WO2019087905A1 - 画像フィルタ装置、画像復号装置、および画像符号化装置 - Google Patents

画像フィルタ装置、画像復号装置、および画像符号化装置 Download PDF

Info

Publication number
WO2019087905A1
WO2019087905A1 PCT/JP2018/039553 JP2018039553W WO2019087905A1 WO 2019087905 A1 WO2019087905 A1 WO 2019087905A1 JP 2018039553 W JP2018039553 W JP 2018039553W WO 2019087905 A1 WO2019087905 A1 WO 2019087905A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
unit
prediction
image data
parameter
Prior art date
Application number
PCT/JP2018/039553
Other languages
English (en)
French (fr)
Inventor
伊藤　典男
知宏 猪飼
山本　智幸
徳毛　靖昭
渡辺　裕
Original Assignee
シャープ株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by シャープ株式会社 filed Critical シャープ株式会社
Publication of WO2019087905A1 publication Critical patent/WO2019087905A1/ja

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
    • H04N19/59—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving spatial sub-sampling or interpolation, e.g. alteration of picture size or resolution
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/60—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding
    • H04N19/61—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding in combination with predictive coding
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/80—Details of filtering operations specially adapted for video compression, e.g. for pixel interpolation
    • H04N19/82—Details of filtering operations specially adapted for video compression, e.g. for pixel interpolation involving filtering within a prediction loop

Definitions

  • One aspect of the present invention relates to an image filter device, an image decoding device, and an image coding device.
  • a moving picture coding apparatus that generates coded data by coding a moving picture to efficiently transmit or record a moving picture, and a moving picture that generates a decoded picture by decoding the coded data.
  • An image decoding device is used.
  • HEVC High-Efficiency Video Coding
  • an image (picture) constituting a moving picture is a slice obtained by dividing the image, a coding tree unit obtained by dividing the slice (CTU: Coding Tree Unit)
  • a coding unit obtained by dividing a coding tree unit (sometimes called a coding unit (CU))
  • a prediction unit which is a block obtained by dividing a coding unit It is managed by the hierarchical structure which consists of (PU) and a transform unit (TU), and is encoded / decoded per CU.
  • a predicted picture is usually generated based on a locally decoded picture obtained by coding / decoding an input picture, and the predicted picture is generated from the input picture (original picture).
  • the prediction residual obtained by subtraction (sometimes referred to as "difference image” or "residual image") is encoded.
  • inter prediction inter prediction
  • intra-screen prediction intra prediction
  • Non-Patent Document 1 can be cited as a technology for moving picture encoding and decoding in recent years.
  • Non-Patent Document 2 can be given as a technology related to pre-processing and post-processing of image processing
  • Non-Patent Document 3 can be mentioned as a technology related to processing switching in an image processing process.
  • One aspect of the present invention is made in view of the above problems, and it is an object of the present invention to realize an image coding apparatus that generates a coded stream for generating a higher quality image when decoded. .
  • an encoding apparatus includes a first downsampling unit operating on an input image, a second downsampling unit operating on a predicted image, and the first downsampling unit.
  • the entropy of the quantized difference image obtained by performing transformation and quantization on the difference image obtained from the input image after downsampling by the downsampling unit of the second embodiment and the predicted image by the second downsampling unit Obtained from an entropy coding unit for coding, an inverse-transformed difference image obtained by performing inverse quantization and inverse transform on the quantized difference image, and a predicted image by the second down-sampling unit
  • a neural network unit that generates a locally decoded image with increased resolution by acting on the locally decoded image.
  • an image coding apparatus that generates a coded stream for generating a higher quality image when decoded.
  • FIG. 1 It is a figure which shows the hierarchical structure of the data of a coding stream. It is a figure which shows the pattern of PU split mode. (A) to (h) show partition shapes when the PU division mode is 2Nx2N, 2NxN, 2NxnU, 2NxnD,... 2N, nLx2N, nRx2N, and NxN, respectively. It is a conceptual diagram which shows an example of a reference picture and a reference picture list. It is the schematic which shows the structure of an image coding apparatus. It is the schematic which shows the structure of an image decoding apparatus. It is a schematic diagram showing the composition of the inter prediction image generation part contained in a prediction image generation part.
  • FIG. 5 is a diagram showing deconvolutoin by padding around and between images. It is a figure which shows the input to CNN of the encoding parameter expanded by Nearest Neighbor. It is a figure showing composition of an image filter device. It is a figure showing composition of an image filter device. It is a figure showing composition of an image filter device. It is a figure showing composition of an image filter device. It is a figure showing composition of an image filter device. It is a figure showing composition of an image filter device. It is a figure which shows the structure of an encoder and a decoder.
  • FIG. 42 is a schematic view showing the configuration of the image transmission system 1.
  • the image transmission system 1 is a system that transmits a code obtained by coding an image to be coded, decodes the transmitted code, and displays the image.
  • the image transmission system 1 is configured to include an image encoding device (moving image encoding device) 11, a network 21, an image decoding device (moving image decoding device) 31, and an image display device 41.
  • An image T representing an image of a single layer or a plurality of layers is input to the image coding device 11.
  • a layer is a concept used to distinguish a plurality of pictures when there is one or more pictures that constitute a certain time. For example, if the same picture is encoded by a plurality of layers having different image quality and resolution, it becomes scalable coding, and if a picture of different viewpoints is encoded by a plurality of layers, it becomes view scalable coding.
  • prediction inter-layer prediction, inter-view prediction
  • encoded data can be summarized.
  • the network 21 transmits the encoded stream Te generated by the image encoding device 11 to the image decoding device 31.
  • the network 21 is the Internet, a wide area network (WAN), a small area network (LAN), or a combination of these.
  • the network 21 is not necessarily limited to a two-way communication network, and may be a one-way communication network for transmitting broadcast waves such as terrestrial digital broadcasting and satellite broadcasting.
  • the network 21 may be replaced by a storage medium recording a coded stream Te such as a DVD (Digital Versatile Disc) or a BD (Blue-ray Disc).
  • the image decoding apparatus 31 decodes each of the encoded streams Te transmitted by the network 21 and generates one or more decoded images Td which are respectively decoded.
  • the image display device 41 displays all or a part of one or more decoded images Td generated by the image decoding device 31.
  • the image display device 41 includes, for example, a display device such as a liquid crystal display or an organic EL (Electro-luminescence) display.
  • a display device such as a liquid crystal display or an organic EL (Electro-luminescence) display.
  • a display device such as a liquid crystal display or an organic EL (Electro-luminescence) display.
  • SNR scalable coding when the image decoding device 31 and the image display device 41 have high processing capabilities, they display enhancement layer images with high image quality and have only lower processing capabilities.
  • the base layer image which does not require the processing capability and the display capability as high as the enhancement layer.
  • X? Y: z is a ternary operator that takes y if x is true (other than 0) and z if x is false (0).
  • FIG. 1 is a diagram showing a hierarchical structure of data in a coded stream Te.
  • the coded stream Te illustratively includes a sequence and a plurality of pictures forming the sequence.
  • (A) to (f) in FIG. 1 respectively represent a coded video sequence defining the sequence SEQ, a coded picture defining the picture PICT, a coding slice defining the slice S, and a coding slice defining slice data.
  • It is a figure which shows a coding tree unit contained in data, coding slice data, and a coding unit (Coding Unit; CU) contained in a coding tree unit.
  • CU coding unit
  • the encoded video sequence In the encoded video sequence, a set of data to which the image decoding device 31 refers in order to decode the sequence SEQ to be processed is defined.
  • the sequence SEQ includes a video parameter set (Video Parameter Set), a sequence parameter set SPS (Sequence Parameter Set), a picture parameter set PPS (Picture Parameter Set), a picture PICT, and an addition. It includes supplemental information SEI (Supplemental Enhancement Information).
  • SEI Supplemental Enhancement Information
  • the value shown after # indicates a layer ID.
  • FIG. 1 shows an example in which coded data of # 0 and # 1, that is, layer 0 and layer 1 exist, the type of layer and the number of layers do not depend on this.
  • a video parameter set VPS is a set of coding parameters common to a plurality of moving pictures and a set of coding parameters related to the plurality of layers included in the moving picture and each layer in a moving picture composed of a plurality of layers.
  • a set is defined.
  • sequence parameter set SPS a set of coding parameters to be referred to by the image decoding device 31 for decoding the target sequence is defined.
  • the width and height of the picture are defined.
  • multiple SPS may exist. In that case, one of a plurality of SPSs is selected from PPS.
  • a set of coding parameters to which the image decoding device 31 refers to to decode each picture in the target sequence is defined. For example, a reference value of quantization width (pic_init_qp_minus 26) used for decoding a picture and a flag (weighted_pred_flag) indicating application of weighted prediction are included.
  • multiple PPS may exist. In that case, one of a plurality of PPSs is selected from each picture in the target sequence.
  • the picture PICT includes slices S0 to SNS-1 (NS is the total number of slices included in the picture PICT), as shown in (b) of FIG.
  • the slice S includes a slice header SH and slice data SDATA as shown in (c) of FIG.
  • the slice header SH includes a coding parameter group to which the image decoding device 31 refers in order to determine the decoding method of the target slice.
  • the slice type specification information (slice_type) for specifying a slice type is an example of a coding parameter included in the slice header SH.
  • slice types that can be designated by slice type designation information, (1) I slice using only intra prediction at the time of encoding, (2) P slice using unidirectional prediction at the time of encoding or intra prediction, (3) B-slice using uni-directional prediction, bi-directional prediction, or intra prediction at the time of encoding.
  • the slice header SH may include a reference (pic_parameter_set_id) to the picture parameter set PPS included in the encoded video sequence.
  • the slice data SDATA includes a coding tree unit (CTU: Coding Tree Unit), as shown in (d) of FIG.
  • the CTU is a block of a fixed size (for example, 64 ⁇ 64) that configures a slice, and may also be referred to as a largest coding unit (LCU: Largest Coding Unit).
  • Encoding tree unit As shown in (e) of FIG. 1, a set of data to which the image decoding device 31 refers in order to decode a coding tree unit to be processed is defined.
  • the coding tree unit is divided by recursive quadtree division.
  • a tree-structured node obtained by recursive quadtree division is called a coding node (CN).
  • the intermediate nodes of the quadtree are coding nodes, and the coding tree unit itself is also defined as the top coding node.
  • the CTU includes a split flag (cu_split_flag), and when cu_split_flag is 1, the CTU is split into four coding nodes CN.
  • the coding node CN is not split, and has one coding unit (CU: Coding Unit) as a node.
  • the coding unit CU is an end node of the coding node and is not further divided.
  • the coding unit CU is a basic unit of coding processing.
  • the size of the coding unit can be 64x64 pixels, 32x32 pixels, 16x16 pixels, or 8x8 pixels.
  • a set of data to which the image decoding device 31 refers in order to decode a coding unit to be processed is defined.
  • the coding unit is composed of a prediction tree, a transformation tree, and a CU header CUH.
  • a prediction mode, a division method (PU division mode), and the like are defined.
  • prediction information (reference picture index, motion vector, etc.) of each prediction unit (PU) obtained by dividing the coding unit into one or more is defined.
