理対象ブロックの２つの動きベクトルであるＬ０動きベクトル（ＭＶ＿Ｌ０）およびＬ１動きベクトル（ＭＶ＿Ｌ１）を導出する。なお、処理対象ブロックは、最終予測画像の生成の対象となって符号化されるブロックであって、例えば予測ブロックである。
　Ｌ０動きベクトル（ＭＶ＿Ｌ０）は、処理済みピクチャであるＬ０参照ピクチャを参照するための動きベクトルであり、Ｌ１動きベクトル（ＭＶ＿Ｌ１）は、処理済みピクチャであるＬ１参照ピクチャを参照するための動きベクトルである。Ｌ０参照ピクチャおよびＬ１参照ピクチャは、処理対象ブロックの双予測処理において同時に参照される２つの参照ピクチャである。なお、上述の処理済みピクチャは、符号化装置１００によって処理された符号化済みピクチャである。また、インター予測部１２６は、Ｌ０動きベクトル（ＭＶ＿Ｌ０）およびＬ１動きベクトル（ＭＶ＿Ｌ１）を、通常画面間予測モード、マージモードまたはＦＲＵＣモードなどによって導出してもよい。例えば、通常画面間予測モードでは、インター予測部１２６は、処理対象ブロックの画像を用いた動き検出または動き推定を行うことによって、Ｌ０動きベクトル（ＭＶ＿Ｌ０）およびＬ１動きベクトル（ＭＶ＿Ｌ１）を導出する。これらの動きベクトルの情報は符号化される。また、通常画面間予測モードでは、復号装置２００は、符号化された動きベクトルの情報を復号することにより、それらの動きベクトルを導出する。
　次に、インター予測部１２６は、Ｌ０参照ピクチャを参照し、Ｌ０動きベクトル（ＭＶ＿Ｌ０）を用いて処理対象ブロックの動き補償を行うことにより、Ｌ０予測画像を取得する。例えば、インター予測部１２６は、Ｌ０動きベクトル（ＭＶ＿Ｌ０）によって処理対象ブロックからＬ０参照ピクチャにおいて指し示されるブロックと、その周辺とを含むＬ０参照画素範囲の画像に対して、動き補償フィルタを適用する。これにより、Ｌ０予測画像が取得される。
　また、インター予測部１２６は、Ｌ０予測画像の各画素における輝度の空間的な勾配を示すＬ０勾配画像を算出する。例えば、インター予測部１２６は、Ｌ０動きベクトル（ＭＶ＿Ｌ０）によって処理対象ブロックからＬ０参照ピクチャにおいて指し示されるブロックと、その周辺とを含むＬ０参照画素範囲における各画素の輝度を参照して、Ｌ０勾配画像を算出する。
　次に、インター予測部１２６は、Ｌ１参照ピクチャを参照し、Ｌ１動きベクトル（ＭＶ＿Ｌ１）を用いて処理対象ブロックの動き補償を行うことにより、Ｌ１予測画像を取得する。例えば、インター予測部１２６は、Ｌ１動きベクトル（ＭＶ＿Ｌ１）によって処理対象ブロックからＬ１参照ピクチャにおいて指し示されるブロックと、その周辺とを含むＬ１参照画素範囲の画像に対して、動き補償フィルタを適用する。これにより、Ｌ１予測画像が取得される。
　また、インター予測部１２６は、Ｌ１予測画像の各画素における輝度の空間的な勾配を示すＬ１勾配画像を算出する。例えば、インター予測部１２６は、Ｌ１動きベクトル（ＭＶ＿Ｌ１）によって処理対象ブロックからＬ１参照ピクチャにおいて指し示されるブロックと、その周辺とを含むＬ１参照画素範囲における各画素の輝度を参照して、Ｌ１勾配画像を算出する。
　次に、インター予測部１２６は、処理対象ブロックの各画素位置について、局所動き推定値を算出する。具体的には、その際、インター予測部１２６は、Ｌ０予測画像における各画素位置の輝度値と、Ｌ０勾配画像における各画素位置の輝度の勾配値と、Ｌ１予測画像における各画素位置の輝度値と、Ｌ１勾配画像における各画素位置の輝度の勾配値とを用いる。このような局所動き推定値は、輝度の局所動き推定値である。また、局所動き推定値は、補正動きベクトル（補正ＭＶ）とも称され得る。
　次に、インター予測部１２６は、処理対象ブロックの各画素位置について、Ｌ０勾配画像における対象画素位置の輝度の勾配値、Ｌ１勾配画像における対象画素位置の輝度の勾配値、および、対象画素位置の局所動き推定値を用いて、輝度補正値を導出する。そして、インター予測部１２６は、処理対象ブロックの各画素位置について、Ｌ０予測画像における対象画素位置の輝度値、Ｌ１予測画像における対象画素位置の輝度値、および、輝度補正値を用いて、最終予測輝度値を導出する。このような最終予測輝度値が処理対象ブロックの各画素位置に対して導出されることによって、ＢＩＯモードが適用された輝度の最終予測画像が導出される。
　つまり、Ｌ０予測画像における対象画素位置の輝度値と、Ｌ１予測画像における対象画素位置の輝度値とによって得られる予測輝度値が、輝度補正値によって補正される。さらに言い換えれば、Ｌ０予測画像およびＬ１予測画像によって得られる予測画像が、Ｌ０予測画像およびＬ１予測画像における輝度の空間的な勾配を用いて補正される。
　なお、局所動き推定値および輝度補正値の導出では、具体的には、以下の式（３）が用いられてもよい。
Figure JPOXMLDOC01-appb-M000003
　式（３）において、Ｉｘ ０［ｘ，ｙ］は、Ｌ０勾配画像の画素位置［ｘ，ｙ］における水平方向の輝度の勾配値である。Ｉｘ １［ｘ，ｙ］は、Ｌ１勾配画像の画素位置［ｘ，ｙ］における水平方向の輝度の勾配値である。Ｉｙ ０［ｘ，ｙ］は、Ｌ０勾配画像の画素位置［ｘ，ｙ］における垂直方向の輝度の勾配値である。Ｉｙ １［ｘ，ｙ］は、Ｌ１勾配画像の画素位置［ｘ，ｙ］における垂直方向の輝度の勾配値である。
　また、式（３）において、Ｉ０［ｘ，ｙ］は、Ｌ０予測画像の画素位置［ｘ，ｙ］における輝度値である。Ｉ１［ｘ，ｙ］は、Ｌ１予測画像の画素位置［ｘ，ｙ］における輝度値である。ΔＩ［ｘ，ｙ］は、Ｌ０予測画像の画素位置［ｘ，ｙ］における輝度値と、Ｌ１予測画像の画素位置［ｘ，ｙ］における輝度値との差分である。
　また、式（３）において、Ωは、例えば、画素位置［ｘ，ｙ］を中心に有する領域に含まれる画素位置の集合である。ｗ［ｉ，ｊ］は、画素位置［ｉ，ｊ］に対する重み係数である。ｗ［ｉ，ｊ］には、同一の値が用いられてもよい。Ｇｘ［ｘ，ｙ］、Ｇｙ［ｘ，ｙ］、ＧｘＧｙ［ｘ，ｙ］、ｓＧｘＧｙ［ｘ，ｙ］、ｓＧｘ ２［ｘ，ｙ］、ｓＧｙ ２［ｘ，ｙ］、ｓＧｘｄＩ［ｘ，ｙ］及びｓＧｙｄＩ［ｘ，ｙ］等は、補助的な算出値である。
　また、式（３）において、ｕ［ｘ，ｙ］は、画素位置［ｘ，ｙ］における輝度の局所動き推定値を構成する水平方向の値である。ｖ［ｘ，ｙ］は、画素位置［ｘ，ｙ］における輝度の局所動き推定値を構成する垂直方向の値である。ｂ［ｘ，ｙ］は、画素位置［ｘ，ｙ］における輝度補正値である。ｐ［ｘ，ｙ］は、画素位置［ｘ，ｙ］における最終予測輝度値である。
　このように、本実施の形態におけるインター予測部１２６は、ＢＩＯモードによる画面間予測では、まず、処理対象ブロックの２つの動きベクトルを用いた動き補償によって、２つの参照ピクチャから２つの予測画像を取得する。次に、インター予測部１２６は、その２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値を、２つの参照ピクチャのそれぞれにおける当該画素位置の周辺にある画素を参照することによって導出する。次に、インター予測部１２６は、処理対象ブロックの画素位置ごとに、当該画素位置に対応する、その２つの予測画像のそれぞれにおける輝度値および輝度の勾配値を用いて、輝度の局所動き推定値を導出する。そして、インター予測部１２６は、その２つの予測画像のそれぞれにおける画素位置ごとの輝度値および輝度の勾配値と、処理対象ブロックにおける画素位置ごとの輝度の局所動き推定値とを用いて、輝度の最終予測画像を生成する。
　ここで、ＢＩＯモードによって、輝度の最終予測画像だけでなく、色差の最終予測画像も生成する場合には、処理負担が増大する。そこで、本実施の形態におけるインター予測部１２６は、ＢＩＯモードによる輝度の最終予測画像の生成のために導出された輝度のパラメータを、ＢＩＯモードによる色差の最終予測画像の生成に利用する。つまり、ＢＩＯモードによる色差の最終予測画像の生成に、輝度のパラメータが流用される。その輝度のパラメータは、２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値と、処理対象ブロックにおける画素位置ごとの輝度の局所動き推定値と、のうちの少なくとも一方である。これにより、処理負担の増大を抑えることができる。
　［輝度の勾配値および局所推定値を利用］
　例えば、インター予測部１２６は、輝度の勾配値および局所動き推定値の両方を、ＢＩＯモードによる色差の最終予測画像の生成に流用する。
　図１２は、インター予測部１２６によって行われるＢＩＯモードの動作の一例を示すフローチャートである。
　まず、インター予測部１２６は、Ｌ０参照ピクチャに対してステップＳ１０１～Ｓ１０３の処理を行う。例えば、インター予測部１２６は、Ｌ０参照ピクチャに対する処理では、処理対象ブロックである予測ブロックのＬ０動きベクトル（ＭＶ）を導出する（ステップＳ１０１）。次に、インター予測部１２６は、その導出されたＬ０動きベクトルとＬ０参照ピクチャを用いた動き補償によってＬ０予測画像を取得する（ステップＳ１０２）。そして、インター予測部１２６は、そのＬ０予測画像における画素位置ごとの輝度の勾配値を導出する（ステップＳ１０３）。この画素位置ごとの輝度の勾配値から、輝度のＬ０勾配画像が構成される。
　インター予測部１２６は、Ｌ１参照ピクチャに対しても、Ｌ０参照ピクチャと同様に、ステップＳ１０１～Ｓ１０３を行う。これにより、インター予測部１２６は、Ｌ１予測画像を取得し、さらに、そのＬ１予測画像における画素位置ごとの輝度の勾配値、すなわちＬ１勾配画像を導出する。
　次に、インター予測部１２６は、処理対象が輝度であるか、色差であるかを判定する（ステップＳ１０４）。例えば、インター予測部１２６は、ステップＳ１０４の判定を最初に行う場合には、処理対象が輝度であると判定し、ステップＳ１０４の判定を再び行う場合には、処理対象が色差であると判定する。
　ここで、インター予測部１２６は、処理対象が輝度であると判定すると（ステップＳ１０４の輝度）、処理対象ブロックである予測ブロックにおける複数の画素位置のそれぞれに対して、ステップＳ１０５およびＳ１０６の処理を行う。
　つまり、インター予測部１２６は、例えば上記式（３）にしたがって、対象画素位置における輝度の局所動き推定値ｕ［ｘ，ｙ］およびｖ［ｘ，ｙ］を導出する（ステップＳ１０５）。さらに、インター予測部１２６は、その対象画素位置における最終予測輝度値ｐ［ｘ，ｙ］を生成する（ステップＳ１０６）。この最終予測輝度値ｐ［ｘ，ｙ］の生成には、Ｌ０予測画像およびＬ１予測画像のそれぞれの対象画素位置における輝度値Ｉ０［ｘ，ｙ］およびＩ１［ｘ，ｙ］と、輝度の勾配値Ｉｘ ０［ｘ，ｙ］、Ｉｙ ０［ｘ，ｙ］、Ｉｘ １［ｘ，ｙ］、およびＩｙ １［ｘ，ｙ］と、その対象画素位置における輝度の局所動き推定値ｕ［ｘ，ｙ］およびｖ［ｘ，ｙ］とが用いられる。
　インター予測部１２６は、このようなステップＳ１０４およびＳ１０５の処理を各画素位置に対して行うことによって、各画素位置の最終予測輝度値からなる輝度の最終予測画像を生成する。
　次に、インター予測部１２６は、輝度および色差のそれぞれの最終予測画像の生成が終了したか否かを判定する（ステップＳ１０９）。ここで、インター予測部１２６は、終了していないと判定すると（ステップＳ１０９のＮｏ）、ステップＳ１０４からの処理を繰り返し実行する。
　そして、インター予測部１２６は、２回目のステップＳ１０４において、処理対象が色差であると判定すると（ステップＳ１０４の色差）、処理対象ブロックである予測ブロックにおける複数の画素位置のそれぞれに対して処理を行う。つまり、インター予測部１２６は、予測ブロックにおける複数の画素位置のそれぞれに対して、ステップＳ１０７およびＳ１０８の処理を行う。
　具体的には、インター予測部１２６は、対象画素位置における輝度の勾配値および局所動き推定値から、対象画素位置における色差の勾配値および局所動き推定値を生成する（ステップＳ１０７）。
　例えば、インター予測部１２６は、Ｃ＝α×Ｌ＋βによって、色差の勾配値および局所動き推定値を算出してもよい。ＣおよびＬは、色差の勾配値および輝度の勾配値をそれぞれ示す。または、ＣおよびＬは、色差の局所動き推定値および輝度の局所動き推定値をそれぞれ示す。αおよびβは、それぞれ任意に決定される実数である。例えば、αおよびβは、予測の精度が高くなるように決定される。また、インター予測部１２６は、輝度の勾配値および局所動き推定値を、そのまま色差の勾配値および局所動き推定値として用いてもよい。この場合、上記Ｃ＝α×Ｌ＋βにおいて、αおよびβは、α＝１およびβ＝０である。また、この場合には、予測の精度を高める処理、すなわち、予測誤差を最小化する処理を行う場合と比べて、処理負担を削減することができる可能性がある。