  • a prediction unit is one or more non-overlapping regions that make up a coding unit.
  • the prediction tree includes one or more prediction units obtained by the above-mentioned division.
  • segmented the prediction unit further is called a "subblock.”
  • the sub block is composed of a plurality of pixels. If the size of the prediction unit and the subblock is equal, there is one subblock in the prediction unit. If the prediction unit is larger than the size of the subblock, the prediction unit is divided into subblocks. For example, when the prediction unit is 8x8 and the subblock is 4x4, the prediction unit is divided into four subblocks, which are horizontally divided into two and vertically divided into two.
  • the prediction process may be performed for each prediction unit (sub block).
  • Intra prediction is prediction in the same picture
  • inter prediction refers to prediction processing performed between mutually different pictures (for example, between display times, between layer images).
  • the division method is encoded according to the PU division mode (part_mode) of the encoded data, and 2Nx2N (same size as the encoding unit) There are NxN etc.
  • 2NxN and Nx2N indicate 1: 1 symmetric division
  • 2NxnU, 2NxnD and nLx2N and nRx2N indicate 1: 3 and 3: 1 asymmetric division.
  • the PUs included in the CU are expressed as PU0, PU1, PU2, PU3 in order.
  • FIG. 2 specifically illustrate the shapes of partitions (positions of boundaries of PU division) in respective PU division modes.
  • A) of FIG. 2 shows a 2Nx2N partition
  • (b) and (c) and (d) show 2NxN, 2NxnU, and 2NxnD partitions (horizontally long partitions), respectively.
  • (E), (f) and (g) show partitions (vertical partitions) in the case of Nx2N, nLx2N and nRx2N, respectively
  • (h) shows a partition of NxN. Note that the horizontally long partition and the vertically long partition are collectively referred to as a rectangular partition, and 2Nx2N and NxN are collectively referred to as a square partition.
  • the coding unit is divided into one or more transform units, and the position and size of each transform unit are defined.
  • a transform unit is one or more non-overlapping regions that make up a coding unit.
  • the transformation tree includes one or more transformation units obtained by the above-mentioned division.
  • Partitions in the transform tree may be allocated as a transform unit a region of the same size as the encoding unit, or may be based on recursive quadtree partitioning as in the case of CU partitioning described above.
  • a conversion process is performed for each conversion unit.
  • the prediction image of a prediction unit is derived by prediction parameters associated with PU.
  • the prediction parameters include intra prediction prediction parameters or inter prediction prediction parameters.
  • prediction parameters for inter prediction inter prediction (inter prediction parameters) will be described.
  • the inter prediction parameter includes prediction list use flags predFlagL0 and predFlagL1, reference picture indexes refIdxL0 and refIdxL1, and motion vectors mvL0 and mvL1.
  • the prediction list use flags predFlagL0 and predFlagL1 are flags indicating whether a reference picture list called an L0 list or an L1 list is used, respectively, and a reference picture list corresponding to a value of 1 is used.
  • a flag indicating whether or not it is XX if the flag is other than 0 (for example, 1) is XX, it is assumed that 0 is not XX; Treat 1 as true, 0 as false, and so on. However, in an actual apparatus or method, other values may be used as true values or false values.
  • Syntax elements for deriving inter prediction parameters included in encoded data include, for example, PU split mode part_mode, merge flag merge_flag, merge index merge_idx, inter prediction identifier inter_pred_idc, reference picture index refIdxLX, predicted vector index mvp_LX_idx, There is a difference vector mvdLX.
  • the reference picture list is a list of reference pictures stored in the reference picture memory 306.
  • FIG. 3 is a conceptual diagram showing an example of a reference picture and a reference picture list.
  • the rectangle is a picture
  • the arrow is a reference of the picture
  • the horizontal axis is time
  • I, P and B in the rectangle are intra pictures, uni-predicted pictures, bi-predicted pictures, and numbers in the rectangle are decoded. Show the order.
  • the decoding order of pictures is I0, P1, B2, B3, B4, and the display order is I0, B3, B2, B4, B1, P1.
  • FIG. 3B shows an example of the reference picture list.
  • the reference picture list is a list representing reference picture candidates, and one picture (slice) may have one or more reference picture lists.
  • the target picture B3 has two reference picture lists, an L0 list RefPicList0 and an L1 list RefPicList1.
  • Reference pictures when the target picture is B3 are I0, P1, and B2, and the reference pictures have these pictures as elements.
  • the reference picture index refIdxLX which picture in the reference picture list RefPicListX is actually referred to is designated by the reference picture index refIdxLX.
  • the figure shows an example in which reference pictures P1 and B2 are referenced by refIdxL0 and refIdxL1.
  • the prediction parameter decoding (encoding) method includes a merge prediction (merge) mode and an AMVP (Adaptive Motion Vector Prediction) mode.
  • the merge flag merge_flag is a flag for identifying these.
  • the merge prediction mode is a mode used to be derived from the prediction parameter of the already processed neighboring PU without including the prediction list use flag predFlagLX (or inter prediction identifier inter_pred_idc), the reference picture index refIdxLX, and the motion vector mvLX in the encoded data.
  • the AMVP mode is a mode in which the inter prediction identifier inter_pred_idc, the reference picture index refIdxLX, and the motion vector mvLX are included in the encoded data.
  • the motion vector mvLX is encoded as a prediction vector index mvp_LX_idx that identifies the prediction vector mvpLX and a difference vector mvdLX.
  • the inter prediction identifier inter_pred_idc is a value indicating the type and the number of reference pictures, and takes any one of PRED_L0, PRED_L1, and PRED_BI.
  • PRED_L0 and PRED_L1 indicate that reference pictures managed by reference pictures in the L0 list and the L1 list are used, respectively, and indicate that one reference picture is used (uniprediction).
  • PRED_BI indicates using two reference pictures (bi-prediction BiPred), and uses reference pictures managed by the L0 list and the L1 list.
  • the predicted vector index mvp_LX_idx is an index indicating a predicted vector
  • the reference picture index refIdxLX is an index indicating a reference picture managed in the reference picture list.
  • LX is a description method used when L0 prediction and L1 prediction are not distinguished, and parameters for L0 list and parameters for L1 list are distinguished by replacing LX with L0 and L1.
  • Merge index merge_idx is an index which shows whether any prediction parameter is used as a prediction parameter of decoding object PU among the prediction parameter candidates (merge candidate) derived
  • the motion vector mvLX indicates the amount of deviation between blocks on two different pictures.
  • the prediction vector and the difference vector relating to the motion vector mvLX are referred to as a prediction vector mvpLX and a difference vector mvdLX, respectively.
  • Inter prediction identifier inter_pred_idc and prediction list usage flag predFlagLX The relationship between the inter prediction identifier inter_pred_idc, and the prediction list use flag predFlagL0, predFlagL1 is as follows, and can be mutually converted.
  • the inter prediction parameter may use a prediction list use flag or may use an inter prediction identifier. Further, the determination using the prediction list use flag may be replaced with the determination using the inter prediction identifier. Conversely, the determination using the inter prediction identifier may be replaced with the determination using the prediction list utilization flag.
  • the flag biPred of bi-prediction BiPred can be derived depending on whether both of the two prediction list use flags are 1. For example, it can be derived by the following equation.
  • the flag biPred can also be derived based on whether or not the inter prediction identifier is a value indicating that two prediction lists (reference pictures) are used. For example, it can be derived by the following equation.
  • PRED_BI a value of 3
  • FIG. 5 is a schematic view showing the configuration of the image decoding device 31 according to this example.
  • the image decoding device 31 includes an entropy decoding unit 301, a prediction parameter decoding unit (predictive image decoding device) 302, a CNN (Convolutional Neural Network, super resolution neural network) filter 305, a reference picture memory 306, a prediction parameter memory 307, and a prediction image.
  • the configuration includes a generation unit (predicted image generation device) 308, an inverse quantization / inverse conversion unit 311, and an addition unit 312.
  • the prediction parameter decoding unit 302 is configured to include an inter prediction parameter decoding unit 303 and an intra prediction parameter decoding unit 304.
  • the predicted image generation unit 308 includes an inter predicted image generation unit 309 and an intra predicted image generation unit 310.
  • the entropy decoding unit 301 performs entropy decoding on the encoded stream Te input from the outside to separate and decode individual codes (syntax elements).
  • the separated codes include prediction information for generating a prediction image and residual information for generating a difference image.
  • the entropy decoding unit 301 outputs a part of the separated code to the prediction parameter decoding unit 302.
  • Examples of separated codes include quantization parameter (QP), prediction mode predMode, PU division mode part_mode, merge flag merge_flag, merge index merge_idx, inter prediction identifier inter_pred_idc, reference picture index refIdxLX, prediction vector index mvp_LX_idx, It is a difference vector mvdLX. Control of which code to decode is performed based on an instruction of the prediction parameter decoding unit 302.
  • the entropy decoding unit 301 outputs the quantization coefficient to the inverse quantization / inverse transform unit 311.
  • this quantization coefficient is applied to the residual signal by DCT (Discrete Cosine Transform, discrete cosine transform), DST (Discrete Sine Transform, discrete sine transform), KLT (Karyhnen Loeve Transform, Karhunen Loeve transform) Are coefficients obtained by performing frequency conversion such as.
  • DCT Discrete Cosine Transform, discrete cosine transform
  • DST Discrete Sine Transform, discrete sine transform
  • KLT Karyhnen Loeve Transform, Karhunen Loeve transform
  • the entropy decoding unit 301 outputs a part of the separated code to the CNN filter 305 described later.
  • the part of the separated code is, for example, a quantization parameter (QP), a prediction parameter, and depth information (division information).
  • the inter prediction parameter decoding unit 303 decodes the inter prediction parameter with reference to the prediction parameter stored in the prediction parameter memory 307 based on the code input from the entropy decoding unit 301.
  • the inter prediction parameter decoding unit 303 outputs the decoded inter prediction parameter to the prediction image generation unit 308, and stores the inter prediction parameter in the prediction parameter memory 307. Details of the inter prediction parameter decoding unit 303 will be described later.
  • the intra prediction parameter decoding unit 304 decodes the intra prediction parameter with reference to the prediction parameter stored in the prediction parameter memory 307 based on the code input from the entropy decoding unit 301.
  • the intra prediction parameter is a parameter used in a process of predicting a CU in one picture, for example, an intra prediction mode IntraPredMode.
  • the intra prediction parameter decoding unit 304 outputs the decoded intra prediction parameter to the prediction image generation unit 308, and stores it in the prediction parameter memory 307.
  • the intra prediction parameter decoding unit 304 may derive different intra prediction modes for luminance and chrominance.
  • the intra prediction parameter decoding unit 304 decodes a luminance prediction mode IntraPredModeY as a luminance prediction parameter and a chrominance prediction mode IntraPredModeC as a chrominance prediction parameter.
  • the luminance prediction mode IntraPredModeY is a 35 mode, which corresponds to planar prediction (0), DC prediction (1), and directional prediction (2 to 34).
  • the color difference prediction mode IntraPredModeC uses one of planar prediction (0), DC prediction (1), direction prediction (2 to 34), and LM mode (35).
  • the intra prediction parameter decoding unit 304 decodes a flag indicating whether IntraPredModeC is the same mode as the luminance mode, and if it indicates that the flag is the same mode as the luminance mode, IntraPredModeY is assigned to IntraPredModeC, and the flag indicates the luminance If intra mode is different from the mode, planar prediction (0), DC prediction (1), direction prediction (2 to 34), or LM mode (35) may be decoded as IntraPredModeC.
  • the CNN filter 305 acquires the quantization parameter and the prediction parameter from the entropy decoding unit 301, sets the decoded image of the CU generated by the addition unit 312 as an input image (pre-filter image), processes the unfiltered image, and outputs Output an image (filtered image).
  • the CNN filter 305 has the same function as the CNN filter 107 included in the image coding device 11 described later.
  • the reference picture memory 306 stores the decoded image of the CU generated by the adding unit 312 in a predetermined position for each picture and CU to be decoded.
  • the prediction parameter memory 307 stores prediction parameters in a predetermined position for each picture to be decoded and each prediction unit (or sub block, fixed size block, pixel). Specifically, the prediction parameter memory 307 stores the inter prediction parameter decoded by the inter prediction parameter decoding unit 303, the intra prediction parameter decoded by the intra prediction parameter decoding unit 304, and the prediction mode predMode separated by the entropy decoding unit 301. .
  • the inter prediction parameters to be stored include, for example, a prediction list use flag predFlagLX (inter prediction identifier inter_pred_idc), a reference picture index refIdxLX, and a motion vector mvLX.
  • the prediction image generation unit 308 receives the prediction mode predMode input from the entropy decoding unit 301, and also receives a prediction parameter from the prediction parameter decoding unit 302. Further, the predicted image generation unit 308 reads the reference picture from the reference picture memory 306. The prediction image generation unit 308 generates a prediction image of a PU or a sub block using the input prediction parameter and the read reference picture (reference picture block) in the prediction mode indicated by the prediction mode predMode.
  • the inter prediction image generation unit 309 performs inter prediction using the inter prediction parameter input from the inter prediction parameter decoding unit 303 and the read reference picture (reference picture block). Generates a predicted image of PU or subblock according to.
  • the inter-predicted image generation unit 309 uses the reference picture index refIdxLX for the reference picture list (L0 list or L1 list) in which the prediction list use flag predFlagLX is 1, and the motion vector based on the PU to be decoded
  • the reference picture block at the position indicated by mvLX is read out from the reference picture memory 306.
  • the inter-prediction image generation unit 309 performs prediction based on the read reference picture block to generate a PU prediction image.
  • the inter prediction image generation unit 309 outputs the generated prediction image of PU to the addition unit 312.
  • the reference picture block is a set of pixels on the reference picture (usually referred to as a block because it is a rectangle), and is an area to be referenced to generate a predicted image of PU or sub block.
  • the intra prediction image generation unit 310 When the prediction mode predMode indicates the intra prediction mode, the intra prediction image generation unit 310 performs intra prediction using the intra prediction parameter input from the intra prediction parameter decoding unit 304 and the read reference picture. Specifically, the intra predicted image generation unit 310 reads, from the reference picture memory 306, neighboring PUs which are pictures to be decoded and which are in a predetermined range from the PU to be decoded among PUs already decoded.
  • the predetermined range is, for example, one of the left, upper left, upper, and upper right adjacent PUs when the decoding target PU sequentially moves in the so-called raster scan order, and varies depending on the intra prediction mode.
  • the order of raster scan is an order of sequentially moving from the left end to the right end for each row from the top to the bottom in each picture.
  • the intra prediction image generation unit 310 performs prediction in the prediction mode indicated by the intra prediction mode IntraPredMode based on the read adjacent PU, and generates a PU prediction image.
  • the intra predicted image generation unit 310 outputs the generated predicted image of PU to the addition unit 312.
  • the intra prediction image generation unit 310 determines planar prediction (0), DC prediction (1), direction according to the luminance prediction mode IntraPredMode Y.
  • a prediction image of PU of luminance is generated by any of prediction (2 to 34), and planar prediction (0), DC prediction (1), direction prediction (2 to 34), LM mode according to color difference prediction mode IntraPredModeC.
  • the prediction image of color difference PU is generated by any of (35).
  • the inverse quantization / inverse transform unit 311 inversely quantizes the quantization coefficient input from the entropy decoding unit 301 to obtain a transform coefficient.
  • the inverse quantization / inverse transform unit 311 performs inverse frequency transform such as inverse DCT, inverse DST, and inverse KLT on the obtained transform coefficient to calculate a residual signal.
  • the inverse quantization / inverse transform unit 311 outputs the calculated residual signal to the addition unit 312.
  • the addition unit 312 adds, for each pixel, the PU prediction image input from the inter prediction image generation unit 309 or the intra prediction image generation unit 310 and the residual signal input from the inverse quantization / inverse conversion unit 311, Generate a PU decoded image.
  • the addition unit 312 stores the generated PU decoded image in the reference picture memory 306, and externally outputs a decoded image Td in which the generated PU decoded image is integrated for each picture.
  • FIG. 19 is a schematic diagram showing the configuration of the inter prediction parameter decoding unit 303.
  • the inter prediction parameter decoding unit 303 includes an inter prediction parameter decoding control unit 3031, an AMVP prediction parameter derivation unit 3032, an addition unit 3038, a merge prediction parameter derivation unit 3036, and a sub block prediction parameter derivation unit 3037.
  • the inter prediction parameter decoding control unit 3031 instructs the entropy decoding unit 301 to decode a code (syntax element) related to inter prediction, and a code (syntax element) included in the encoded data, for example, PU division mode part_mode , Merge flag merge_flag, merge index merge_idx, inter prediction identifier inter_pred_idc, reference picture index refIdxLX, prediction vector index mvp_LX_idx, difference vector mvdLX is extracted.
  • the inter prediction parameter decoding control unit 3031 first extracts the merge flag merge_flag. When the inter prediction parameter decoding control unit 3031 expresses that a syntax element is to be extracted, it instructs the entropy decoding unit 301 to decode a syntax element, which means that the corresponding syntax element is read out from the encoded data. Do.
  • the inter prediction parameter decoding control unit 3031 extracts an AMVP prediction parameter from the encoded data using the entropy decoding unit 301.
  • the AMVP prediction parameters for example, there are inter prediction identifier inter_pred_idc, reference picture index refIdxLX, prediction vector index mvp_LX_idx, difference vector mvdLX.
  • the AMVP prediction parameter derivation unit 3032 derives a prediction vector mvpLX from the prediction vector index mvp_LX_idx. Details will be described later.
  • the inter prediction parameter decoding control unit 3031 outputs the difference vector mvdLX to the addition unit 3038.
  • the addition unit 3038 adds the prediction vector mvpLX and the difference vector mvdLX to derive a motion vector.
  • the inter prediction parameter decoding control unit 3031 extracts a merge index merge_idx as a prediction parameter related to merge prediction.
  • the inter prediction parameter decoding control unit 3031 outputs the extracted merge index merge_idx to the merge prediction parameter derivation unit 3036 (details will be described later), and outputs the sub block prediction mode flag subPbMotionFlag to the sub block prediction parameter derivation unit 3037.
  • the sub-block prediction parameter derivation unit 3037 divides the PU into a plurality of sub-blocks according to the value of the sub-block prediction mode flag subPbMotionFlag, and derives a motion vector in units of sub-blocks.
  • a prediction block is predicted in small blocks of 4x4 or 8x8.
  • a method of dividing a CU into a plurality of partitions PUs such as 2NxN, Nx2N, NxN, etc.
  • PUs such as 2NxN, Nx2N, NxN, etc.
  • sub block prediction mode a plurality of sub-blocks are grouped into a set, and the syntax of the prediction parameter is encoded for each set, so that motion information of many sub-blocks can be encoded with a small code amount.
  • FIG. 18 is a schematic view showing the configuration of the inter predicted image generation unit 309 included in the predicted image generation unit 308. As shown in FIG.
  • the inter predicted image generation unit 309 includes a motion compensation unit (predicted image generation device) 3091 and a weight prediction unit 3094.
  • the motion compensation unit 3091 generates a reference picture index refIdxLX from the reference picture memory 306 based on the inter prediction parameters (prediction list use flag predFlagLX, reference picture index refIdxLX, motion vector mvLX) input from the inter prediction parameter decoding unit 303.
  • An interpolated image motion compensated image predSamplesLX is generated by reading out a block located at a position shifted by the motion vector mvLX from the position of the decoding target PU in the reference picture RefX specified in.
  • a filter called a motion compensation filter for generating pixels at decimal positions is applied to generate a motion compensated image.
  • the weight prediction unit 3094 generates a predicted image of PU by multiplying the input motion compensated image predSamplesLX by a weighting factor. If one of the prediction list use flags (predFlagL0 or predFlagL1) is 1 (in the case of uni-prediction), and if weight prediction is not used, input motion compensated image predSamplesLX (LX is L0 or L1) with pixel bit number bitDepth Perform the processing of the following formula according to.
  • predSamples [x] [y] Clip3 (0, (1 ⁇ bitDepth)-1, (predSamplesLX [x] [y] + offset1) >> shift1)
  • shift1 14 ⁇ bitDepth
  • offset1 1 ⁇ (shift1-1).
  • predFlagL0 and predFlagL1 are 1 (in the case of bi-predictive BiPred)
  • weight prediction is not used
  • the input motion compensated images predSamplesL0 and predSamplesL1 are averaged and the number of pixel bits Perform the processing of the following formula according to.
  • predSamples [x] [y] Clip3 (0, (1 ⁇ bitDepth)-1, (predSamplesL0 [x] [y] + predSamplesL1 [x] [y] + offset2) >> shift2)
  • shift2 15-bit Depth
  • offset2 1 ⁇ (shift2-1).
  • the weight prediction unit 3094 derives the weight prediction coefficient w0 and the offset o0 from the encoded data, and performs the processing of the following equation.
  • predSamples [x] [y] Clip3 (0, (1 ⁇ bitDepth)-1, ((predSamplesLX [x] [y] * w0 + 2 ⁇ (log2WD-1) >> log2WD) + o0)
  • log2WD is a variable indicating a predetermined shift amount.
  • the weight prediction unit 3094 derives weight prediction coefficients w0, w1, o0, and o1 from encoded data, and performs the processing of the following formula.
  • FIG. 4 is a schematic view showing the configuration of the image coding device 11 according to this example.
  • the image coding apparatus 11 includes a predicted image generation unit 101, a subtraction unit 102, a transform / quantization unit 103, an entropy coding unit 104, an inverse quantization / inverse transform unit 105, an addition unit 106, a CNN (Convolutional Neural Network), Resolution neural network filter 107, prediction parameter memory (prediction parameter storage unit, frame memory) 108, reference picture memory (reference image storage unit, frame memory) 109, coding parameter determination unit 110, prediction parameter coding unit 111 It comprises.
  • the prediction parameter coding unit 111 includes an inter prediction parameter coding unit 112 and an intra prediction parameter coding unit 113.
  • the prediction image generation unit 101 generates, for each picture of the image T, the prediction image P of the prediction unit PU for each coding unit CU, which is an area obtained by dividing the picture.