　さらに、インター予測部１２６は、例えば上記式（３）にしたがって、対象画素位置における最終予測色差ｐ［ｘ，ｙ］を生成する（ステップＳ１０８）。この最終予測色差ｐ［ｘ，ｙ］の生成には、Ｌ０予測画像およびＬ１予測画像のそれぞれの対象画素位置における色差Ｉ０［ｘ，ｙ］およびＩ１［ｘ，ｙ］と、Ｌ０勾配画像およびＬ１勾配画像のそれぞれの対象画素位置における色差の勾配値Ｉｘ ０［ｘ，ｙ］、Ｉｙ ０［ｘ，ｙ］、Ｉｘ １［ｘ，ｙ］、およびＩｙ １［ｘ，ｙ］と、その対象画素位置における色差の局所動き推定値ｕ［ｘ，ｙ］およびｖ［ｘ，ｙ］とが用いられる。なお、色差の勾配値Ｉｘ ０［ｘ，ｙ］、Ｉｙ ０［ｘ，ｙ］、Ｉｘ １［ｘ，ｙ］、およびＩｙ １［ｘ，ｙ］と、色差の局所動き推定値ｕ［ｘ，ｙ］およびｖ［ｘ，ｙ］とは、上述のように、輝度の勾配値および輝度の局所動き推定値から生成された値であって、輝度の勾配値および輝度の局所動き推定値と同一であってもよい。
　インター予測部１２６は、このようなステップＳ１０７およびＳ１０８の処理を各画素位置に対して行うことによって、各画素位置の最終予測色差ｐ［ｘ，ｙ］からなる色差の最終予測画像を生成する。
　このように、図１２に示す例では、インター予測部１２６は、輝度の勾配値および局所動き推定値の両方を、ＢＩＯモードによる色差の最終予測画像の生成に流用する。つまり、図１２に示す例では、インター予測部１２６は、２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値、および、処理対象ブロックにおける画素位置ごとの輝度の局所動き推定値と、２つの予測画像のそれぞれにおける画素位置ごとの色差とを用いて、色差の最終予測画像を生成する。
　これにより、色差の最終予測画像の生成に、２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値と、処理対象ブロックにおける画素位置ごとの輝度の局所動き推定値とが、色差の勾配値および局所動き推定値の代わりに用いられる。したがって、２つの予測画像のそれぞれにおける画素位置ごとの色差の勾配値と、処理対象ブロックにおける画素位置ごとの色差の局所動き推定値とを、色差に基づいて導出する処理を、色差の最終予測画像の生成から省くことができる。その結果、符号化装置の処理負担を軽減し、符号化装置の構成を簡略化することができる可能性がある。
　つまり、ＢＩＯモードによって、輝度の最終予測画像だけでなく、色差の最終予測画像も生成する場合には、処理負担が増大するが、その処理負担の増大を抑えることができる。さらに、輝度の最終予測画像から色差の最終予測画像を直接生成することなく、輝度の勾配値および輝度の局所動き推定値を用いて、色差の最終予測画像が生成されるため、色差の最終予測画像の予測精度の低下を抑えることができる。
　［輝度の勾配値を利用］
　インター予測部１２６は、輝度の勾配値および局所動き推定値のうちの輝度の勾配値のみを、ＢＩＯモードによる色差の最終予測画像の生成に流用してもよい。
　図１３は、インター予測部１２６によって行われるＢＩＯモードの動作の他の例を示すフローチャートである。
　まず、インター予測部１２６は、図１２に示す例と同様に、ステップＳ１０１～Ｓ１０３の処理をＬ０参照ピクチャおよびＬ１参照ピクチャに対して行う。これにより、インター予測部１２６は、Ｌ０予測画像およびＬ１予測画像を取得する。さらに、インター予測部１２６は、そのＬ０予測画像およびＬ１予測画像のそれぞれにおける画素位置ごとの輝度の勾配値、すなわちＬ０勾配画像およびＬ１勾配画像を導出する。
　次に、インター予測部１２６は、処理対象が輝度であるか、色差であるかを判定する（ステップＳ１０４）。
　例えば、インター予測部１２６は、処理対象が輝度であると判定すると（ステップＳ１０４の輝度）、処理対象ブロックである予測ブロックにおける複数の画素位置のそれぞれに対して、ステップＳ１０５およびＳ１０６の処理を行う。
　つまり、インター予測部１２６は、例えば上記式（３）にしたがって、対象画素位置における輝度の局所動き推定値ｕ［ｘ，ｙ］およびｖ［ｘ，ｙ］を導出する（ステップＳ１０５）。さらに、インター予測部１２６は、その対象画素位置における最終予測輝度値ｐ［ｘ，ｙ］を生成する（ステップＳ１０６）。インター予測部１２６は、このようなステップＳ１０４およびＳ１０５の処理を各画素位置に対して行うことによって、各画素位置の最終予測輝度値からなる輝度の最終予測画像を生成する。
　次に、インター予測部１２６は、輝度および色差のそれぞれの最終予測画像の生成が終了したか否かを判定する（ステップＳ１０９）。ここで、インター予測部１２６は、終了していないと判定すると（ステップＳ１０９のＮｏ）、ステップＳ１０４からの処理を繰り返し実行する。
　インター予測部１２６は、２回目のステップＳ１０４では、１回目のステップＳ０１４の判定結果と異なるように、例えば、処理対象が色差であると判定する（ステップＳ１０４の色差）。このとき、インター予測部１２６は、処理対象ブロックである予測ブロックにおける複数の画素位置のそれぞれに対して処理を行う。つまり、インター予測部１２６は、予測ブロックにおける複数の画素位置のそれぞれに対して、ステップＳ１１１～Ｓ１１３の処理を行う。
　具体的には、インター予測部１２６は、Ｌ０予測画像およびＬ１予測画像のそれぞれについて、対象画素位置に対応する範囲における画素位置ごとの輝度の勾配値から、その範囲における画素位置ごとの色差の勾配値を生成する（ステップＳ１１１）。例えば、インター予測部１２６は、上述と同様に、Ｃ＝α×Ｌ＋βによって、輝度の勾配値から色差の勾配値を算出してもよい。
　次に、インター予測部１２６は、例えば上記（３）にしたがって、対象画素位置における色差の局所動き推定値ｕ［ｘ，ｙ］およびｖ［ｘ，ｙ］を導出する（ステップＳ１１２）。この対象画素位置における色差の局所動き推定値ｕ［ｘ，ｙ］およびｖ［ｘ，ｙ］の生成には、上記式（３）に示すように、対象画素位置に対応する集合Ωの範囲における画素位置ごとの、色差Ｉ０［ｉ，ｊ］およびＩ１［ｉ，ｊ］と、ステップＳ１１１で生成された色差の勾配値Ｉｘ ０［ｉ，ｊ］、Ｉｙ ０［ｉ，ｊ］、Ｉｘ １［ｉ，ｊ］、およびＩｙ １［ｉ，ｊ］とが用いられる。
　さらに、インター予測部１２６は、上記式（３）にしたがって、対象画素位置における最終予測色差ｐ［ｘ，ｙ］を生成する（ステップＳ１１３）。この最終予測色差ｐ［ｘ，ｙ］の生成には、Ｌ０予測画像およびＬ１予測画像のそれぞれの対象画素位置における色差Ｉ０［ｘ，ｙ］およびＩ１［ｘ，ｙ］と、ステップＳ１１１で生成された、対象画素位置における色差の勾配値Ｉｘ ０［ｘ，ｙ］、Ｉｙ ０［ｘ，ｙ］、Ｉｘ １［ｘ，ｙ］、およびＩｙ １［ｘ，ｙ］と、ステップＳ１１２で生成された、その対象画素位置における色差の局所動き推定値ｕ［ｘ，ｙ］およびｖ［ｘ，ｙ］とが用いられる。なお、色差の勾配値Ｉｘ ０［ｘ，ｙ］、Ｉｙ ０［ｘ，ｙ］、Ｉｘ １［ｘ，ｙ］、およびＩｙ １［ｘ，ｙ］は、上述のように、輝度の勾配値から生成された値であって、輝度の勾配値と同一であってもよい。
　インター予測部１２６は、このようなステップＳ１１１～Ｓ１１３の処理を各画素位置に対して行うことによって、各画素位置の最終予測色差ｐ［ｘ，ｙ］からなる色差の最終予測画像を生成する。
　このように、図１３に示す例では、インター予測部１２６は、輝度の勾配値および局所動き推定値のうちの輝度の勾配のみを、ＢＩＯモードによる色差の最終予測画像の生成に流用する。
　つまり、本実施の形態におけるインター予測部１２６は、画面間予測では、処理対象ブロックの画素位置ごとに、当該画素位置に対応する、２つの予測画像のそれぞれにおける色差、および、２つの予測画像のそれぞれにおける輝度の勾配値を用いて、色差の局所動き推定値を導出する。そして、インター予測部１２６は、色差の最終予測画像の生成では、２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値と、処理対象ブロックにおける画素位置ごとの色差の局所動き推定値と、２つの予測画像のそれぞれにおける画素位置ごとの色差とを用いて、色差の最終予測画像を生成する。
　これにより、色差の最終予測画像の生成に、２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値が、色差の勾配値の代わりに用いられる。したがって、色差に基づいて２つの予測画像のそれぞれにおける画素位置ごとの色差の勾配値を導出する処理を、色差の最終予測画像の生成から省くことができる。その結果、符号化装置の処理負担を軽減し、符号化装置の構成を簡略化することができる可能性がある。
　また、本実施の形態におけるインター予測部１２６は、色差の最終予測画像の生成では、Ｌが輝度の勾配値を示し、Ｃが色差の勾配値を示し、αおよびβが実数を示す場合、Ｃ＝α×Ｌ＋βによって、色差の勾配値を算出する。そして、インター予測部１２６は、輝度の勾配値を用いて算出された色差の勾配値に基づいて、色差の最終予測画像を生成する。
　これにより、色差の勾配値を輝度の勾配値から適切に算出することができる。その結果、色差の最終予測画像の予測誤差を少なくすることができ、符号化効率の向上を図ることができる可能性がある。
　［輝度の局所動き推定値を利用］
　インター予測部１２６は、輝度の勾配値および局所動き推定値のうちの輝度の局所動き推定値のみを、ＢＩＯモードによる色差の最終予測画像の生成に流用してもよい。
　図１４は、インター予測部１２６によって行われるＢＩＯモードの動作の他の例を示すフローチャートである。
　まず、インター予測部１２６は、図１２および図１３に示す例と同様に、ステップＳ１０１～Ｓ１０３の処理をＬ０参照ピクチャおよびＬ１参照ピクチャに対して行う。これにより、インター予測部１２６は、Ｌ０予測画像およびＬ１予測画像を取得する。さらに、インター予測部１２６は、そのＬ０予測画像およびＬ１予測画像のそれぞれにおける画素位置ごとの輝度の勾配値、すなわちＬ０勾配画像およびＬ１勾配画像を導出する。
　次に、インター予測部１２６は、処理対象が輝度であるか、色差であるかを判定する（ステップＳ１０４）。例えば、インター予測部１２６は、最初にステップＳ１０４の判定を行う場合には、処理対象が輝度であると判定し、再びステップＳ１０４の判定を行う場合には、処理対象が色差であると判定する。
　ここで、インター予測部１２６は、処理対象が輝度であると判定すると（ステップＳ１０４の輝度）、処理対象ブロックである予測ブロックにおける複数の画素位置のそれぞれに対して、ステップＳ１０５およびＳ１０６の処理を行う。
　つまり、インター予測部１２６は、例えば上記式（３）にしたがって、対象画素位置における輝度の局所動き推定値ｕ［ｘ，ｙ］およびｖ［ｘ，ｙ］を導出する（ステップＳ１０５）。さらに、インター予測部１２６は、その対象画素位置における最終予測輝度値ｐ［ｘ，ｙ］を生成する（ステップＳ１０６）。インター予測部１２６は、このようなステップＳ１０４およびＳ１０５の処理を各画素位置に対して行うことによって、各画素位置の最終予測輝度値からなる輝度の最終予測画像を生成する。
　次に、インター予測部１２６は、輝度および色差のそれぞれの最終予測画像の生成が終了したか否かを判定する（ステップＳ１０９）。ここで、インター予測部１２６は、終了していないと判定すると（ステップＳ１０９のＮｏ）、ステップＳ１０４からの処理を繰り返し実行する。
　そして、インター予測部１２６は、２回目のステップＳ１０４において、処理対象が色差であると判定すると（ステップＳ１０４の色差）、処理対象ブロックである予測ブロックにおける複数の画素位置のそれぞれに対して処理を行う。つまり、インター予測部１２６は、予測ブロックにおける複数の画素位置のそれぞれに対して、ステップＳ１２１～Ｓ１２３の処理を行う。
　具体的には、インター予測部１２６は、対象画素位置における輝度の局所動き推定値から、その対象画素位置における色差の局所動き推定値を生成する（ステップＳ１２１）。例えば、インター予測部１２６は、上述と同様に、Ｃ＝α×Ｌ＋βによって、輝度の局所動き推定値から色差の局所動き推定値を算出してもよい。
　次に、インター予測部１２６は、Ｌ０予測画像およびＬ１予測画像のそれぞれにおける対象画素位置に対応する色差の勾配値を導出する（ステップＳ１２２）。さらに、インター予測部１２６は、上記式（３）にしたがって、対象画素位置における最終予測色差ｐ［ｘ，ｙ］を生成する（ステップＳ１２３）。この最終予測色差ｐ［ｘ，ｙ］の生成には、Ｌ０予測画像およびＬ１予測画像のそれぞれの対象画素位置における色差Ｉ０［ｘ，ｙ］およびＩ１［ｘ，ｙ］と、ステップＳ１２２で導出された対象画素位置に対応する色差の勾配値Ｉｘ ０［ｘ，ｙ］、Ｉｙ ０［ｘ，ｙ］、Ｉｘ １［ｘ，ｙ］、およびＩｙ １［ｘ，ｙ］と、ステップＳ１２１で生成された対象画素位置における色差の局所動き推定値ｕ［ｘ，ｙ］およびｖ［ｘ，ｙ］とが用いられる。なお、色差の局所動き推定値ｕ［ｘ，ｙ］およびｖ［ｘ，ｙ］は、上述のように、輝度の局所動き推定値から生成された値であって、輝度の局所動き推定値と同一であってもよい。