  • the predicted image generation unit 101 reads a decoded block from the reference picture memory 109 based on the prediction parameter input from the prediction parameter coding unit 111.
  • the prediction parameter input from the prediction parameter coding unit 111 is, for example, a motion vector in the case of inter prediction.
  • the predicted image generation unit 101 reads a block at a position on the reference image indicated by the motion vector starting from the target PU.
  • the prediction parameter is, for example, an intra prediction mode.
  • the pixel value of the adjacent PU used in the intra prediction mode is read from the reference picture memory 109, and a PU predicted image P is generated.
  • the prediction image generation unit 101 generates a PU prediction image P using one of a plurality of prediction methods for the read reference picture block.
  • the prediction image generation unit 101 outputs the generated prediction image P of PU to the subtraction unit 102.
  • FIG. 6 is a schematic diagram showing a configuration of the inter predicted image generation unit 1011 included in the predicted image generation unit 101.
  • the inter prediction image generation unit 1011 includes a motion compensation unit 10111 and a weight prediction unit 10112.
  • the motion compensation unit 10111 and the weight prediction unit 10112 have the same configuration as that of the above-described motion compensation unit 3091 and weight prediction unit 3094, and therefore the description thereof is omitted here.
  • the prediction image generation unit 101 generates a PU prediction image P based on the pixel value of the reference block read from the reference picture memory, using the parameter input from the prediction parameter coding unit.
  • the predicted image generated by the predicted image generation unit 101 is output to the subtraction unit 102 and the addition unit 106.
  • the subtraction unit 102 subtracts the signal value of the predicted image P of the PU input from the predicted image generation unit 101 from the pixel value of the corresponding PU of the image T to generate a residual signal.
  • the subtraction unit 102 outputs the generated residual signal to the transformation / quantization unit 103.
  • the transform / quantization unit 103 performs frequency transform on the residual signal input from the subtraction unit 102 to calculate transform coefficients.
  • the transform / quantization unit 103 quantizes the calculated transform coefficient to obtain a quantization coefficient.
  • Transform / quantization section 103 outputs the obtained quantization coefficient to entropy coding section 104 and inverse quantization / inverse transform section 105.
  • the entropy coding unit 104 receives the quantization coefficient from the transform / quantization unit 103, and receives the coding parameter from the prediction parameter coding unit 111.
  • the coding parameters to be input include, for example, codes such as quantization parameter, depth information (division information), reference picture index refIdxLX, prediction vector index mvp_LX_idx, difference vector mvdLX, prediction mode predMode, and merge index merge_idx.
  • the entropy coding unit 104 entropy-codes the input quantization coefficient and coding parameters to generate a coded stream Te, and outputs the generated coded stream Te to the outside.
  • the inverse quantization / inverse transform unit 105 inversely quantizes the quantization coefficient input from the transform / quantization unit 103 to obtain a transform coefficient.
  • the inverse quantization / inverse transform unit 105 performs inverse frequency transform on the obtained transform coefficient to calculate a residual signal.
  • the inverse quantization / inverse transform unit 105 outputs the calculated residual signal to the addition unit 106.
  • the addition unit 106 adds the signal value of the prediction image P of PU input from the prediction image generation unit 101 and the signal value of the residual signal input from the inverse quantization / inverse conversion unit 105 for each pixel, and decodes Generate an image.
  • the addition unit 106 stores the generated decoded image in the reference picture memory 109.
  • the CNN filter 107 is an example of the image filter device according to the present example.
  • the image filter device according to the present example functions as a filter for acting on the local decoded image.
  • the image filter device according to the present embodiment includes, as pixel values, one or more first type of first input image data having luminance or color difference as pixel values, and values corresponding to reference parameters for generating a predicted image and a difference image.
  • the neural network is provided with one or more second type input image data and outputting one or more first type output image data whose luminance or color difference is a pixel value.
  • the reference parameter in the present specification refers to a parameter referred to for generating a predicted image and a difference image, and may include the above-described coding parameter as an example. It will be as follows if an example of a reference parameter is described concretely.
  • Quantization parameters in an image (hereinafter also referred to as input image) on which an image filter device operates ⁇ Parameter indicating type of intra prediction and inter prediction in input image ⁇ Parameter indicating intra prediction direction in input image ⁇ Parameter indicating reference picture of inter prediction in input image ⁇ Parameter indicating the division depth of the partition in the input image ⁇ Parameter indicating the size of partition in input image
  • the reference parameter may be simply referred to as a parameter unless there is a particular confusion. Also, the reference parameter may be explicitly transmitted in the encoded data.
  • the CNN filter 107 receives data of the decoded image generated by the adding unit 106 as first type input image (pre-filter image) data, processes the unfiltered image, and outputs the first type output image (filtered image ) Output data.
  • the image filter apparatus may process the unfiltered image by acquiring the quantization parameter and the prediction parameter as the second type of input image data from the prediction parameter coding unit 111 or the entropy decoding unit 301. it can.
  • the image filter arrangement has the effect of reducing coding distortion, ie block distortion and ringing distortion.
  • CNN is a generic term for a neural network having at least a convolution layer (a weighting factor in a product-sum operation and a layer in which a bias / offset does not depend on a position in a picture).
  • the weighting factors are also called kernels.
  • the CNN filter 107 may include a convolution layer as well as a layer called a full connection layer (FCN) whose weight calculation depends on a position in a picture.
  • FCN full connection layer
  • the input size to the convolution layer and the output size may be different. That is, the CNN filter 107 can include a layer in which the output size is smaller than the input size by setting the movement amount (step size) when moving the position to which the convolution filter is applied larger than one.
  • the CNN filter 107 may include a pooling layer (Pooling), a dropout (DropOut) layer, and the like.
  • the pooling layer is a layer that divides a large image into small windows and obtains representative values such as the maximum value and the average value according to the divided windows, and the dropout layer outputs a fixed value (for example, a value) according to the probability. It is a layer which adds randomness by setting it as 0).
  • FIG. 7 is a conceptual diagram showing an example of input and output of the CNN filter 107.
  • the pre-filtered image is quantized in three image channels, including the luminance (Y) channel, the first chrominance (Cb) channel, and the second chrominance (Cr) channel, and The channel of one coding parameter (reference parameter) including the channel of the parameter (QP) is included.
  • the filtered image has three channels, including the processed luminance (Y ') channel, the processed chrominance (Cb') channel, and the processed chrominance (Cr ') channel. Includes the channel of the image.
  • FIG. 8 is a schematic diagram showing an example of the configuration of the CNN filter 107. As shown in FIG.
  • the CNN filter 107 includes a plurality of convX layers.
  • the convX layer can include at least one of the following configurations.
  • conv (x) configuration for performing a process of applying a filter (convolution)
  • batch_norm (act (conv (x))) A configuration in which batch normalization (normalization of input range) is performed after convolution and activation.
  • pooling Configuration for performing compression and downsizing of information between conv layers In the example shown in FIG.
  • the input unfiltered image has a size of (N1 + N2) ⁇ H1 ⁇ W1.
  • N1 indicates the number of image channels. For example, when the unfiltered image includes only the luminance (Y) channel, N1 is “1”. When Y, Cb and Cr channels are included, N1 is “3”. When R, G, B channels are included, N1 is "3". W1 is the width patch size of the picture, and H1 is the height patch size of the picture.
  • N2 indicates the number of channels of the coding parameter. For example, if the coding parameter includes only a channel of quantization parameter (QP), N2 is "1".
  • QP quantization parameter
  • the configuration including the add layer is a configuration in which a CNN filter is used to predict the difference between the filtered image and the pre-filtered image (residual), and it is known to be particularly effective in a configuration in which the CNN layer is deep.
  • ResNet a configuration in which a plurality of layers for deriving residuals are stacked is known
  • the number of add layers is not limited to one, and a plurality of add layers may be provided.
  • the network may include branches, and may be provided with a Concatenate layer that bundles the branched inputs and outputs. For example, when data of N1xH1xW1 and data of N2xH1xW1 are concatenated, data of (N1 + N2) xH1xW1 is obtained.
  • Data of (N1 + N2) ⁇ H1 ⁇ W1 is input to conv1, which is the first conv layer of the CNN filter 107, and data of Nconv1 ⁇ H1 ⁇ W1 is output.
  • Data of Nconv1xH1xW1 is input to the second conv layer of the CNN filter 107, and data of Nconv2xH1xW1 is output.
  • the third conv layer of the CNN filter 107, conv3, receives data of Nconv2xH1xW1 and outputs data of N1xH1xW1.
  • the add layer which is the add layer
  • the data of N1xH1xW1 which is the output of the conv layer and the unfiltered image of N1xH1xW1 are added pixel by pixel, and data of N1xH1xW1 is output.
  • the number of channels of the picture is reduced by N1 + N2 to N1 by being processed by the CNN filter 107.
  • the CNN filter 107 processes in the channel first (channel ⁇ height ⁇ width) data format, but may process in the channel last (height ⁇ width ⁇ channel) data format.
  • the CNN filter 107 can also be provided with an auto encoder layer that reduces the output size by the convolution layer, increases the output size by the deconvolution layer, and restores the original size.
  • a deep network composed of multiple convolution layers is sometimes called DNN (Deep Neural Network).
  • the image filter device can also have a Recurrent Neural Network (RNN) that causes part of the output of the network to be input to the network again.
  • RNN Recurrent Neural Network
  • the re-entered information can be considered as the internal state of the network.
  • the image filter device has, as a component, Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU), which use a subnetwork of a neural network to control update and transmission of reinput information (internal state). Multiple combinations are possible.
  • LSTM Long Short-Term Memory
  • GRU Gated Recurrent Unit
  • a channel of division information (Part Depth) and a channel of prediction mode information (PredMode) can be added to the channel of the coding parameter of the image before filtering, in addition to the channel of quantization parameter (QP).
  • Part Depth Part Depth
  • PredMode channel of prediction mode information
  • the quantization parameter (QP) is a parameter that controls the compression rate and the image quality of the image.
  • the quantization parameter (QP) has a characteristic that the image quality decreases and the code amount decreases as the value increases, and the characteristic that the image quality increases and the code amount increases as the value decreases.
  • the quantization parameter (QP) for example, a parameter for deriving the quantization width of the prediction residual can be used.
  • the quantization parameter (QP) in units of pictures, one representative quantization parameter (QP) of the processing target frame can be input.
  • the quantization parameter (QP) can be specified by a set of parameters applied to the current picture.
  • the quantization parameter (QP) can be calculated based on the quantization parameter (QP) applied to the components of the picture.
  • the quantization parameter (QP) can be calculated based on the average value of the quantization parameter (QP) applied to the slice.
  • quantization parameter (QP) of the unit obtained by dividing the picture it is possible to input the quantization parameter (QP) for each unit obtained by dividing the picture according to a predetermined standard.
  • quantization parameters (QP) can be applied on a slice-by-slice basis.
  • quantization parameters (QP) can be applied to blocks in the slice.
  • the quantization parameter (QP) can be designated by an area unit (for example, each area obtained by dividing a picture into 16 ⁇ 9 pieces) independent from the existing coding unit.
  • the quantization parameter (QP) depends on the number of slices and the number of transform units, the value of the quantization parameter (QP) corresponding to the region is indeterminate, and the CNN filter can not be configured. It is conceivable to use the average value of the quantization parameter (QP).
  • a list of quantization parameters (QP) is generated and input to the CNN filter so that the number of quantization parameters (QP) becomes constant.
  • QP quantization parameters
  • the quantization parameter (QP) to be applied to the component to be processed can be input.
  • the quantization parameter (QP) may include a luminance quantization parameter (QP) and a color difference quantization parameter (QP).
  • the quantization parameter (QP) of the target block and the quantization parameter (QP) of the block periphery may be input as the peripheral quantization parameter (QP).
  • the CNN filter 107 can be designed according to the picture and the coding parameters. That is, since the CNN filter 107 can be designed according to coding parameters as well as picture characteristics that can be derived from image data such as directionality and activity, the CNN filter 107 has different strengths for each coding parameter. Filter can be realized. Therefore, since the present example includes the CNN filter 107, processing according to the coding parameter can be performed without introducing a different network for each coding parameter.
  • FIG. 9 is a schematic view showing a modification of the configuration of the image filter device.
  • the CNN filter which is an image filter device may not include the add layer but may include only the convX layer.
  • the CNN filter outputs data of N1 * H1 * W1 even in the present modification that does not include the add layer.
  • a reference parameter demonstrates an example of a quantization parameter (QP) with reference to FIG.
  • the quantization parameter (QP) shown in (a) of FIG. 10 is arranged in a unit area of the transform unit (or a unit area where the quantization parameter (QP) is the same).
  • quantization parameters (QP) directly corresponding to each pixel can be used for processing, and processing can be performed according to each pixel.
  • the boundary of the transform unit can be known from the change position of the quantization parameter (QP), and information on whether it is in the same transform unit or a pixel of an adjacent different transform unit can be used for filter processing. Further, not only the change in pixel value but also the change in quantization parameter (QP) can be used. For example, information such as whether the quantization parameter (QP) is flat, slowly changing, steeply changing, or continuously changing can be used. In addition, normalization and standardization may be performed so as to be close to the average value 0 and the variance 1 before being input to the CNN filter 107. The same applies to coding parameters and pixel values other than quantization parameters.
  • FIG. 11 shows an example of reference parameters as prediction parameters.
  • the prediction parameter includes information indicating intra prediction or inter prediction, and in the case of inter prediction, a prediction mode indicating the number of reference pictures used for prediction.
  • the prediction parameters shown in (a) of FIG. 11 are arranged in units of coding units (prediction units).
  • regions, such as a pixel is shown to (b) of FIG.
  • prediction parameters directly corresponding spatially to each pixel can be used for processing, and processing corresponding to each pixel can be performed. That is, the prediction parameters of (x, y) coordinates can be used simultaneously with (R, G, B) and (Y, Cb, Cr) which are pixel values of (x, y) coordinates.
  • the boundary of the coding unit can be known from the change position of the prediction parameter, and information on whether it is in the same coding unit or a pixel of an adjacent different coding unit can be used for the filtering process. Further, not only the change in pixel value but also the change in prediction parameter can be used. For example, information such as whether the prediction parameter is flat, slowly changing, sharply changing, or continuously changing can be used.
  • the value assigned to the prediction parameter is not limited to the example of the numbers shown in (b) of FIG. 11 as long as a value close to the prediction mode having a similar nature is assigned. For example, “-2” may be assigned to intra prediction, “2” may be assigned to uni-prediction, and “4” may be assigned to bi-prediction.
  • FIG. 12 shows the definition of the prediction mode.
  • 67 types of prediction modes are defined for the luminance pixel, and each prediction mode is specified by the numbers “0” to “66” (intra prediction mode index). Further, the following names are assigned to each prediction mode. That is, “0” is “Planar (plane prediction)", “1” is “DC (DC prediction)”, and “2” to “66” is “Angular (direction prediction)” .
  • LM prediction Color difference prediction mode
  • DM prediction dividing the luminance intra prediction mode
  • LM prediction is linear prediction of chrominance based on prediction of luminance.
  • LM prediction is prediction that uses the correlation between luminance pixel values and chrominance pixel values.
  • FIG. 13 illustrates an example of the intra prediction parameter of the luminance pixel as a reference parameter.
  • the intra prediction parameters include values of prediction parameters determined for each partition.
  • the intra prediction parameter can include, for example, an intra prediction mode or the like.
  • the intra prediction parameters shown in (a) of FIG. 13 are arranged in units of coding units (prediction units).
  • intra prediction parameters directly corresponding to each pixel can be used for processing, and processing can be performed according to each pixel.
  • the boundary of the coding unit can be known from the change position of the intra prediction parameter, and it is possible to use information as to whether it is the same coding unit or a pixel of an adjacent different coding unit.
  • the change in pixel value but also the change in intra prediction parameter can be used. For example, information such as whether the intra prediction parameter changes slowly, steeply, or continuously may be used.
  • FIG. 14 illustrates an example of depth information (division information) as a reference parameter.
  • the depth information is determined according to the conversion unit for each partition.
  • the depth information is determined, for example, according to the number of divisions of the coding unit, and corresponds to the size of the coding unit.
  • the depth information shown in (a) of FIG. 14 is arranged in a coding unit (prediction unit unit).
  • a coding unit prediction unit unit
  • regions, such as a pixel is shown to (b) of FIG.
  • regions, such as a pixel is shown to (b) of FIG.
  • the boundary of the coding unit can be known from the change position of the depth information, and it is possible to use information as to whether it is the same coding unit or the pixel of the adjacent different coding unit.
  • not only the change in pixel value but also the change in depth information can be used. For example, it is possible to use information such as whether the depth information changes slowly, steeply, or continuously.
  • size information indicating the horizontal size and vertical size of the partition may be used.
  • FIG. 15 shows an example where reference parameters are size information including horizontal and vertical sizes of partitions.
  • two pieces of information ie, information of horizontal size and vertical size, are input for each unit area.
  • log2 (W) ⁇ 2 log 2 (logarithmic values of 2 of the horizontal size W (width) and vertical size H (height) of the partition plus a predetermined offset ( ⁇ 2) H) -2 is used as a reference parameter.
  • the partition sizes (W, H) of (1, 1), (2, 1), (0, 0), (2, 0), (1, 2), (0, 1) are respectively (8, 8) , (16, 8), (4, 4), (16, 4), (8, 16), (4, 8).
  • the partition size in the example shown in FIG. 15 can also be considered as a value (3-log 2 (D)) obtained by subtracting a logarithmic value of 2 of the value D indicating the number of divisions in the horizontal and vertical directions of the conversion unit from a predetermined value. it can.
  • the size information shown in (a) of FIG. 15 is arranged in units of conversion blocks.
  • FIG. 16 shows another example in which the coding parameter consists of a plurality of prediction parameters.
  • the coding parameter consists of a plurality of prediction parameters.
  • reference picture information is included in the prediction parameters.
  • the prediction parameters shown in (a) of FIG. 16 are arranged in units of transform blocks.
  • the CNN filter 107 learns using training data and an error function.
  • the CNN filter 107 As training data of the CNN filter 107, a set of the unfiltered image, the reference parameter, and the original image described above can be input. Also, the filtered image output from the CNN filter 107 is expected to minimize an error with the original image at a certain reference parameter.
  • an error function of the CNN filter 107 a function that evaluates an error from the original image of the filtered image subjected to the filter processing by the CNN filter 107 (for example, mean absolute value error or mean square error mean square error Can be used.
  • parameter magnitudes can be used as regularization terms in addition to the error function. Regularization can use absolute values of parameters, squared values, or both (called lasso, ridge, elasticnet, respectively).
  • the code amount of the CNN parameter may be further added to the error of the error function.
  • GAN generative adversary networks
  • the CNN filter 305 of the image decoding device 31 performs learning in the same manner as the CNN filter 107 of the image coding device 11.
  • the CNN parameters of the two CNN filters are the same.
  • the prediction parameter memory 108 stores the prediction parameter generated by the coding parameter determination unit 110 in a predetermined position for each picture and CU to be coded.
  • the reference picture memory 109 stores the decoded image generated by the CNN filter 107 in a predetermined position for each picture and CU to be encoded.
  • the coding parameter determination unit 110 selects one of a plurality of sets of coding parameters.
  • the coding parameter is a prediction parameter described above or a parameter to be coded that is generated in association with the prediction parameter.
  • the prediction image generation unit 101 generates a PU prediction image P using each of these sets of coding parameters.
  • the coding parameter determination unit 110 calculates, for each of the plurality of sets, a cost value indicating the size of the information amount and the coding error.
  • the cost value is, for example, the sum of the code amount and a value obtained by multiplying the square error by the coefficient ⁇ .
  • the code amount is the information amount of the coded stream Te obtained by entropy coding the quantization error and the coding parameter.
  • the squared error is a sum between pixels with respect to the square value of the residual value of the residual signal calculated by the subtraction unit 102.
  • the factor ⁇ is a real number greater than a preset zero.
  • the coding parameter determination unit 110 selects a set of coding parameters that minimize the calculated cost value.
  • the entropy coding unit 104 externally outputs the set of selected coding parameters as the coded stream Te, and does not output the set of non-selected coding parameters.
  • the coding parameter determination unit 110 stores the determined coding parameters in the prediction parameter memory 108.
  • the prediction parameter coding unit 111 derives a format for coding from the parameters input from the coding parameter determination unit 110, and outputs the format to the entropy coding unit 104. Derivation of a form for encoding is, for example, derivation of a difference vector from a motion vector and a prediction vector. Further, the prediction parameter coding unit 111 derives parameters necessary to generate a prediction image from the parameters input from the coding parameter determination unit 110, and outputs the parameters to the prediction image generation unit 101.
  • the parameters required to generate a predicted image are, for example, motion vectors in units of subblocks.
  • the inter prediction parameter coding unit 112 derives inter prediction parameters such as a difference vector based on the prediction parameters input from the coding parameter determination unit 110.
  • the inter prediction parameter coding unit 112 derives the inter prediction parameter by the inter prediction parameter decoding unit 303 (refer to FIG. 5 and the like) as a configuration for deriving the parameters necessary for generating the prediction image to be output to the prediction image generation unit 101. Partially include the same configuration as the configuration.
  • the intra prediction parameter coding unit 113 derives a format (for example, MPM_idx, rem_intra_luma_pred_mode, etc.) for coding from the intra prediction mode IntraPredMode input from the coding parameter determination unit 110.
  • a format for example, MPM_idx, rem_intra_luma_pred_mode, etc.
  • the coding parameter determination unit 110 selects one of a plurality of sets of coding parameters.
  • the coding parameter is a prediction parameter described above or a parameter to be coded that is generated in association with the prediction parameter.
  • the prediction image generation unit 101 generates a PU prediction image P using each of these sets of coding parameters.
  • the coding parameter determination unit 110 calculates, for each of the plurality of sets, a cost value indicating the size of the information amount and the coding error.
  • the cost value is, for example, the sum of the code amount and a value obtained by multiplying the square error by the coefficient ⁇ .
  • the code amount is the information amount of the coded stream Te obtained by entropy coding the quantization error and the coding parameter.