　インター予測部１２６は、このようなステップＳ１２１～Ｓ１２３の処理を各画素位置に対して行うことによって、各画素位置の最終予測色差ｐ［ｘ，ｙ］からなる色差の最終予測画像を生成する。
　このように、図１４に示す例では、インター予測部１２６は、輝度の勾配値および局所動き推定値のうちの輝度の局所動き推定値のみを、ＢＩＯモードによる色差の最終予測画像の生成に流用する。
　つまり、本実施の形態におけるインター予測部１２６は、画面間予測では、２つの予測画像のそれぞれにおける画素位置ごとの色差の勾配値を、２つの参照ピクチャのそれぞれにおける当該画素位置の周辺にある画素を参照することによって導出する。そして、インター予測部１２６は、色差の最終予測画像の生成では、２つの予測画像のそれぞれにおける画素位置ごとの前記色差の勾配値と、処理対象ブロックにおける画素位置ごとの輝度の局所動き推定値と、２つの予測画像のそれぞれにおける画素位置ごとの色差とを用いて、色差の最終予測画像を生成する。
　これにより、色差の最終予測画像の生成に、処理対象ブロックにおける画素位置ごとの輝度の局所動き推定値が、色差の局所動き推定値の代わりに用いられる。したがって、色差に基づいて処理対象ブロックにおける画素位置ごとの色差の局所動き推定値を算出する処理を、色差の最終予測画像の生成から省くことができる。その結果、符号化装置の処理負担を軽減し、符号化装置の構成を簡略化することができる可能性がある。
　また、本実施の形態におけるインター予測部１２６は、色差の最終予測画像の生成では、Ｌが輝度の局所動き推定値を示し、Ｃが色差の局所動き推定値を示し、αおよびβが実数を示す場合、Ｃ＝α×Ｌ＋βによって、色差の局所動き推定値を算出する。そして、インター予測部１２６は、輝度の局所動き推定値を用いて算出された色差の局所動き推定値に基づいて、色差の最終予測画像を生成する。
　これにより、色差の局所動き推定値を、輝度の局所動き推定値から適切に算出することができる。その結果、色差の最終予測画像の予測誤差を少なくすることができ、符号化効率の向上を図ることができる可能性がある。
　以上、本実施の形態における符号化装置１００では、インター予測部１２６は、図１１～図１４に示す例のとおり、輝度のパラメータを色差のパラメータに利用したＢＩＯモードによる画面間予測を行う。また、本実施の形態における復号装置２００のインター予測部２１８も、インター予測部１２６と同様に、輝度のパラメータを色差のパラメータに利用したＢＩＯモードによる画面間予測を行う。なお、復号装置２００のインター予測部２１８がＢＩＯモードによって輝度の最終予測画像および色差の最終予測画像を生成する場合、処理対象ブロックは、復号される予測ブロックである。
　これにより、本実施の形態では、２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値と、処理対象ブロックにおける画素位置ごとの輝度の局所動き推定値と、のうちの少なくとも一方を用いて、色差の最終予測画像が生成される。つまり、色差の最終予測画像の生成に、２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値が、色差の勾配値の代わりに用いられる。または、色差の最終予測画像の生成に、処理対象ブロックにおける画素位置ごとの輝度の局所動き推定値が、色差の局所動き推定値の代わりに用いられる。または、色差の最終予測画像の生成に、２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値と、処理対象ブロックにおける画素位置ごとの輝度の局所動き推定値とが、色差の勾配値および局所動き推定値の代わりに用いられる。
　したがって、２つの予測画像のそれぞれにおける画素位置ごとの色差の勾配値と、処理対象ブロックにおける画素位置ごとの色差の局所動き推定値と、のうちの少なくとも一方を色差に基づいて導出する処理を、色差の最終予測画像の生成から省くことができる。その結果、符号化装置の処理負担を軽減し、符号化装置の構成を簡略化することができる可能性がある。つまり、ＢＩＯモードによって、輝度の最終予測画像だけでなく、色差の最終予測画像も生成する場合には、処理負担が増大するが、その処理負担の増大を抑えることができる。さらに、輝度の最終予測画像から色差の最終予測画像を直接生成することなく、輝度の勾配値および輝度の局所動き推定値のうちの少なくとも一方を用いて、色差の最終予測画像が生成されるため、色差の最終予測画像の予測精度の低下を抑えることができる。
　［変形例］
　また、上記実施の形態において、インター予測部１２６は、画素毎に、局所動き推定値を導出しているが、画素よりも粗く処理対象ブロックよりも細かい画像データ単位であるサブブロック毎に、局所動き推定値を導出してもよい。
　例えば、上記の式（３）において、Ωが、サブブロックに含まれる画素位置の集合であってもよい。そして、ｓＧｘＧｙ［ｘ，ｙ］、ｓＧｘ２［ｘ，ｙ］、ｓＧｙ２［ｘ，ｙ］、ｓＧｘｄＩ［ｘ，ｙ］、ｓＧｙｄＩ［ｘ，ｙ］、ｕ［ｘ，ｙ］およびｖ［ｘ，ｙ］が、画素毎ではなく、サブブロック毎に算出されてもよい。
　また、符号化装置１００および復号装置２００は、共通のＢＩＯモードを適用することができる。つまり、符号化装置１００および復号装置２００は、同じ方法でＢＩＯモードを適用することができる。
　なお、４：２：０方式などのように、色差の解像度と輝度の解像度とが異なる場合がある。この場合、インター予測部１２６は、色差の解像度と輝度の解像度とを整合させ、その輝度のパラメータを色差のパラメータに用いてもよい。パラメータは、勾配値および局所動き推定値のうちの少なくとも１つである。例えば、インター予測部１２６は、色差の画素位置に対応する、輝度の複数の画素位置のそれぞれにおけるパラメータを空間的に平均化することによって、色差の解像度と輝度の解像度とを整合させてもよい。または、インター予測部１２６は、輝度のパラメータをスケーリングし、そのスケーリングされたパラメータを色差のパラメータに用いてもよい。
　また、インター予測部１２６は、色差の最終予測画像を生成するときには、輝度の勾配値および局所動き推定値のうちの何れか一方のみを用いてもよく、両方を用いてもよい。つまり、インター予測部１２６は、輝度の局所動き推定値を用いずに色差の局所動き推定値を導出してもよく、輝度の勾配値を用いずに色差の勾配値を取得してもよい。
　また、色差がＣｒおよびＣｂからなる場合、インター予測部１２６は、ＣｒおよびＣｂに対して共通のパラメータを導出してもよく、互いに異なるパラメータを独立に導出してもよい。また、インター予測部１２６は、輝度のパラメータから、ＣｒおよびＣｂの両方のパラメータを予測してもよい。あるいは、インター予測部１２６は、まず、輝度のパラメータから、Ｃｂのパラメータを予測し、その後に、ＣｂのパラメータからＣｒのパラメータを予測してもよい。これとは逆に、インター予測部１２６は、まず、輝度のパラメータから、Ｃｒのパラメータを予測し、その後に、ＣｒのパラメータからＣｂのパラメータを予測してもよい。
　なお、本実施の形態では、画像が輝度と色差から構成される形式、すなわち、ＹＵＶ形式の画像に対して画面間予測を行うが、このような形式以外の画像に対して画面間予測を行ってもよい。例えば、画像の形式は、ＲＧＢ形式またはＨＳＶ形式などであってもよい。このような場合、インター予測部１２６は、輝度のパラメータから色差のパラメータを生成するのではなく、例えば、ＲのパラメータからＧのパラメータを生成してもよく、ＨのパラメータからＳのパラメータを生成してもよい。
　［実装例］
　図１５Ａは、実施の形態２における符号化装置の実装例を示すブロック図である。符号化装置１ａは、処理回路２ａおよびメモリ３ａを備える。例えば、図１に示された符号化装置１００の複数の構成要素は、図１５Ａに示された処理回路２ａおよびメモリ３ａによって実装される。
　処理回路２ａは、情報処理を行う回路であり、メモリ３ａにアクセス可能な回路である。例えば、処理回路２ａは、動画像を符号化する専用又は汎用の電子回路である。処理回路２ａは、ＣＰＵのようなプロセッサであってもよい。また、処理回路２ａは、複数の電子回路の集合体であってもよい。また、例えば、処理回路２ａは、図１に示された符号化装置１００の複数の構成要素のうち、情報を記憶するための構成要素を除く、複数の構成要素の役割を果たしてもよい。
　メモリ３ａは、処理回路２ａが動画像を符号化するための情報が記憶される汎用又は専用のメモリである。メモリ３ａは、電子回路であってもよく、処理回路２ａに接続されていてもよい。また、メモリ３ａは、処理回路２ａに含まれていてもよい。また、メモリ３ａは、複数の電子回路の集合体であってもよい。また、メモリ３ａは、磁気ディスク又は光ディスク等であってもよいし、ストレージ又は記録媒体等と表現されてもよい。また、メモリ３ａは、不揮発性メモリでもよいし、揮発性メモリでもよい。
　例えば、メモリ３ａには、符号化される動画像が記憶されてもよいし、符号化された動画像に対応するビット列が記憶されてもよい。また、メモリ３ａには、処理回路２ａが動画像を符号化するためのプログラムが記憶されていてもよい。
　また、例えば、メモリ３ａは、図１に示された符号化装置１００の複数の構成要素のうち、情報を記憶するための構成要素の役割を果たしてもよい。具体的には、メモリ３ａは、図１に示されたブロックメモリ１１８及びフレームメモリ１２２の役割を果たしてもよい。より具体的には、メモリ３ａには、処理済みサブブロック、処理済みブロック及び処理済みピクチャ等が記憶されてもよい。
　なお、符号化装置１００において、図１に示された複数の構成要素の全てが実装されなくてもよいし、上述された複数の処理の全てが行われなくてもよい。図１に示された複数の構成要素の一部は、他の装置に含まれていてもよいし、上述された複数の処理の一部は、他の装置によって実行されてもよい。
　図１５Ｂは、処理回路２ａおよびメモリ３ａを備えた符号化装置１ａの処理動作を示すフローチャートである。
　処理回路２ａは、メモリ３ａを用いて、まず、処理対象ブロックに対して画面間予測を行うことによって輝度の最終予測画像および色差の最終予測画像を生成する（ステップＳ１０ａ）。次に、処理回路２ａは、その処理対象ブロックを、輝度の最終予測画像および色差の最終予測画像を用いて符号化する（ステップＳ２０ａ）。ここで、処理回路２ａは、ステップＳ１０ａの画面間予測の処理では、処理対象ブロックの２つの動きベクトルを用いた動き補償によって、２つの参照ピクチャから２つの予測画像を取得する（ステップＳ１１ａ）。次に、処理回路２ａは、その２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値を、２つの参照ピクチャのそれぞれにおける当該画素位置の周辺にある画素を参照することによって導出する（ステップＳ１２ａ）。次に、処理回路２ａは、その処理対象ブロックの画素位置ごとに、当該画素位置に対応する、２つの予測画像のそれぞれにおける輝度値および輝度の勾配値を用いて、輝度の局所動き推定値を導出する（ステップＳ１３ａ）。次に、処理回路２ａは、２つの予測画像のそれぞれにおける画素位置ごとの輝度値および輝度の勾配値と、処理対象ブロックにおける画素位置ごとの輝度の局所動き推定値とを用いて、輝度の最終予測画像を生成する（ステップＳ１４ａ）。そして、処理回路２ａは、２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値、および、処理対象ブロックにおける画素位置ごとの輝度の局所動き推定値、のうちの少なくとも一方と、２つの予測画像のそれぞれにおける画素位置ごとの色差とを用いて、色差の最終予測画像を生成する（ステップＳ１５ａ）。
　これにより、２つの予測画像のそれぞれにおける画素位置ごとの色差の勾配値と、処理対象ブロックにおける画素位置ごとの色差の局所動き推定値と、のうちの少なくとも一方を色差に基づいて導出する処理を、色差の最終予測画像の生成から省くことができる。その結果、符号化装置１ａの処理負担を軽減し、符号化装置１ａの構成を簡略化することができる可能性がある。
　図１５Ｃは、実施の形態２における復号装置の実装例を示すブロック図である。復号装置１ｂは、処理回路２ｂおよびメモリ３ｂを備える。例えば、図１０に示された復号装置２００の複数の構成要素は、図１５Ｃに示された処理回路２ｂおよびメモリ３ｂによって実装される。
　処理回路２ｂは、情報処理を行う回路であり、メモリ３ｂにアクセス可能な回路である。例えば、処理回路２ｂは、動画像を復号する汎用又は専用の電子回路である。処理回路２ｂは、ＣＰＵのようなプロセッサであってもよい。また、処理回路２ｂは、複数の電子回路の集合体であってもよい。また、例えば、処理回路２ｂは、図１０に示された復号装置２００の複数の構成要素のうち、情報を記憶するための構成要素を除く、複数の構成要素の役割を果たしてもよい。
　メモリ３ｂは、処理回路２ｂが動画像を復号するための情報が記憶される汎用又は専用のメモリである。メモリ３ｂは、電子回路であってもよく、処理回路２ｂに接続されていてもよい。また、メモリ３ｂは、処理回路２ｂに含まれていてもよい。また、メモリ３ｂは、複数の電子回路の集合体であってもよい。また、メモリ３ｂは、磁気ディスク又は光ディスク等であってもよいし、ストレージ又は記録媒体等と表現されてもよい。また、メモリ３ｂは、不揮発性メモリでもよいし、揮発性メモリでもよい。
　例えば、メモリ３ｂには、符号化された動画像に対応するビット列が記憶されてもよいし、復号されたビット列に対応する動画像が記憶されてもよい。また、メモリ３ｂには、処理回路２ｂが動画像を復号するためのプログラムが記憶されていてもよい。
　また、例えば、メモリ３ｂは、図１０に示された復号装置２００の複数の構成要素のうち、情報を記憶するための構成要素の役割を果たしてもよい。具体的には、メモリ３ｂは、図１０に示されたブロックメモリ２１０及びフレームメモリ２１４の役割を果たしてもよい。より具体的には、メモリ３ｂには、処理済みサブブロック、処理済みブロック及び処理済みピクチャ等が記憶されてもよい。
　なお、復号装置２００において、図１０に示された複数の構成要素の全てが実装されなくてもよいし、上述された複数の処理の全てが行われなくてもよい。図１０に示された複数の構成要素の一部は、他の装置に含まれていてもよいし、上述された複数の処理の一部は、他の装置によって実行されてもよい。
　図１５Ｄは、処理回路２ｂおよびメモリ３ｂを備えた復号装置１ｂの処理動作を示すフローチャートである。
　処理回路２ｂは、メモリ３ｂを用いて、まず、処理対象ブロックに対して画面間予測を行うことによって輝度の最終予測画像および色差の最終予測画像を生成する（ステップＳ１０ｂ）。次に、処理回路２ｂは、その処理対象ブロックを、輝度の最終予測画像および色差の最終予測画像を用いて復号する（ステップＳ２０ｂ）。ここで、処理回路２ｂは、ステップＳ１０ｂの画面間予測の処理では、処理対象ブロックの２つの動きベクトルを用いた動き補償によって、２つの参照ピクチャから２つの予測画像を取得する（ステップＳ１１ｂ）。次に、処理回路２ｂは、その２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値を、２つの参照ピクチャのそれぞれにおける当該画素位置の周辺にある画素を参照することによって導出する（ステップＳ１２ｂ）。次に、処理回路２ｂは、その処理対象ブロックの画素位置ごとに、当該画素位置に対応する、２つの予測画像のそれぞれにおける輝度値および輝度の勾配値を用いて、輝度の局所動き推定値を導出する（ステップＳ１３ｂ）。次に、処理回路２ｂは、２つの予測画像のそれぞれにおける画素位置ごとの輝度値および輝度の勾配値と、処理対象ブロックにおける画素位置ごとの輝度の局所動き推定値とを用いて、輝度の最終予測画像を生成する（ステップＳ１４ｂ）。そして、処理回路２ｂは、２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値、および、処理対象ブロックにおける画素位置ごとの輝度の局所動き推定値、のうちの少なくとも一方と、２つの予測画像のそれぞれにおける画素位置ごとの色差とを用いて、色差の最終予測画像を生成する（ステップＳ１５ｂ）。
　これにより、復号装置１ｂにおいても、符号化装置１ａと同様の効果を奏する。つまり、２つの予測画像のそれぞれにおける画素位置ごとの色差の勾配値と、処理対象ブロックにおける画素位置ごとの色差の局所動き推定値と、のうちの少なくとも一方を色差に基づいて導出する処理を、色差の最終予測画像の生成から省くことができる。その結果、復号装置１ｂの処理負担を軽減し、符号化装置１ａの構成を簡略化することができる可能性がある。
　［補足］
　上記各実施の形態における符号化装置及び復号装置は、それぞれ、画像符号化装置及び画像復号装置として利用されてもよいし、動画像符号化装置及び動画像復号装置として利用されてもよい。
　また、上記各実施の形態において、各構成要素は、専用のハードウェアで構成されるか、各構成要素に適したソフトウェアプログラムを実行することによって実現されてもよい。各構成要素は、ＣＰＵ又はプロセッサなどのプログラム実行部が、ハードディスク又は半導体メモリなどの記録媒体に記録されたソフトウェアプログラムを読み出して実行することによって実現されてもよい。
　具体的には、符号化装置及び復号装置のそれぞれは、処理回路（Ｐｒｏｃｅｓｓｉｎｇ　Ｃｉｒｃｕｉｔｒｙ）と、当該処理回路に電気的に接続された、当該処理回路からアクセス可能な記憶装置（Ｓｔｏｒａｇｅ）とを備えていてもよい。
　処理回路は、専用のハードウェア及びプログラム実行部の少なくとも一方を含み、記憶装置を用いて処理を実行する。また、記憶装置は、処理回路がプログラム実行部を含む場合には、当該プログラム実行部により実行されるソフトウェアプログラムを記憶する。
　ここで、上記各実施の形態の符号化装置又は復号装置などを実現するソフトウェアは、次のようなプログラムである。
　すなわち、このプログラムは、コンピュータに、図５Ｂ、図５Ｄ、図１２～図１４、図１５Ｂおよび図１５Ｄのうちの何れかに示すフローチャートにしたがった処理を実行させる。
　また、各構成要素は、上述の通り、回路であってもよい。これらの回路は、全体として１つの回路を構成してもよいし、それぞれ別々の回路であってもよい。また、各構成要素は、汎用的なプロセッサで実現されてもよいし、専用のプロセッサで実現されてもよい。
　また、特定の構成要素が実行する処理を別の構成要素が実行してもよい。また、処理を実行する順番が変更されてもよいし、複数の処理が並行して実行されてもよい。また、符号化復号装置が、符号化装置及び復号装置を備えていてもよい。
　説明に用いられた第１及び第２等の序数は、適宜、付け替えられてもよい。また、構成要素などに対して、序数が新たに与えられてもよいし、取り除かれてもよい。
　以上、符号化装置及び復号装置の態様について、各実施の形態に基づいて説明したが、符号化装置及び復号装置の態様は、これらの実施の形態に限定されるものではない。本開示の趣旨を逸脱しない限り、当業者が思いつく各種変形を実施の形態に施したものや、異なる実施の形態における構成要素を組み合わせて構築される形態も、符号化装置及び復号装置の態様の範囲内に含まれてもよい。
　［他の態様との組合せ］
　本態様を本開示における他の態様の少なくとも一部と組み合わせて実施してもよい。また、本態様のフローチャートに記載の一部の処理、装置の一部の構成、シンタックスの一部などを他の態様と組み合わせて実施してもよい。
　（実施の形態３）
　以上の各実施の形態において、機能ブロックの各々は、通常、ＭＰＵ及びメモリ等によって実現可能である。また、機能ブロックの各々による処理は、通常、プロセッサなどのプログラム実行部が、ＲＯＭ等の記録媒体に記録されたソフトウェア（プログラム）を読み出して実行することで実現される。当該ソフトウェアはダウンロード等により配布されてもよいし、半導体メモリなどの記録媒体に記録して配布されてもよい。なお、各機能ブロックをハードウェア（専用回路）によって実現することも、当然、可能である。
　また、各実施の形態において説明した処理は、単一の装置（システム）を用いて集中処理することによって実現してもよく、又は、複数の装置を用いて分散処理することによって実現してもよい。また、上記プログラムを実行するプロセッサは、単数であってもよく、複数であってもよい。すなわち、集中処理を行ってもよく、又は分散処理を行ってもよい。
　本開示の態様は、以上の実施例に限定されることなく、種々の変更が可能であり、それらも本開示の態様の範囲内に包含される。
　さらにここで、上記各実施の形態で示した動画像符号化方法（画像符号化方法）又は動画像復号化方法（画像復号方法）の応用例とそれを用いたシステムを説明する。当該システムは、画像符号化方法を用いた画像符号化装置、画像復号方法を用いた画像復号装置、及び両方を備える画像符号化復号装置を有することを特徴とする。システムにおける他の構成について、場合に応じて適切に変更することができる。
　［使用例］
　図１６は、コンテンツ配信サービスを実現するコンテンツ供給システムｅｘ１００の全体構成を示す図である。通信サービスの提供エリアを所望の大きさに分割し、各セル内にそれぞれ固定無線局である基地局ｅｘ１０６、ｅｘ１０７、ｅｘ１０８、ｅｘ１０９、ｅｘ１１０が設置されている。
　このコンテンツ供給システムｅｘ１００では、インターネットｅｘ１０１に、インターネットサービスプロバイダｅｘ１０２又は通信網ｅｘ１０４、及び基地局ｅｘ１０６～ｅｘ１１０を介して、コンピュータｅｘ１１１、ゲーム機ｅｘ１１２、カメラｅｘ１１３、家電ｅｘ１１４、及びスマートフォンｅｘ１１５などの各機器が接続される。当該コンテンツ供給システムｅｘ１００は、上記のいずれかの要素を組合せて接続するようにしてもよい。固定無線局である基地局ｅｘ１０６～ｅｘ１１０を介さずに、各機器が電話網又は近距離無線等を介して直接的又は間接的に相互に接続されていてもよい。また、ストリーミングサーバｅｘ１０３は、インターネットｅｘ１０１等を介して、コンピュータｅｘ１１１、ゲーム機ｅｘ１１２、カメラｅｘ１１３、家電ｅｘ１１４、及びスマートフォンｅｘ１１５などの各機器と接続される。また、ストリーミングサーバｅｘ１０３は、衛星ｅｘ１１６を介して、飛行機ｅｘ１１７内のホットスポット内の端末等と接続される。
　なお、基地局ｅｘ１０６～ｅｘ１１０の代わりに、無線アクセスポイント又はホットスポット等が用いられてもよい。また、ストリーミングサーバｅｘ１０３は、インターネットｅｘ１０１又はインターネットサービスプロバイダｅｘ１０２を介さずに直接通信網ｅｘ１０４と接続されてもよいし、衛星ｅｘ１１６を介さず直接飛行機ｅｘ１１７と接続されてもよい。
　カメラｅｘ１１３はデジタルカメラ等の静止画撮影、及び動画撮影が可能な機器である。また、スマートフォンｅｘ１１５は、一般に２Ｇ、３Ｇ、３．９Ｇ、４Ｇ、そして今後は５Ｇと呼ばれる移動通信システムの方式に対応したスマートフォン機、携帯電話機、又はＰＨＳ（Ｐｅｒｓｏｎａｌ　Ｈａｎｄｙｐｈｏｎｅ　Ｓｙｓｔｅｍ）等である。
　家電ｅｘ１１８は、冷蔵庫、又は家庭用燃料電池コージェネレーションシステムに含まれる機器等である。
　コンテンツ供給システムｅｘ１００では、撮影機能を有する端末が基地局ｅｘ１０６等を通じてストリーミングサーバｅｘ１０３に接続されることで、ライブ配信等が可能になる。ライブ配信では、端末（コンピュータｅｘ１１１、ゲーム機ｅｘ１１２、カメラｅｘ１１３、家電ｅｘ１１４、スマートフォンｅｘ１１５、及び飛行機ｅｘ１１７内の端末等）は、ユーザが当該端末を用いて撮影した静止画又は動画コンテンツに対して上記各実施の形態で説明した符号化処理を行い、符号化により得られた映像データと、映像に対応する音を符号化した音データと多重化し、得られたデータをストリーミングサーバｅｘ１０３に送信する。即ち、各端末は、本開示の一態様に係る画像符号化装置として機能する。
　一方、ストリーミングサーバｅｘ１０３は要求のあったクライアントに対して送信されたコンテンツデータをストリーム配信する。クライアントは、上記符号化処理されたデータを復号化することが可能な、コンピュータｅｘ１１１、ゲーム機ｅｘ１１２、カメラｅｘ１１３、家電ｅｘ１１４、スマートフォンｅｘ１１５、又は飛行機ｅｘ１１７内の端末等である。配信されたデータを受信した各機器は、受信したデータを復号化処理して再生する。即ち、各機器は、本開示の一態様に係る画像復号装置として機能する。
　［分散処理］
　また、ストリーミングサーバｅｘ１０３は複数のサーバ又は複数のコンピュータであって、データを分散して処理したり記録したり配信するものであってもよい。例えば、ストリーミングサーバｅｘ１０３は、ＣＤＮ（Ｃｏｎｔｅｎｔｓ　Ｄｅｌｉｖｅｒｙ　Ｎｅｔｗｏｒｋ）により実現され、世界中に分散された多数のエッジサーバとエッジサーバ間をつなぐネットワークによりコンテンツ配信が実現されていてもよい。ＣＤＮでは、クライアントに応じて物理的に近いエッジサーバが動的に割り当てられる。そして、当該エッジサーバにコンテンツがキャッシュ及び配信されることで遅延を減らすことができる。また、何らかのエラーが発生した場合又はトラフィックの増加などにより通信状態が変わる場合に複数のエッジサーバで処理を分散したり、他のエッジサーバに配信主体を切り替えたり、障害が生じたネットワークの部分を迂回して配信を続けることができるので、高速かつ安定した配信が実現できる。