  • the squared error is a sum between pixels with respect to the square value of the residual value of the residual signal calculated by the subtraction unit 102.
  • the factor ⁇ is a real number greater than a preset zero.
  • the coding parameter determination unit 110 selects a set of coding parameters that minimize the calculated cost value.
  • the entropy coding unit 104 externally outputs the set of selected coding parameters as the coded stream Te, and does not output the set of non-selected coding parameters.
  • the coding parameter determination unit 110 stores the determined coding parameters in the prediction parameter memory 108.
  • the prediction parameter coding unit 111 derives a format for coding from the parameters input from the coding parameter determination unit 110, and outputs the format to the entropy coding unit 104. Derivation of a form for encoding is, for example, derivation of a difference vector from a motion vector and a prediction vector. Further, the prediction parameter coding unit 111 derives parameters necessary to generate a prediction image from the parameters input from the coding parameter determination unit 110, and outputs the parameters to the prediction image generation unit 101.
  • the parameters required to generate a predicted image are, for example, motion vectors in units of subblocks.
  • the inter prediction parameter coding unit 112 derives inter prediction parameters such as a difference vector based on the prediction parameters input from the coding parameter determination unit 110.
  • the inter prediction parameter coding unit 112 derives the inter prediction parameter by the inter prediction parameter decoding unit 303 (refer to FIG. 5 and the like) as a configuration for deriving the parameters necessary for generating the prediction image to be output to the prediction image generation unit 101. Partially include the same configuration as the configuration. The configuration of the inter prediction parameter coding unit 112 will be described later.
  • the intra prediction parameter coding unit 113 derives a format (for example, MPM_idx, rem_intra_luma_pred_mode, etc.) for coding from the intra prediction mode IntraPredMode input from the coding parameter determination unit 110.
  • a format for example, MPM_idx, rem_intra_luma_pred_mode, etc.
  • the inter prediction parameter coding unit 112 is a means corresponding to the inter prediction parameter decoding unit 303 in FIG. 19, and the configuration is shown in FIG.
  • the inter prediction parameter coding unit 112 includes an inter prediction parameter coding control unit 1121, an AMVP prediction parameter derivation unit 1122, a subtraction unit 1123, a sub block prediction parameter derivation unit 1125, and a division mode derivation unit and a merge flag derivation unit (not shown).
  • An inter prediction identifier derivation unit, a reference picture index derivation unit, a vector difference derivation unit, etc., and a division mode derivation unit, a merge flag derivation unit, an inter prediction identifier derivation unit, a reference picture index derivation unit, a vector difference derivation unit Respectively derive a PU split mode part_mode, a merge flag merge_flag, an inter prediction identifier inter_pred_idc, a reference picture index refIdxLX, and a difference vector mvdLX.
  • the inter prediction parameter coding unit 112 outputs the motion vector (mvLX, subMvLX), the reference picture index refIdxLX, the PU division mode part_mode, the inter prediction identifier inter_pred_idc, or information indicating these to the predicted image generation unit 101.
  • the inter prediction parameter encoding unit 112 includes: PU division mode part_mode, merge flag merge_flag, merge index merge_idx, inter prediction identifier inter_pred_idc, reference picture index refIdxLX, prediction vector index mvp_LX_idx, difference vector mvdLX, sub block prediction mode flag subPbMotionFlag Output to encoding section 104.
  • the inter prediction parameter coding control unit 1121 includes a merge index derivation unit 11211 and a vector candidate index derivation unit 11212.
  • the merge index derivation unit 11211 compares the motion vector and reference picture index input from the coding parameter determination unit 110 with the motion vector and reference picture index of the PU of the merge candidate read from the prediction parameter memory 108, and merges The index merge_idx is derived and output to the entropy coding unit 104.
  • the merge candidate is a reference PU in a predetermined range from the encoding target CU to be encoded (for example, a reference PU in contact with the lower left end, upper left end, upper right end of the encoding target block) It is PU which processing completed.
  • the vector candidate index deriving unit 11212 derives a predicted vector index mvp_LX_idx.
  • the sub block prediction parameter derivation unit 1125 When the coding parameter determination unit 110 determines to use the sub block prediction mode, the sub block prediction parameter derivation unit 1125 performs spatial sub block prediction, temporal sub block prediction, affine prediction, and matching motion derivation according to the value of subPbMotionFlag.
  • the motion vector and reference picture index of any subblock prediction are derived.
  • the motion vector and the reference picture index are derived from the prediction parameter memory 108 by reading out motion vectors and reference picture indexes such as adjacent PUs and reference picture blocks as described in the description of the image decoding apparatus.
  • the AMVP prediction parameter derivation unit 1122 has a configuration similar to that of the above-described AMVP prediction parameter derivation unit 3032 (see FIG. 19).
  • the motion vector mvLX is input from the coding parameter determination unit 110 to the AMVP prediction parameter derivation unit 1122.
  • the AMVP prediction parameter derivation unit 1122 derives a prediction vector mvpLX based on the input motion vector mvLX.
  • the AMVP prediction parameter derivation unit 1122 outputs the derived prediction vector mvpLX to the subtraction unit 1123.
  • the reference picture index refIdx and the prediction vector index mvp_LX_idx are output to the entropy coding unit 104.
  • the subtracting unit 1123 subtracts the prediction vector mvpLX input from the AMVP prediction parameter derivation unit 1122 from the motion vector mvLX input from the coding parameter determination unit 110 to generate a difference vector mvdLX.
  • the difference vector mvdLX is output to the entropy coding unit 104.
  • FIG. 25 is an example of a CNN filter having another network configuration different from the network configuration (FIGS. 8 and 9) described in the first embodiment, and is the first embodiment. Has the same effect as the example.
  • the CNN filter 107a includes two convX layers (convolution layers) conv1 and conv2, a pooling layer pooling, and a deconv layer (deconvolution layer) conv3.
  • the convX layers conv1 and conv2 are convolution layers
  • the deconv layer conv3 is a deconvolution layer.
  • the pooling layer pooling is placed between the convX layer conv2 and the convX layer conv3.
  • the input unfiltered image has a size of (N1 + N2) * H1 * W1. Also in this example, N1 indicates the number of image channels. W1 is the width patch size of the picture, and H1 is the height patch size of the picture. N2 indicates the number of channels of the coding parameter.
  • Data of (N1 + N2) * H1 * W1 is input to conv1 which is the first convX layer of the CNN filter 107a, and data of Nconv1 * H1 * W1 is output.
  • Data of Nconv1 * H1 * W1 is input and conv2 which is the second convX layer of the CNN filter 107a is output of data of Nconv2 * H1 * W1.
  • the pooling layer “pooling” at the latter stage of the convX layer conv 2 receives the data of Nconv 2 * H 1 * W 1 and outputs the data of Nconv 2 * H 2 * W 2.
  • the pooling layer pooling converts the data of the size of height * width H1 * W1 outputted from the convX layer conv2 into data of size H2 * W2.
  • the Deconv layer conv3 downstream of the pooling layer pooling receives data of Nconv2 * H2 * W2 and outputs data of N1 * H1 * W1. That is, the Deconv layer conv3 returns the data of size H2 * W2 of height * width outputted from the pooling layer pooling to data of size H1 * W1.
  • Transpose Convolution is used.
  • the CNN filter in the image decoding apparatus has the same function as the CNN filter 107a in the image coding apparatus.
  • high-level conceptual feature values are considered by using a kind of auto encoder type network configuration in which data reduced in the convolution layer and the pooling layer is expanded in the transpooling layer. It can be filtered. That is, in the case of performing the filtering process according to the coding parameter, it is possible to change the filter strength in consideration of higher-order feature quantities obtained by integrating the edge and the color.
  • FIG. 43 is a schematic view showing the configuration of the image coding apparatus according to this example.
  • the image coding apparatus 11j according to the present embodiment differs from the above embodiment in that the CNN filter 107j acquires CNN parameters and performs filter processing using the acquired CNN parameters. Further, the CNN parameters used by the CNN filter 107 j are different from the above embodiment in that they are dynamically updated on a sequence basis, a picture basis, or the like. In the above embodiment, the CNN parameter is a predetermined fixed value and is not updated.
  • the image coding device 11j includes, in addition to the configuration of the image coding device 11 shown in FIG. 4, a CNN parameter determination unit 114, a CNN parameter coding unit 115, and a multiplexing unit. It has 116.
  • the CNN parameter determination unit 114 obtains the image T (input image) and the output of the addition unit 106 (pre-filter image), and the CNN, which is a neural network parameter, reduces the difference between the input image and the pre-filter image. Update the parameters
  • FIG. 26 is a schematic diagram showing an example of the configuration of the CNN filter 107 j.
  • the CNN filter includes a plurality of layers such as the convX layer, and the CNN filter 107 j illustrated in FIG. 26 includes three layers. Each layer can be identified by layer ID.
  • the layer ID of the layer on the input side is L-2
  • the layer ID of the middle layer is L-1
  • the layer ID of the layer on the output side is L.
  • each layer includes a plurality of units, and each unit can be identified by a unit ID.
  • the unit ID of the unit at the top of the middle layer L-1 is (L-1, 0), and the unit ID of the unit above the layer L at the output side is (L, 0).
  • the unit ID of the unit under layer L is (L, 1).
  • each unit of each layer is connected to a unit of the next layer.
  • connections between units are indicated by arrows.
  • the weight of each connection is different and is controlled by the weighting factor.
  • the CNN parameter determination unit 114 outputs a filter coefficient including both the weighting coefficient and the bias (offset). Also, the CNN parameter determination unit 114 outputs an identifier as a CNN parameter. If the CNN filter is composed of multiple CNN layers, the identifier is a CNN ID that identifies the CNN layer. When the CNN layer is identified by the layer ID and unit ID, the identifier is the layer ID and unit ID.
  • the CNN parameter determination unit 114 outputs data indicating a unit structure as a CNN parameter.
  • data indicating the structure of the unit for example, a filter size such as 3 * 3 can be mentioned.
  • Data indicating the filter size is output as a CNN parameter when making the filter size variable. When the filter size is fixed, it is not necessary to output data indicating the filter size.
  • the CNN parameter determination unit 114 performs a full update that updates all the parameters, or a partial update that updates the parameters of some layer units.
  • the CNN parameter determination unit 114 adds data indicating whether to output the update content as a difference to the CNN parameter and outputs the data.
  • the CNN parameter determination unit 114 can output, for example, a CNN parameter value such as a filter coefficient as it is. Also, the CNN parameter determination unit 114 can output, for example, a difference parameter value such as a difference from the CNN parameter value before update, a difference from a default value, and the like. Also, the CNN parameter determination unit 114 can compress and output the CNN parameter value according to a predetermined method.
  • Equation (1) the product sum of the layer input value Z (L-1) ijk and the L layer parameters (filter coefficients) h pqr and h 0 is passed to the activation function (Equation (1) shown in FIG. 27),
  • the value Z L ijk to which the activation function (1) is applied is output to the next layer.
  • N is the number of channels in the layer input
  • W is the width of the layer input
  • H is the height of the layer input.
  • kN is the number of input channels of the kernel (filter) and is basically equal to N.
  • kW is the width of the kernel and kH is the height of the kernel.