　また、配信自体の分散処理にとどまらず、撮影したデータの符号化処理を各端末で行ってもよいし、サーバ側で行ってもよいし、互いに分担して行ってもよい。一例として、一般に符号化処理では、処理ループが２度行われる。１度目のループでフレーム又はシーン単位での画像の複雑さ、又は、符号量が検出される。また、２度目のループでは画質を維持して符号化効率を向上させる処理が行われる。例えば、端末が１度目の符号化処理を行い、コンテンツを受け取ったサーバ側が２度目の符号化処理を行うことで、各端末での処理負荷を減らしつつもコンテンツの質と効率を向上させることができる。この場合、ほぼリアルタイムで受信して復号する要求があれば、端末が行った一度目の符号化済みデータを他の端末で受信して再生することもできるので、より柔軟なリアルタイム配信も可能になる。
　他の例として、カメラｅｘ１１３等は、画像から特徴量抽出を行い、特徴量に関するデータをメタデータとして圧縮してサーバに送信する。サーバは、例えば特徴量からオブジェクトの重要性を判断して量子化精度を切り替えるなど、画像の意味に応じた圧縮を行う。特徴量データはサーバでの再度の圧縮時の動きベクトル予測の精度及び効率向上に特に有効である。また、端末でＶＬＣ（可変長符号化）などの簡易的な符号化を行い、サーバでＣＡＢＡＣ（コンテキスト適応型二値算術符号化方式）など処理負荷の大きな符号化を行ってもよい。
　さらに他の例として、スタジアム、ショッピングモール、又は工場などにおいては、複数の端末によりほぼ同一のシーンが撮影された複数の映像データが存在する場合がある。この場合には、撮影を行った複数の端末と、必要に応じて撮影をしていない他の端末及びサーバを用いて、例えばＧＯＰ（Ｇｒｏｕｐ　ｏｆ　Ｐｉｃｔｕｒｅ）単位、ピクチャ単位、又はピクチャを分割したタイル単位などで符号化処理をそれぞれ割り当てて分散処理を行う。これにより、遅延を減らし、よりリアルタイム性を実現できる。
　また、複数の映像データはほぼ同一シーンであるため、各端末で撮影された映像データを互いに参照し合えるように、サーバで管理及び／又は指示をしてもよい。または、各端末からの符号化済みデータを、サーバが受信し複数のデータ間で参照関係を変更、又はピクチャ自体を補正或いは差し替えて符号化しなおしてもよい。これにより、一つ一つのデータの質と効率を高めたストリームを生成できる。
　また、サーバは、映像データの符号化方式を変更するトランスコードを行ったうえで映像データを配信してもよい。例えば、サーバは、ＭＰＥＧ系の符号化方式をＶＰ系に変換してもよいし、Ｈ．２６４をＨ．２６５に変換してもよい。
　このように、符号化処理は、端末、又は１以上のサーバにより行うことが可能である。よって、以下では、処理を行う主体として「サーバ」又は「端末」等の記載を用いるが、サーバで行われる処理の一部又は全てが端末で行われてもよいし、端末で行われる処理の一部又は全てがサーバで行われてもよい。また、これらに関しては、復号処理についても同様である。
　［３Ｄ、マルチアングル］
　近年では、互いにほぼ同期した複数のカメラｅｘ１１３及び／又はスマートフォンｅｘ１１５などの端末により撮影された異なるシーン、又は、同一シーンを異なるアングルから撮影した画像或いは映像を統合して利用することも増えてきている。各端末で撮影した映像は、別途取得した端末間の相対的な位置関係、又は、映像に含まれる特徴点が一致する領域などに基づいて統合される。
　サーバは、２次元の動画像を符号化するだけでなく、動画像のシーン解析などに基づいて自動的に、又は、ユーザが指定した時刻において、静止画を符号化し、受信端末に送信してもよい。サーバは、さらに、撮影端末間の相対的な位置関係を取得できる場合には、２次元の動画像だけでなく、同一シーンが異なるアングルから撮影された映像に基づき、当該シーンの３次元形状を生成できる。なお、サーバは、ポイントクラウドなどにより生成した３次元のデータを別途符号化してもよいし、３次元データを用いて人物又はオブジェクトを認識或いは追跡した結果に基づいて、受信端末に送信する映像を、複数の端末で撮影した映像から選択、又は、再構成して生成してもよい。
　このようにして、ユーザは、各撮影端末に対応する各映像を任意に選択してシーンを楽しむこともできるし、複数画像又は映像を用いて再構成された３次元データから任意視点の映像を切り出したコンテンツを楽しむこともできる。さらに、映像と同様に音も複数の相異なるアングルから収音され、サーバは、映像に合わせて特定のアングル又は空間からの音を映像と多重化して送信してもよい。
　また、近年ではＶｉｒｔｕａｌ　Ｒｅａｌｉｔｙ（ＶＲ）及びＡｕｇｍｅｎｔｅｄ　Ｒｅａｌｉｔｙ（ＡＲ）など、現実世界と仮想世界とを対応付けたコンテンツも普及してきている。ＶＲの画像の場合、サーバは、右目用及び左目用の視点画像をそれぞれ作成し、Ｍｕｌｔｉ－Ｖｉｅｗ　Ｃｏｄｉｎｇ（ＭＶＣ）などにより各視点映像間で参照を許容する符号化を行ってもよいし、互いに参照せずに別ストリームとして符号化してもよい。別ストリームの復号時には、ユーザの視点に応じて仮想的な３次元空間が再現されるように互いに同期させて再生するとよい。
　ＡＲの画像の場合には、サーバは、現実空間のカメラ情報に、仮想空間上の仮想物体情報を、３次元的位置又はユーザの視点の動きに基づいて重畳する。復号装置は、仮想物体情報及び３次元データを取得又は保持し、ユーザの視点の動きに応じて２次元画像を生成し、スムーズにつなげることで重畳データを作成してもよい。または、復号装置は仮想物体情報の依頼に加えてユーザの視点の動きをサーバに送信し、サーバは、サーバに保持される３次元データから受信した視点の動きに合わせて重畳データを作成し、重畳データを符号化して復号装置に配信してもよい。なお、重畳データは、ＲＧＢ以外に透過度を示すα値を有し、サーバは、３次元データから作成されたオブジェクト以外の部分のα値が０などに設定し、当該部分が透過する状態で、符号化してもよい。もしくは、サーバは、クロマキーのように所定の値のＲＧＢ値を背景に設定し、オブジェクト以外の部分は背景色にしたデータを生成してもよい。
　同様に配信されたデータの復号処理はクライアントである各端末で行っても、サーバ側で行ってもよいし、互いに分担して行ってもよい。一例として、ある端末が、一旦サーバに受信リクエストを送り、そのリクエストに応じたコンテンツを他の端末で受信し復号処理を行い、ディスプレイを有する装置に復号済みの信号が送信されてもよい。通信可能な端末自体の性能によらず処理を分散して適切なコンテンツを選択することで画質のよいデータを再生することができる。また、他の例として大きなサイズの画像データをＴＶ等で受信しつつ、鑑賞者の個人端末にピクチャが分割されたタイルなど一部の領域が復号されて表示されてもよい。これにより、全体像を共有化しつつ、自身の担当分野又はより詳細に確認したい領域を手元で確認することができる。
　また今後は、屋内外にかかわらず近距離、中距離、又は長距離の無線通信が複数使用可能な状況下で、ＭＰＥＧ－ＤＡＳＨなどの配信システム規格を利用して、接続中の通信に対して適切なデータを切り替えながらシームレスにコンテンツを受信することが予想される。これにより、ユーザは、自身の端末のみならず屋内外に設置されたディスプレイなどの復号装置又は表示装置を自由に選択しながらリアルタイムで切り替えられる。また、自身の位置情報などに基づいて、復号する端末及び表示する端末を切り替えながら復号を行うことができる。これにより、目的地への移動中に、表示可能なデバイスが埋め込まれた隣の建物の壁面又は地面の一部に地図情報を表示させながら移動することも可能になる。また、符号化データが受信端末から短時間でアクセスできるサーバにキャッシュされている、又は、コンテンツ・デリバリー・サービスにおけるエッジサーバにコピーされている、などの、ネットワーク上での符号化データへのアクセス容易性に基づいて、受信データのビットレートを切り替えることも可能である。
　［スケーラブル符号化］
　コンテンツの切り替えに関して、図１７に示す、上記各実施の形態で示した動画像符号化方法を応用して圧縮符号化されたスケーラブルなストリームを用いて説明する。サーバは、個別のストリームとして内容は同じで質の異なるストリームを複数有していても構わないが、図示するようにレイヤに分けて符号化を行うことで実現される時間的／空間的スケーラブルなストリームの特徴を活かして、コンテンツを切り替える構成であってもよい。つまり、復号側が性能という内的要因と通信帯域の状態などの外的要因とに応じてどのレイヤまで復号するかを決定することで、復号側は、低解像度のコンテンツと高解像度のコンテンツとを自由に切り替えて復号できる。例えば移動中にスマートフォンｅｘ１１５で視聴していた映像の続きを、帰宅後にインターネットＴＶ等の機器で視聴したい場合には、当該機器は、同じストリームを異なるレイヤまで復号すればよいので、サーバ側の負担を軽減できる。
　さらに、上記のように、レイヤ毎にピクチャが符号化されており、ベースレイヤの上位にエンハンスメントレイヤが存在するスケーラビリティを実現する構成以外に、エンハンスメントレイヤが画像の統計情報などに基づくメタ情報を含み、復号側が、メタ情報に基づきベースレイヤのピクチャを超解像することで高画質化したコンテンツを生成してもよい。超解像とは、同一解像度におけるＳＮ比の向上、及び、解像度の拡大のいずれであってもよい。メタ情報は、超解像処理に用いる線形或いは非線形のフィルタ係数を特定するため情報、又は、超解像処理に用いるフィルタ処理、機械学習或いは最小２乗演算におけるパラメータ値を特定する情報などを含む。
　または、画像内のオブジェクトなどの意味合いに応じてピクチャがタイル等に分割されており、復号側が、復号するタイルを選択することで一部の領域だけを復号する構成であってもよい。また、オブジェクトの属性（人物、車、ボールなど）と映像内の位置（同一画像における座標位置など）とをメタ情報として格納することで、復号側は、メタ情報に基づいて所望のオブジェクトの位置を特定し、そのオブジェクトを含むタイルを決定できる。例えば、図１８に示すように、メタ情報は、ＨＥＶＣにおけるＳＥＩメッセージなど画素データとは異なるデータ格納構造を用いて格納される。このメタ情報は、例えば、メインオブジェクトの位置、サイズ、又は色彩などを示す。
　また、ストリーム、シーケンス又はランダムアクセス単位など、複数のピクチャから構成される単位でメタ情報が格納されてもよい。これにより、復号側は、特定人物が映像内に出現する時刻などが取得でき、ピクチャ単位の情報と合わせることで、オブジェクトが存在するピクチャ、及び、ピクチャ内でのオブジェクトの位置を特定できる。
　［Ｗｅｂページの最適化］
　図１９は、コンピュータｅｘ１１１等におけるｗｅｂページの表示画面例を示す図である。図２０は、スマートフォンｅｘ１１５等におけるｗｅｂページの表示画面例を示す図である。図１９及び図２０に示すようにｗｅｂページが、画像コンテンツへのリンクであるリンク画像を複数含む場合があり、閲覧するデバイスによってその見え方は異なる。画面上に複数のリンク画像が見える場合には、ユーザが明示的にリンク画像を選択するまで、又は画面の中央付近にリンク画像が近付く或いはリンク画像の全体が画面内に入るまでは、表示装置（復号装置）は、リンク画像として各コンテンツが有する静止画又はＩピクチャを表示したり、複数の静止画又はＩピクチャ等でｇｉｆアニメのような映像を表示したり、ベースレイヤのみ受信して映像を復号及び表示したりする。
　ユーザによりリンク画像が選択された場合、表示装置は、ベースレイヤを最優先にして復号する。なお、ｗｅｂページを構成するＨＴＭＬにスケーラブルなコンテンツであることを示す情報があれば、表示装置は、エンハンスメントレイヤまで復号してもよい。また、リアルタイム性を担保するために、選択される前又は通信帯域が非常に厳しい場合には、表示装置は、前方参照のピクチャ（Ｉピクチャ、Ｐピクチャ、前方参照のみのＢピクチャ）のみを復号及び表示することで、先頭ピクチャの復号時刻と表示時刻との間の遅延（コンテンツの復号開始から表示開始までの遅延）を低減できる。また、表示装置は、ピクチャの参照関係を敢えて無視して全てのＢピクチャ及びＰピクチャを前方参照にして粗く復号し、時間が経ち受信したピクチャが増えるにつれて正常の復号を行ってもよい。
　［自動走行］
　また、車の自動走行又は走行支援のため２次元又は３次元の地図情報などの静止画又は映像データを送受信する場合、受信端末は、１以上のレイヤに属する画像データに加えて、メタ情報として天候又は工事の情報なども受信し、これらを対応付けて復号してもよい。なお、メタ情報は、レイヤに属してもよいし、単に画像データと多重化されてもよい。
　この場合、受信端末を含む車、ドローン又は飛行機などが移動するため、受信端末は、当該受信端末の位置情報を受信要求時に送信することで、基地局ｅｘ１０６～ｅｘ１１０を切り替えながらシームレスな受信及び復号を実現できる。また、受信端末は、ユーザの選択、ユーザの状況又は通信帯域の状態に応じて、メタ情報をどの程度受信するか、又は地図情報をどの程度更新していくかを動的に切り替えることが可能になる。
　以上のようにして、コンテンツ供給システムｅｘ１００では、ユーザが送信した符号化された情報をリアルタイムでクライアントが受信して復号し、再生することができる。
　［個人コンテンツの配信］
　また、コンテンツ供給システムｅｘ１００では、映像配信業者による高画質で長時間のコンテンツのみならず、個人による低画質で短時間のコンテンツのユニキャスト、又はマルチキャスト配信が可能である。また、このような個人のコンテンツは今後も増加していくと考えられる。個人コンテンツをより優れたコンテンツにするために、サーバは、編集処理を行ってから符号化処理を行ってもよい。これは例えば、以下のような構成で実現できる。
　撮影時にリアルタイム又は蓄積して撮影後に、サーバは、原画又は符号化済みデータから撮影エラー、シーン探索、意味の解析、及びオブジェクト検出などの認識処理を行う。そして、サーバは、認識結果に基いて手動又は自動で、ピントずれ又は手ブレなどを補正したり、明度が他のピクチャに比べて低い又は焦点が合っていないシーンなどの重要性の低いシーンを削除したり、オブジェクトのエッジを強調したり、色合いを変化させるなどの編集を行う。サーバは、編集結果に基いて編集後のデータを符号化する。また撮影時刻が長すぎると視聴率が下がることも知られており、サーバは、撮影時間に応じて特定の時間範囲内のコンテンツになるように上記のように重要性が低いシーンのみならず動きが少ないシーンなどを、画像処理結果に基き自動でクリップしてもよい。または、サーバは、シーンの意味解析の結果に基づいてダイジェストを生成して符号化してもよい。
　なお、個人コンテンツには、そのままでは著作権、著作者人格権、又は肖像権等の侵害となるものが写り込んでいるケースもあり、共有する範囲が意図した範囲を超えてしまうなど個人にとって不都合な場合もある。よって、例えば、サーバは、画面の周辺部の人の顔、又は家の中などを敢えて焦点が合わない画像に変更して符号化してもよい。また、サーバは、符号化対象画像内に、予め登録した人物とは異なる人物の顔が映っているかどうかを認識し、映っている場合には、顔の部分にモザイクをかけるなどの処理を行ってもよい。または、符号化の前処理又は後処理として、著作権などの観点からユーザが画像を加工したい人物又は背景領域を指定し、サーバは、指定された領域を別の映像に置き換える、又は焦点をぼかすなどの処理を行うことも可能である。人物であれば、動画像において人物をトラッキングしながら、顔の部分の映像を置き換えることができる。
　また、データ量の小さい個人コンテンツの視聴はリアルタイム性の要求が強いため、帯域幅にもよるが、復号装置は、まずベースレイヤを最優先で受信して復号及び再生を行う。復号装置は、この間にエンハンスメントレイヤを受信し、再生がループされる場合など２回以上再生される場合に、エンハンスメントレイヤも含めて高画質の映像を再生してもよい。このようにスケーラブルな符号化が行われているストリームであれば、未選択時又は見始めた段階では粗い動画だが、徐々にストリームがスマートになり画像がよくなるような体験を提供することができる。スケーラブル符号化以外にも、１回目に再生される粗いストリームと、１回目の動画を参照して符号化される２回目のストリームとが１つのストリームとして構成されていても同様の体験を提供できる。
　［その他の使用例］
　また、これらの符号化又は復号処理は、一般的に各端末が有するＬＳＩｅｘ５００において処理される。ＬＳＩｅｘ５００は、ワンチップであっても複数チップからなる構成であってもよい。なお、動画像符号化又は復号用のソフトウェアをコンピュータｅｘ１１１等で読み取り可能な何らかの記録メディア（ＣＤ－ＲＯＭ、フレキシブルディスク、又はハードディスクなど）に組み込み、そのソフトウェアを用いて符号化又は復号処理を行ってもよい。さらに、スマートフォンｅｘ１１５がカメラ付きである場合には、そのカメラで取得した動画データを送信してもよい。このときの動画データはスマートフォンｅｘ１１５が有するＬＳＩｅｘ５００で符号化処理されたデータである。
　なお、ＬＳＩｅｘ５００は、アプリケーションソフトをダウンロードしてアクティベートする構成であってもよい。この場合、端末は、まず、当該端末がコンテンツの符号化方式に対応しているか、又は、特定サービスの実行能力を有するかを判定する。端末がコンテンツの符号化方式に対応していない場合、又は、特定サービスの実行能力を有さない場合、端末は、コーデック又はアプリケーションソフトをダウンロードし、その後、コンテンツ取得及び再生する。
　また、インターネットｅｘ１０１を介したコンテンツ供給システムｅｘ１００に限らず、デジタル放送用システムにも上記各実施の形態の少なくとも動画像符号化装置（画像符号化装置）又は動画像復号化装置（画像復号装置）のいずれかを組み込むことができる。衛星などを利用して放送用の電波に映像と音が多重化された多重化データを載せて送受信するため、コンテンツ供給システムｅｘ１００のユニキャストがし易い構成に対してマルチキャスト向きであるという違いがあるが符号化処理及び復号処理に関しては同様の応用が可能である。
　［ハードウェア構成］
　図２１は、スマートフォンｅｘ１１５を示す図である。また、図２２は、スマートフォンｅｘ１１５の構成例を示す図である。スマートフォンｅｘ１１５は、基地局ｅｘ１１０との間で電波を送受信するためのアンテナｅｘ４５０と、映像及び静止画を撮ることが可能なカメラ部ｅｘ４６５と、カメラ部ｅｘ４６５で撮像した映像、及びアンテナｅｘ４５０で受信した映像等が復号されたデータを表示する表示部ｅｘ４５８とを備える。スマートフォンｅｘ１１５は、さらに、タッチパネル等である操作部ｅｘ４６６と、音声又は音響を出力するためのスピーカ等である音声出力部ｅｘ４５７と、音声を入力するためのマイク等である音声入力部ｅｘ４５６と、撮影した映像或いは静止画、録音した音声、受信した映像或いは静止画、メール等の符号化されたデータ、又は、復号化されたデータを保存可能なメモリ部ｅｘ４６７と、ユーザを特定し、ネットワークをはじめ各種データへのアクセスの認証をするためのＳＩＭｅｘ４６８とのインタフェース部であるスロット部ｅｘ４６４とを備える。なお、メモリ部ｅｘ４６７の代わりに外付けメモリが用いられてもよい。
　また、表示部ｅｘ４５８及び操作部ｅｘ４６６等を統括的に制御する主制御部ｅｘ４６０と、電源回路部ｅｘ４６１、操作入力制御部ｅｘ４６２、映像信号処理部ｅｘ４５５、カメラインタフェース部ｅｘ４６３、ディスプレイ制御部ｅｘ４５９、変調／復調部ｅｘ４５２、多重／分離部ｅｘ４５３、音声信号処理部ｅｘ４５４、スロット部ｅｘ４６４、及びメモリ部ｅｘ４６７とがバスｅｘ４７０を介して接続されている。
　電源回路部ｅｘ４６１は、ユーザの操作により電源キーがオン状態にされると、バッテリパックから各部に対して電力を供給することによりスマートフォンｅｘ１１５を動作可能な状態に起動する。
　スマートフォンｅｘ１１５は、ＣＰＵ、ＲＯＭ及びＲＡＭ等を有する主制御部ｅｘ４６０の制御に基づいて、通話及データ通信等の処理を行う。通話時は、音声入力部ｅｘ４５６で収音した音声信号を音声信号処理部ｅｘ４５４でデジタル音声信号に変換し、これを変調／復調部ｅｘ４５２でスペクトラム拡散処理し、送信／受信部ｅｘ４５１でデジタルアナログ変換処理及び周波数変換処理を施した後にアンテナｅｘ４５０を介して送信する。また受信データを増幅して周波数変換処理及びアナログデジタル変換処理を施し、変調／復調部ｅｘ４５２でスペクトラム逆拡散処理し、音声信号処理部ｅｘ４５４でアナログ音声信号に変換した後、これを音声出力部ｅｘ４５７から出力する。データ通信モード時は、本体部の操作部ｅｘ４６６等の操作によってテキスト、静止画、又は映像データが操作入力制御部ｅｘ４６２を介して主制御部ｅｘ４６０に送出され、同様に送受信処理が行われる。データ通信モード時に映像、静止画、又は映像と音声を送信する場合、映像信号処理部ｅｘ４５５は、メモリ部ｅｘ４６７に保存されている映像信号又はカメラ部ｅｘ４６５から入力された映像信号を上記各実施の形態で示した動画像符号化方法によって圧縮符号化し、符号化された映像データを多重／分離部ｅｘ４５３に送出する。また、音声信号処理部ｅｘ４５４は、映像又は静止画等をカメラ部ｅｘ４６５で撮像中に音声入力部ｅｘ４５６で収音した音声信号を符号化し、符号化された音声データを多重／分離部ｅｘ４５３に送出する。多重／分離部ｅｘ４５３は、符号化済み映像データと符号化済み音声データを所定の方式で多重化し、変調／復調部（変調／復調回路部）ｅｘ４５２、及び送信／受信部ｅｘ４５１で変調処理及び変換処理を施してアンテナｅｘ４５０を介して送信する。
　電子メール又はチャットに添付された映像、又はウェブページ等にリンクされた映像を受信した場合、アンテナｅｘ４５０を介して受信された多重化データを復号するために、多重／分離部ｅｘ４５３は、多重化データを分離することにより、多重化データを映像データのビットストリームと音声データのビットストリームとに分け、同期バスｅｘ４７０を介して符号化された映像データを映像信号処理部ｅｘ４５５に供給するとともに、符号化された音声データを音声信号処理部ｅｘ４５４に供給する。映像信号処理部ｅｘ４５５は、上記各実施の形態で示した動画像符号化方法に対応した動画像復号化方法によって映像信号を復号し、ディスプレイ制御部ｅｘ４５９を介して表示部ｅｘ４５８から、リンクされた動画像ファイルに含まれる映像又は静止画が表示される。また音声信号処理部ｅｘ４５４は、音声信号を復号し、音声出力部ｅｘ４５７から音声が出力される。なおリアルタイムストリーミングが普及しているため、ユーザの状況によっては音声の再生が社会的にふさわしくない場も起こりえる。そのため、初期値としては、音声信号は再生せず映像データのみを再生する構成の方が望ましい。ユーザが映像データをクリックするなど操作を行った場合にのみ音声を同期して再生してもよい。
　またここではスマートフォンｅｘ１１５を例に説明したが、端末としては符号化器及び復号化器を両方持つ送受信型端末の他に、符号化器のみを有する送信端末、及び、復号化器のみを有する受信端末という３通りの実装形式が考えられる。さらに、デジタル放送用システムにおいて、映像データに音声データなどが多重化された多重化データを受信又は送信するとして説明したが、多重化データには、音声データ以外に映像に関連する文字データなどが多重化されてもよいし、多重化データではなく映像データ自体が受信又は送信されてもよい。
　なお、ＣＰＵを含む主制御部ｅｘ４６０が符号化又は復号処理を制御するとして説明したが、端末はＧＰＵを備えることも多い。よって、ＣＰＵとＧＰＵで共通化されたメモリ、又は共通に使用できるようにアドレスが管理されているメモリにより、ＧＰＵの性能を活かして広い領域を一括して処理する構成でもよい。これにより符号化時間を短縮でき、リアルタイム性を確保し、低遅延を実現できる。特に動き探索、デブロックフィルタ、ＳＡＯ（Ｓａｍｐｌｅ　Ａｄａｐｔｉｖｅ　Ｏｆｆｓｅｔ）、及び変換・量子化の処理を、ＣＰＵではなく、ＧＰＵでピクチャなどの単位で一括して行うと効率的である。
　本開示の符号化装置および復号装置は、さらなる改善の可能性があるという効果を奏し、例えば、テレビ、デジタルビデオレコーダー、カーナビゲーション、携帯電話、デジタルカメラ、デジタルビデオカメラ、車載カメラ、およびネットワークカメラ等の情報表示機器または撮像機器に利用可能であり、利用価値が高い。
　１００　　符号化装置
　１０２　　分割部
　１０４　　減算部
　１０６　　変換部
　１０８　　量子化部
　１１０　　エントロピー符号化部
　１１２、２０４　　逆量子化部
　１１４、２０６　　逆変換部
　１１６、２０８　　加算部
　１１８、２１０　　ブロックメモリ
　１２０、２１２　　ループフィルタ部
　１２２、２１４　　フレームメモリ
　１２４、２１６　　イントラ予測部
　１２６、２１８　　インター予測部
　１２８、２２０　　予測制御部
　２００　　復号装置
　２０２　　エントロピー復号部