  • the CNN parameter determination unit 114 can dynamically update at least a part of the CNN parameters (filter coefficients) h pqr and h 0 .
  • the CNN parameters are transmitted by data in a Network Abstraction Layer (NAL) structure.
  • NAL Network Abstraction Layer
  • FIG. 28 shows a coded video sequence that defines the sequence SEQ of data of the NAL structure in the present example.
  • the sequence parameter set SPS Sequence Parameter Set
  • the sequence SEQ is an update type (indicating whether it is partial / full / different, etc.)
  • layer ID (L) of CNN indicating whether it is partial / full / different, etc.
  • L layer ID
  • unit ID of CNN m
  • Transmit update parameters to be applied to the whole image sequence such as filter size (kW * kH) of L layer, unit IDm, and filter coefficients (h pqr , h 0 ).
  • the picture parameter set PPS (Picture Parameter Set) included in the sequence SEQ is an update type (indicating whether it is partial / full / different, etc.), layer ID (L), unit ID (m), filter size (filter Transmit updated parameters to be applied to a certain picture, such as kW * kH), filter coefficients (h pqr , h 0 ).
  • the sequence includes a plurality of pictures.
  • the CNN parameter determination unit 114 can output CNN parameters in sequence units. In this case, the CNN parameters of the entire sequence can be updated. Also, the CNN parameter determination unit 114 can output in units of pictures. In this case, CNN parameters for a certain time can be updated.
  • the items described with reference to FIGS. 26 to 28 are items common to the encoding side and the decoding side, and the same applies to the CNN filter 305 j described later.
  • the items described with reference to FIGS. 26 to 28 are also applied to the CNN parameters output to the CNN filter 107j of the image encoding device 11j, and the CNN output to the CNN filter 305j of the image decoding device 31j. It also applies to parameters.
  • the CNN parameter coding unit 115 acquires the CNN parameter output from the CNN parameter determination unit 114, encodes the CNN parameter, and outputs the CNN parameter to the multiplexing unit 116.
  • the multiplexing unit 116 multiplexes the coded data output from the entropy coding unit 104 and the CNN parameter coded by the CNN parameter coding unit 115 to generate a stream, and outputs the stream to the outside.
  • FIG. 44 is a schematic diagram showing the configuration of the image decoding apparatus according to this example.
  • the CNN filter 305j acquires a CNN parameter, and performs filter processing using the acquired CNN parameter.
  • the CNN parameter used by the CNN filter 305 j is dynamically updated in sequence units, picture units, etc.
  • the image decoding device 31j includes a demultiplexing unit 313 and a CNN parameter decoding unit 314 in addition to the configuration of the image decoding device 31 shown in FIG. 44
  • the demultiplexing unit 313 receives the stream, and demultiplexes the coded data and the coded CNN parameter.
  • the CNN parameter decoding unit 314 decodes the encoded CNN parameter, and outputs the decoded CNN parameter to the CNN filter 305 j.
  • Image encoding and decoding example 3 (Configuration of image coding apparatus) The configuration of the image coding apparatus according to this example will be described. For the sake of convenience, the same reference numerals will be appended to members having the same functions as the members described in the above embodiments, and the description will be omitted.
  • FIG. 20 is a schematic diagram showing the configuration of the image coding device 11a according to this example.
  • the image coding device 11 a includes a predicted image generation unit 101, a subtraction unit 102, a transform / quantization unit 103, an entropy coding unit 104, an inverse quantization / inverse transform unit 105, an addition unit 106, down-sampling units 120 and 121, SR-CNN (Super-Resolution Convolutional Neural Network) filter (neural network unit) 130, CNN parameter determination unit 114, CNN parameter coding unit 115, multiplexing unit 116, prediction parameter memory (prediction parameter storage (prediction parameter storage) And frame memory 108, a reference picture memory (reference image storage unit, frame memory) 109, a coding parameter determination unit 110, and a prediction parameter coding unit 111.
  • the prediction parameter coding unit 111 includes an inter prediction parameter coding unit 112 and an intra prediction parameter coding unit 113.
  • the downsampling unit 120 (first downsampling unit) divides the input image into blocks and extracts pixels by extracting a representative value such as the maximum value or the average value of the pixel values of the pixels belonging to each block. Do it and do downsampling.
  • the downsampling unit 121 (second downsampling unit) operates on the prediction image generated by the prediction image generation unit 101 to perform downsampling.
  • the subtraction unit 102 generates a difference image from the input image from the downsampling unit 120 and the downsampled predicted image input from the downsampling 121.
  • the transformation / quantization unit 103 transforms and quantizes the difference image to generate a quantized difference image.
  • the entropy coding unit 104 generates a coded stream from the quantized difference image and the coding parameter input from the prediction parameter coding unit 111.
  • the multiplexing unit 116 multiplexes the encoded stream and the encoded CNN parameter input from the CNN parameter encoding unit, generates an encoded stream Te, and outputs the encoded stream Te outside the stream.
  • the SR-CNN filter 130 is an example of the image filter device according to this embodiment.
  • the inverse quantization / inverse transform unit 105 operates on the quantized difference image output by the transform / quantization unit 103 and generates an inverse transformed difference image.
  • the addition unit 106 generates a locally decoded image (first type of input image data) from the inverse-transformed difference image and the downsampled predicted image output from the downsampling unit 121.
  • the image filter apparatus functions as a filter for acquiring the CNN parameter (reference parameter, second type input image data) generated by the CNN parameter determination unit 114 and causing the local decoded image to be affected.
  • the image filter device includes one or more first-type input image data whose luminance or color difference is a pixel value, and values corresponding to reference parameters for generating a predicted image and a difference image.
  • One or a plurality of first type output image data which receives one or more second type input image data as a pixel value and has a luminance or a color difference as the pixel value, and the first type input image
  • the neural network unit 130 outputs a first type of output image data whose resolution is increased compared to data. That is, the CNN filter is different from the CNN filter in that an output image with an increased resolution than an input image is generated.
  • the SR-CNN filter 130 has the same function as the SR-CNN filter 131 included in the image decoding device 31a described later.
  • a locally decoded image is input to the neural network unit 130 as the one or more first type input image data.
  • the encoding device 11a includes the first downsampling unit 120 that operates on the input image, the second downsampling unit 121 that operates on the predicted image, and the first downsampling unit.
  • Entropy coding of a quantized difference image obtained by performing conversion and quantization on the difference image obtained from the input image after downsampling by 120 and the predicted image by the second downsampling unit 121 Entropy coding unit 104, and an inverse transformed difference image obtained by performing inverse quantization and inverse transformation on the quantized difference image, and a predicted image by the second down sampling unit 121.
  • FIG. 21 is a schematic view showing the configuration of the image decoding device 31a according to this example.
  • the image decoding device 31a includes an inverse multiplexing unit 313, a CNN parameter decoding unit 314, an entropy decoding unit 301, a prediction parameter decoding unit (predictive image decoding apparatus) 302, a downsampling unit 122, and an SR-CNN (Super Resolution Convolutional Neural Network).
  • Super resolution neural network) filter neural network unit
  • reference picture memory 306 prediction parameter memory 307
  • predicted image generation unit predicted image generation device
  • addition unit 312 It comprises.
  • the prediction parameter decoding unit 302 is configured to include an inter prediction parameter decoding unit 303 and an intra prediction parameter decoding unit 304.
  • the predicted image generation unit 308 includes an inter predicted image generation unit 309 and an intra predicted image generation unit 310.
  • the downsampling unit 122 divides the input image into blocks, extracts representative values such as the maximum value or the average value of the pixel values of the pixels belonging to each block, performs thinning of the pixels, and performs downsampling.
  • the demultiplexing unit 313 demultiplexes the coded stream Te from the image coding device 11 a into the coded data and the coded CNN parameter.
  • the entropy decoding unit 301 generates residual information from the encoded data.
  • the entropy decoding unit 301 outputs a part of the separated code to the SR-CNN filter 131.
  • the part of the separated code is, for example, a quantization parameter (QP), a prediction parameter, and depth information (division information).
  • the CNN parameter decoding unit 314 decodes the encoded CNN parameter.
  • the inverse quantization / inverse transform unit 311 generates a difference image from the residual information.
  • the addition unit 312 generates a decoded image from the difference image and the downsampled predicted image input from the downsampling unit 122.
  • the SR-CNN filter 131 acquires the CNN parameter output from the CNN parameter decoding unit 314 and the quantization parameter and prediction parameter from the entropy decoding unit 301, and the decoded image of the CU generated by the addition unit 312 is an input image (filter The pre-filter image is processed as a previous image, and a decoded image (filtered image) whose resolution is larger than that of the input image is output.
  • the decoding device 31a uses the entropy decoding unit 301 that performs entropy decoding on the encoded stream, the downsampling unit 122 that operates on the predicted image, and the residual information output by the entropy decoding unit 301.
  • a decoded image whose resolution is increased by acting on a decoded image obtained from the difference image obtained by performing inverse quantization and inverse transformation and the predicted image downsampled by the downsampling unit 122 And a neural network unit 131 for generating the signal.
  • Image encoding and decoding example 4 (Configuration of Image Encoding Device 11b) The configuration of the image coding device 11b according to this example will be described.
  • FIG. 22 is a schematic diagram showing the configuration of the image coding device 11b according to this example.
  • the image coding device 11 b includes a predicted image generation unit 101, a subtraction unit 102, a transform / quantization unit 103, an entropy coding unit 104, an inverse quantization / inverse transform unit 105, an addition unit 106, a downsampling unit 120, SR ⁇ .
  • CNN Super-Resolution Convolutional Neural Network filter (neural network unit) 130, CNN parameter determination unit 114, CNN parameter coding unit 115, multiplexing unit 116, prediction parameter memory (prediction parameter storage unit, A frame memory 108, a reference picture memory (reference image storage unit, frame memory) 109, a coding parameter determination unit 110, and a prediction parameter coding unit 111 are included.
  • the prediction parameter coding unit 111 includes an inter prediction parameter coding unit 112 and an intra prediction parameter coding unit 113.
  • the subtraction unit 102 generates a difference image from the input image and the prediction image generated by the prediction image generation unit 101.
  • the downsampling unit 120 performs downsampling on the difference image.
  • the transform / quantization unit 103 generates a quantized difference image from the down-sampled difference image output from the down-sampling unit 120.
  • the entropy coding unit 104 generates a coded stream from the quantized difference image and the coding parameter output from the prediction parameter coding unit 111.
  • the multiplexing unit 116 multiplexes the encoded stream and the encoded CNN parameter output from the CNN parameter encoding unit, generates an encoded stream Te, and outputs the encoded stream Te outside the stream.
  • the encoding device 11b performs transformation and quantization on the downsampling unit 120 that acts on the difference image and the difference image after downsampling by the downsampling unit 120.
  • the entropy encoding unit 104 which entropy-encodes the obtained quantized difference image, and the inverse transformed difference image obtained by performing inverse quantization and inverse transform on the quantized difference image
  • a neural network unit 130 that generates a differential image with an increased resolution.
  • FIG. 23 is a schematic diagram showing the configuration of the decoding apparatus according to this example.