Claims (12)

  1. 　処理回路と、
    　メモリとを備え、
    　前記処理回路は、前記メモリを用いて、
    　処理対象ブロックに対して画面間予測を行うことによって輝度の最終予測画像および色差の最終予測画像を生成し、
    　前記処理対象ブロックを、前記輝度の最終予測画像および前記色差の最終予測画像を用いて符号化し、
    　前記画面間予測では、
    　前記処理対象ブロックの２つの動きベクトルを用いた動き補償によって、２つの参照ピクチャから２つの予測画像を取得し、
    　前記２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値を、前記２つの参照ピクチャのそれぞれにおける当該画素位置の周辺にある画素を参照することによって導出し、
    　前記処理対象ブロックの画素位置ごとに、当該画素位置に対応する、前記２つの予測画像のそれぞれにおける輝度値および輝度の勾配値を用いて、輝度の局所動き推定値を導出し、
    　前記２つの予測画像のそれぞれにおける画素位置ごとの輝度値および前記輝度の勾配値と、前記処理対象ブロックにおける画素位置ごとの前記輝度の局所動き推定値とを用いて、前記輝度の最終予測画像を生成し、
    　前記２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値、および、前記処理対象ブロックにおける画素位置ごとの前記輝度の局所動き推定値、のうちの少なくとも一方と、前記２つの予測画像のそれぞれにおける画素位置ごとの色差とを用いて、前記色差の最終予測画像を生成する
    　符号化装置。
  2. 　前記処理回路は、前記画面間予測では、さらに、
    　前記処理対象ブロックの画素位置ごとに、当該画素位置に対応する、前記２つの予測画像のそれぞれにおける色差、および、前記２つの予測画像のそれぞれにおける輝度の勾配値を用いて、色差の局所動き推定値を導出し、
    　前記色差の最終予測画像の生成では、
    　前記２つの予測画像のそれぞれにおける画素位置ごとの前記輝度の勾配値と、前記処理対象ブロックにおける画素位置ごとの前記色差の局所動き推定値と、前記２つの予測画像のそれぞれにおける画素位置ごとの色差とを用いて、前記色差の最終予測画像を生成する
    　請求項１に記載の符号化装置。
  3. 　前記処理回路は、前記画面間予測では、さらに、
    　前記２つの予測画像のそれぞれにおける画素位置ごとの色差の勾配値を、前記２つの参照ピクチャのそれぞれにおける当該画素位置の周辺にある画素を参照することによって導出し、
    　前記色差の最終予測画像の生成では、
    　前記２つの予測画像のそれぞれにおける画素位置ごとの前記色差の勾配値と、前記処理対象ブロックにおける画素位置ごとの前記輝度の局所動き推定値と、前記２つの予測画像のそれぞれにおける画素位置ごとの色差とを用いて、前記色差の最終予測画像を生成する
    　請求項１に記載の符号化装置。
  4. 　前記処理回路は、前記色差の最終予測画像の生成では、
    　Ｌが前記輝度の勾配値を示し、Ｃが色差の勾配値を示し、αおよびβが実数を示す場合、
    　Ｃ＝α×Ｌ＋βによって、前記色差の勾配値を算出し、
    　前記輝度の勾配値を用いて算出された前記色差の勾配値に基づいて、前記色差の最終予測画像を生成する
    　請求項１または２に記載の符号化装置。
  5. 　前記処理回路は、前記色差の最終予測画像の生成では、
    　Ｌが前記輝度の局所動き推定値を示し、Ｃが色差の局所動き推定値を示し、αおよびβが実数を示す場合、
    　Ｃ＝α×Ｌ＋βによって、前記色差の局所動き推定値を算出し、
    　前記輝度の局所動き推定値を用いて算出された前記色差の局所動き推定値に基づいて、前記色差の最終予測画像を生成する
    　請求項１または３に記載の符号化装置。
  6. 　処理回路と、
    　メモリとを備え、
    　前記処理回路は、前記メモリを用いて、
    　処理対象ブロックに対して画面間予測を行うことによって輝度の最終予測画像および色差の最終予測画像を生成し、
    　前記処理対象ブロックを、前記輝度の最終予測画像および前記色差の最終予測画像を用いて復号し、
    　前記画面間予測では、
    　前記処理対象ブロックの２つの動きベクトルを用いた動き補償によって、２つの参照ピクチャから２つの予測画像を取得し、
    　前記２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値を、前記２つの参照ピクチャのそれぞれにおける当該画素位置の周辺にある画素を参照することによって導出し、
    　前記処理対象ブロックの画素位置ごとに、当該画素位置に対応する、前記２つの予測画像のそれぞれにおける輝度値および輝度の勾配値を用いて、輝度の局所動き推定値を導出し、
    　前記２つの予測画像のそれぞれにおける画素位置ごとの輝度値および前記輝度の勾配値と、前記処理対象ブロックにおける画素位置ごとの前記輝度の局所動き推定値とを用いて、前記輝度の最終予測画像を生成し、
    　前記２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値、および、前記処理対象ブロックにおける画素位置ごとの前記輝度の局所動き推定値、のうちの少なくとも一方と、前記２つの予測画像のそれぞれにおける画素位置ごとの色差とを用いて、前記色差の最終予測画像を生成する
    　復号装置。
  7. 　前記処理回路は、前記画面間予測では、さらに、
    　前記処理対象ブロックの画素位置ごとに、当該画素位置に対応する、前記２つの予測画像のそれぞれにおける色差、および、前記２つの予測画像のそれぞれにおける輝度の勾配値を用いて、色差の局所動き推定値を導出し、
    　前記色差の最終予測画像の生成では、
    　前記２つの予測画像のそれぞれにおける画素位置ごとの前記輝度の勾配値と、前記処理対象ブロックにおける画素位置ごとの前記色差の局所動き推定値と、前記２つの予測画像のそれぞれにおける画素位置ごとの色差とを用いて、前記色差の最終予測画像を生成する
    　請求項６に記載の復号装置。
  8. 　前記処理回路は、前記画面間予測では、さらに、
    　前記２つの予測画像のそれぞれにおける画素位置ごとの色差の勾配値を、前記２つの参照ピクチャのそれぞれにおける当該画素位置の周辺にある画素を参照することによって導出し、
    　前記色差の最終予測画像の生成では、
    　前記２つの予測画像のそれぞれにおける画素位置ごとの前記色差の勾配値と、前記処理対象ブロックにおける画素位置ごとの前記輝度の局所動き推定値と、前記２つの予測画像のそれぞれにおける画素位置ごとの色差とを用いて、前記色差の最終予測画像を生成する
    　請求項６に記載の復号装置。
  9. 　前記処理回路は、前記色差の最終予測画像の生成では、
    　Ｌが前記輝度の勾配値を示し、Ｃが色差の勾配値を示し、αおよびβが実数を示す場合、
    　Ｃ＝α×Ｌ＋βによって、前記色差の勾配値を算出し、
    　前記輝度の勾配値を用いて算出された前記色差の勾配値に基づいて、前記色差の最終予測画像を生成する
    　請求項６または７に記載の復号装置。
  10. 　前記処理回路は、前記色差の最終予測画像の生成では、
    　Ｌが前記輝度の局所動き推定値を示し、Ｃが色差の局所動き推定値を示し、αおよびβが実数を示す場合、
    　Ｃ＝α×Ｌ＋βによって、前記色差の局所動き推定値を算出し、
    　前記輝度の局所動き推定値を用いて算出された前記色差の局所動き推定値に基づいて、前記色差の最終予測画像を生成する
    　請求項６または８に記載の復号装置。
  11. 　処理対象ブロックに対して画面間予測を行うことによって輝度の最終予測画像および色差の最終予測画像を生成し、
    　前記処理対象ブロックを、前記輝度の最終予測画像および前記色差の最終予測画像を用いて符号化し、
    　前記画面間予測では、
    　前記処理対象ブロックの２つの動きベクトルを用いた動き補償によって、２つの参照ピクチャから２つの予測画像を取得し、
    　前記２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値を、前記２つの参照ピクチャのそれぞれにおける当該画素位置の周辺にある画素を参照することによって導出し、
    　前記処理対象ブロックの画素位置ごとに、当該画素位置に対応する、前記２つの予測画像のそれぞれにおける輝度値および輝度の勾配値を用いて、輝度の局所動き推定値を導出し、
    　前記２つの予測画像のそれぞれにおける画素位置ごとの輝度値および前記輝度の勾配値と、前記処理対象ブロックにおける画素位置ごとの前記輝度の局所動き推定値とを用いて、前記輝度の最終予測画像を生成し、
    　前記２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値、および、前記処理対象ブロックにおける画素位置ごとの前記輝度の局所動き推定値、のうちの少なくとも一方と、前記２つの予測画像のそれぞれにおける画素位置ごとの色差とを用いて、前記色差の最終予測画像を生成する
    　符号化方法。
  12. 　処理対象ブロックに対して画面間予測を行うことによって輝度の最終予測画像および色差の最終予測画像を生成し、
    　前記処理対象ブロックを、前記輝度の最終予測画像および前記色差の最終予測画像を用いて復号し、
    　前記画面間予測では、
    　前記処理対象ブロックの２つの動きベクトルを用いた動き補償によって、２つの参照ピクチャから２つの予測画像を取得し、
    　前記２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値を、前記２つの参照ピクチャのそれぞれにおける当該画素位置の周辺にある画素を参照することによって導出し、
    　前記処理対象ブロックの画素位置ごとに、当該画素位置に対応する、前記２つの予測画像のそれぞれにおける輝度値および輝度の勾配値を用いて、輝度の局所動き推定値を導出し、
    　前記２つの予測画像のそれぞれにおける画素位置ごとの輝度値および前記輝度の勾配値と、前記処理対象ブロックにおける画素位置ごとの前記輝度の局所動き推定値とを用いて、前記輝度の最終予測画像を生成し、
    　前記２つの予測画像のそれぞれにおける画素位置ごとの輝度の勾配値、および、前記処理対象ブロックにおける画素位置ごとの前記輝度の局所動き推定値、のうちの少なくとも一方と、前記２つの予測画像のそれぞれにおける画素位置ごとの色差とを用いて、前記色差の最終予測画像を生成する
    　復号方法。
PCT/JP2018/020875 2017-06-02 2018-05-31 符号化装置、復号装置、符号化方法および復号方法 WO2018221631A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US16/696,249 US11153596B2 (en) 2017-06-02 2019-11-26 Encoder, decoder, encoding method, and decoding method
US17/476,947 US11575931B2 (en) 2017-06-02 2021-09-16 Encoder, decoder, encoding method, and decoding method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201762514264P 2017-06-02 2017-06-02
US62/514,264 2017-06-02

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US16/696,249 Continuation US11153596B2 (en) 2017-06-02 2019-11-26 Encoder, decoder, encoding method, and decoding method

Publications (1)

Publication Number Publication Date
WO2018221631A1 true WO2018221631A1 (ja) 2018-12-06

Family

ID=64456064

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/020875 WO2018221631A1 (ja) 2017-06-02 2018-05-31 符号化装置、復号装置、符号化方法および復号方法

Country Status (2)

Country Link
US (2) US11153596B2 (ja)
WO (1) WO2018221631A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020200159A1 (en) * 2019-03-29 2020-10-08 Beijing Bytedance Network Technology Co., Ltd. Interactions between adaptive loop filtering and other coding tools
WO2021119145A1 (en) * 2019-12-09 2021-06-17 Qualcomm Incorporated Position-dependent intra-prediction combination for angular intra-prediction modes for video coding
CN113497937A (zh) * 2020-03-20 2021-10-12 Oppo广东移动通信有限公司 图像编码方法、图像解码方法及相关装置
CN116886927A (zh) * 2018-12-21 2023-10-13 北京达佳互联信息技术有限公司 视频编码的方法和装置、存储介质和计算机程序产品

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111050182B (zh) * 2019-12-27 2022-02-18 浙江大华技术股份有限公司 运动矢量的预测方法、视频编码方法及相关设备、装置
US20220272355A1 (en) * 2021-02-25 2022-08-25 Qualcomm Incorporated Machine learning based flow determination for video coding
WO2023050072A1 (en) * 2021-09-28 2023-04-06 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Methods and systems for video compression
US20230403397A1 (en) * 2022-06-09 2023-12-14 Alibaba (China) Co., Ltd. Cross component prediction of chroma samples

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017036399A1 (en) * 2015-09-02 2017-03-09 Mediatek Inc. Method and apparatus of motion compensation for video coding based on bi prediction optical flow techniques
WO2017058899A1 (en) * 2015-09-28 2017-04-06 Qualcomm Incorporated Improved bi-directional optical flow for video coding
WO2017134957A1 (ja) * 2016-02-03 2017-08-10 シャープ株式会社 動画像復号装置、動画像符号化装置、および予測画像生成装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SG10201408745YA (en) * 2011-06-28 2015-02-27 Samsung Electronics Co Ltd Prediction method and apparatus for chroma component of image using luma component of image
CN113612993B (zh) * 2016-02-05 2023-06-09 寰发股份有限公司 视频数据的运动补偿方法及装置
JP6860676B2 (ja) * 2017-01-04 2021-04-21 サムスン エレクトロニクス カンパニー リミテッド ビデオ復号方法及びその装置、並びにビデオ符号化方法及びその装置
CN116684601A (zh) * 2017-03-31 2023-09-01 松下电器（美国）知识产权公司 图像编码装置、图像解码装置及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017036399A1 (en) * 2015-09-02 2017-03-09 Mediatek Inc. Method and apparatus of motion compensation for video coding based on bi prediction optical flow techniques
WO2017058899A1 (en) * 2015-09-28 2017-04-06 Qualcomm Incorporated Improved bi-directional optical flow for video coding
WO2017134957A1 (ja) * 2016-02-03 2017-08-10 シャープ株式会社 動画像復号装置、動画像符号化装置、および予測画像生成装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ALSHIN, A. ET AL.: "BI-DIRECTIONAL OPTICAL FLOW FOR IMPROVING MOTION COMPENSATION", 28TH PICTURE CODING SYMPOSIUM (PCS2010), December 2010 (2010-12-01), pages 422 - 425, XP031885195 *
ALSHINA, ELENA ET AL.: "Bi-directional optical flow,", JOINT COLLABORATIVE TEAM ON VIDEO CODING (JCT- VC) OF ITU-T SG 16 WP3 AND ISO/IEC JTC1/SC29/WG11 JCTVC- C204, October 2010 (2010-10-01), 3rd Meeting Guangzhou, CN, pages 1 - 5, XP030007911 *
CHEN, JIANLE ET AL.: "Algorithm Description of Joint Exploration Test Model 6 (JEM 6)", JOINT VIDEO EXPLORATION TEAM (JVET) OF ITU-TSG 16 WP 3 AND ISO/IEC JTC 1/SC 29/WG 11, JVET-F1001-V2, 11 February 2017 (2017-02-11), Hobart, AU, pages 1 - 4 , 1-29, XP030150648 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116886927A (zh) * 2018-12-21 2023-10-13 北京达佳互联信息技术有限公司 视频编码的方法和装置、存储介质和计算机程序产品
WO2020200159A1 (en) * 2019-03-29 2020-10-08 Beijing Bytedance Network Technology Co., Ltd. Interactions between adaptive loop filtering and other coding tools
CN113632480A (zh) * 2019-03-29 2021-11-09 北京字节跳动网络技术有限公司 自适应环路滤波与其他编解码工具之间的交互
WO2021119145A1 (en) * 2019-12-09 2021-06-17 Qualcomm Incorporated Position-dependent intra-prediction combination for angular intra-prediction modes for video coding
US11671592B2 (en) 2019-12-09 2023-06-06 Qualcomm Incorporated Position-dependent intra-prediction combination for angular intra-prediction modes for video coding
CN113497937A (zh) * 2020-03-20 2021-10-12 Oppo广东移动通信有限公司 图像编码方法、图像解码方法及相关装置
CN113497937B (zh) * 2020-03-20 2023-09-05 Oppo广东移动通信有限公司 图像编码方法、图像解码方法及相关装置

Also Published As

Publication number Publication date
US20200099952A1 (en) 2020-03-26
US11575931B2 (en) 2023-02-07
US20220201323A1 (en) 2022-06-23
US11153596B2 (en) 2021-10-19

Similar Documents

Publication Publication Date Title
JP6765520B2 (ja) 符号化装置、復号装置、符号化方法及び復号方法
WO2018199051A1 (ja) 符号化装置、復号装置、符号化方法および復号方法
WO2018181448A1 (ja) 画像符号化装置、画像復号装置、画像符号化方法及び画像復号方法
JP2018152852A (ja) 符号化装置、復号装置、符号化方法及び復号方法
JP7339890B2 (ja) 符号化装置及び復号装置
JP2019017066A (ja) 符号化装置、復号装置、符号化方法及び復号方法
WO2019208677A1 (ja) 符号化装置、復号装置、符号化方法および復号方法
WO2018221631A1 (ja) 符号化装置、復号装置、符号化方法および復号方法
WO2018101288A1 (ja) 符号化装置、符号化方法、復号装置および復号方法
JPWO2018190207A1 (ja) 復号装置、復号方法及びプログラム
WO2018190207A1 (ja) 符号化装置、復号装置、符号化方法及び復号方法
WO2019189346A1 (ja) 符号化装置、復号装置、符号化方法及び復号方法
WO2018212111A1 (ja) 符号化装置、復号装置、符号化方法及び復号方法
WO2018193968A1 (ja) 符号化装置、復号装置、符号化方法及び復号方法
WO2019208372A1 (ja) 符号化装置、復号装置、符号化方法及び復号方法
WO2018199050A1 (ja) 符号化装置、復号装置、符号化方法及び復号方法
WO2018225593A1 (ja) 符号化装置、復号装置、符号化方法および復号方法
WO2018097115A1 (ja) 符号化装置、復号装置、符号化方法及び復号方法
WO2019221103A1 (ja) 符号化装置、復号装置、符号化方法及び復号方法
JP2021002891A (ja) 符号化装置及び符号化方法
JP2022069458A (ja) 符号化装置及び符号化方法
WO2019189344A1 (ja) 符号化装置、復号装置、符号化方法及び復号方法
JP6767579B2 (ja) 符号化装置、符号化方法、復号装置及び復号方法
WO2019163794A1 (ja) 符号化装置及び符号化方法
JP2023016992A (ja) 符号化装置及び復号装置

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: 18808874

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18808874

Country of ref document: EP

Kind code of ref document: A1