  • the image decoding device 31b includes an inverse multiplexing unit 313, a CNN parameter decoding unit 314, an entropy decoding unit 301, a prediction parameter decoding unit (predictive image decoding apparatus) 302, an SR-CNN (Super Resolution Convolutional Neural Network), a super resolution neural network. 1) filter (neural network unit) 131, reference picture memory 306, prediction parameter memory 307, predicted image generation unit (predicted image generation device) 308, inverse quantization / inverse conversion unit 311, and addition unit 312. .
  • the prediction parameter decoding unit 302 is configured to include an inter prediction parameter decoding unit 303 and an intra prediction parameter decoding unit 304.
  • the predicted image generation unit 308 includes an inter predicted image generation unit 309 and an intra predicted image generation unit 310.
  • the demultiplexing unit 313 demultiplexes the coded stream Te from the image coding device 11 b into the coded data and the coded CNN parameter.
  • the entropy decoding unit 301 generates residual information from the encoded data.
  • the entropy decoding unit 301 outputs a part of the separated code to the SR-CNN filter 131.
  • the part of the separated code is, for example, a quantization parameter (QP), a prediction parameter, and depth information (division information).
  • the CNN parameter decoding unit 314 decodes the encoded CNN parameter.
  • the inverse quantization / inverse transform unit 311 generates a difference image from the residual information.
  • the SR-CNN filter 131 obtains the CNN parameter output from the CNN parameter decoding unit 314 and the quantization parameter and prediction parameter from the entropy decoding unit 301, and inputs the difference image output from the inverse quantization and inverse conversion unit 311.
  • An image (image before filter) is processed, the image before filter is processed, and a difference image (image after filter) with increased resolution is output.
  • a differential image is input to the SR-CNN filter 131, ie, the neural network unit 131, as the one or more first type of input image data having the luminance or the color difference as the pixel value.
  • the addition unit 312 generates a decoded image from the difference image and the predicted image output from the predicted image generation unit 308.
  • the decoding device 31b performs the inverse quantization and the inverse transform on the residual information output from the entropy decoding unit 301 that entropy-decodes the encoded stream and the entropy decoding unit 301.
  • a neural network unit 131 that generates a difference image whose resolution is increased by acting on the obtained difference image, an addition unit that generates a decoded image from the difference image generated by the neural network unit 131 and the prediction image And 312 are provided.
  • Image encoding and decoding example 5 When encoding and decoding an image, the configuration of the image encoding device and the image decoding device to be used is divided into predetermined units, in other words, block (CTU, CU, PU, TU, etc.) units, sequence units, GOP (Group Of The configuration for switching on a picture basis, a picture basis, etc. will be described.
  • predetermined units in other words, block (CTU, CU, PU, TU, etc.) units, sequence units, GOP (Group Of The configuration for switching on a picture basis, a picture basis, etc.
  • FIG. 24 is a diagram illustrating an example of switching of processing relating to encoding and decoding in units of blocks.
  • information for identifying the switching is added to SPS, PPS, slice header, block header and the like.
  • the encoding apparatus includes the encoding apparatus shown in the above-described image encoding and decoding examples 2 to 4 and a switching unit that switches the encoding apparatus used for the encoding.
  • the encoding apparatus includes a switching unit that switches the first encoding process, the second encoding process, and the third encoding process in each predetermined unit
  • the first coding process is an entropy coding process for entropy coding a quantized difference image obtained by performing conversion and quantization on a difference image obtained from an input image and a predicted image
  • a locally decoded image is generated by acting on a locally decoded image obtained from an inverse transformed difference image obtained by performing inverse quantization and inverse transform on a quantized difference image and a predicted image
  • Neural network processing and the second encoding processing includes a first downsampling processing that acts on an input image, a second downsampling processing that acts on a predicted image, and the first downsampling processing.
  • entropy-encoding processing for entropy-encoding a quantized difference image obtained by performing quantization and quantization, and an inverse-transformed difference obtained by performing inverse quantization and inverse transformation on the quantized difference image
  • the neural network processing for generating a locally decoded image whose resolution is increased by acting on the locally decoded image obtained from the image and the predicted image by the second downsampling unit;
  • the encoding process entropy-encodes a down-sampling process that acts on a difference image and a quantized difference image obtained by performing conversion and quantization on the down-sampled difference image by the down-sampling unit.
  • a neural network processing of generating a difference image resolution is increased by acting against reverse transformed difference image obtained Te.
  • the decoding device includes the switching device that switches the decoding device shown in the above-described image encoding and decoding examples 2 to 4 and the decoding device used for the decoding.
  • the switching unit refers to the information for identifying the switching added to the SPS, the PPS, the slice header, the header of the block, and the like, and determines the decoding device to be used.
  • the decoding apparatus includes a switching unit that switches the first decoding process, the second decoding process, and the third decoding process for each predetermined unit, and the first decoding process is performed by Local decoding obtained from an inverse transformed difference image obtained by performing entropy decoding processing for entropy decoding of a coded stream, and inverse quantization and inverse transform on the image output from the entropy decoding unit, and a prediction image
  • the second decoding process includes an entropy decoding process for entropy decoding a coded stream, and a downsampling for operating on a predicted image, including neural network processing for generating a decoded image by acting on the image.
  • the neural network processing for generating a decoded image with increased resolution by acting on a decoded image obtained from the difference image and the predicted image downsampled by the downsampling processing;
  • the decoding process acts on an entropy decoding process of entropy decoding a coded stream, and a difference image obtained by performing inverse quantization and inverse transform on residual information output in the entropy decoding process.
  • generated by the said neural network process, and an estimated image are included.
  • an image coding apparatus and an image coding device including a downsampling unit and an SR-CNN filter
  • the decoding device By using the decoding device, it is possible to realize video reproduction with higher image quality while suppressing the amount of transmission data.
  • Image filtering example 2 In this example, an example of an image filter device that increases the size of a coding parameter when the size of the coding parameter is smaller than that of the input image will be described.
  • FIG. 29 is a schematic view showing the configuration of the image filter device 200 in this example.
  • the image filter apparatus 200 includes a coding parameter enlargement unit (resolution increase unit) 142 and a neural network unit 210.
  • the neural network unit 210 includes a Concatenate layer 143 and one or more act layers and conv layers 144-146.
  • the coding parameter (reference parameter) 141 ie, the second type of input image data
  • the coding parameter expanding unit (resolution increasing unit) 142 The coding parameter 141 is increased to the same size as the input image.
  • the encoding parameter 141 is interpolated by the nearest neighbor.
  • the neural network unit 210 receives the input image 140 and the coding parameter 141 whose size is increased as necessary.
  • the concatenate layer 143 concatenates the input image 140 and the coding parameter 141, and after filtering by one or more act layers and conv layers 144 to 146, the neural network unit 210 outputs the output image after filtering Do.
  • the image filter device 200 corresponds to one or a plurality of first-type input image data whose luminance or color difference is a pixel value, and a reference parameter for generating a prediction image or a difference image.
  • a neural network unit 210 which receives one or more second type input image data whose value is a pixel value and outputs one or more first type output image data whose brightness or color difference is a pixel value; When the resolution (size) of the second type input image data is smaller than the resolution (size) of the first type input image data, the resolution of the second type input image data is increased. And a resolution increasing unit 142 for input to the neural network unit 210.
  • Image filtering example 3 In the present example, an example of an image filter device that increases the resolution of encoding parameters when the resolution of encoding parameters is smaller than the resolution of input image data will be described.
  • FIG. 30 is a diagram showing the configuration of the image filter device 201 in this example.
  • the image filter device 201 according to this example includes an act layer and a conv layer 147, a deconvolution layer (Deconv, resolution increasing unit) 148, and a neural network unit 211.
  • the neural network unit 211 includes a Concatenate layer 149, and one or more act layers and conv layers 150.
  • the resolution increasing unit 148 performs deconvolution.
  • 31 and 32 illustrate an example of the deconvolution process.
  • FIG. 31 is a diagram showing an example of deconvolution in the case where the second type input image data size is 2 ⁇ 2, the kernel (filter) size is 3 ⁇ 3, the stride is 1, and the output image is 4 ⁇ 4.
  • the stride is a value indicating how many pixels the kernel is to be applied.
  • the resolution increasing unit 148 performs padding with zero padding around the input image or each block obtained by dividing the input image, and performs filtering (Convolution) to generate a 4 ⁇ 4 output image.
  • FIG. 32 is a diagram showing an example of deconvolution in the case where the second type input image data size is 2 ⁇ 2, the kernel (filter) size is 3 ⁇ 3, the stride is 1, and the output image is 5 ⁇ 5.
  • the resolution increasing unit 148 performs a filtering (Convolution) after padding with zeros between the pixels of each block obtained by dividing the input image or the input image, and performs a 5 ⁇ 5 output image Generate
  • the neural network unit 211 receives the input image 140 filtered by the act layer and the conv layer 147, and the coding parameter 141 whose size is increased as necessary.
  • the neural network unit 211 concatenates the input image 140 and the coding parameter 141, and after filtering by one or more act layers and conv layers 150, the neural network unit 211 outputs an output image after filtering.
  • Image filtering example 4 (Configuration of image filter device 202) The configuration of the image filter device 202 according to this example will be described. For the sake of convenience, the same reference numerals will be appended to members having the same functions as the members described in the above embodiments, and the description will be omitted.
  • FIG. 33 is a diagram showing the configuration of the image filter device 202 in this example.
  • the image filter device 202 includes a color difference enlargement unit 163, a coding parameter enlargement unit (resolution increase unit) 164, and a neural network unit 212.
  • the neural network unit 212 includes a Concatenate layer 165 and one or more act layers and conv layers 166-168.
  • the color difference enlargement unit 163 relates to the color difference signal when the pixel value of the input image (first type of input image data) is composed of the luminance signal and the color difference signal, that is, when the color space of the pixel value is YCbCr, for example.
  • the resolution (size) of the image data 161 is smaller than the resolution (size) of the image data 160 related to the luminance signal, the image data 161 related to the color difference signal is enlarged.
  • the color difference image may be enlarged twice with high accuracy using, for example, a 4 to 8 tap filter instead of the enlargement by the nearest neighbor.
  • the resolution increasing unit 164 enlarges the resolution of the color difference image 161 included in the first type input image data, and then inputs the image to the neural network unit 212.
  • the encoding parameter expanding unit 164 increases the resolution of the encoding parameter 162 when the encoding parameter (second type input image data) 162 is smaller than the resolution of the image data 160 related to the luminance signal of the input image.
  • the output image is output to the neural network unit 212.
  • the optimal encoding process according to the image characteristics is possible. It becomes.
  • Image filtering example 5 (Configuration of the image filter device 203) The configuration of the image filter device 203 according to this example will be described.
  • FIG. 34 is a diagram showing the configuration of the image filter device 203 according to this example.
  • the image filter device 203 includes a padding processing unit (padding unit) 170 and an SR-CNN filter (neural network unit) 171.
  • the neural network unit 171 may be a CNN filter that outputs a filtered image having the same resolution as the input image.
  • the padding processing unit 170 performs padding processing on input image data, that is, processing for complementing the periphery of the image data with predetermined pixel data.
  • padding is performed using the average value of input image data.
  • padding may be performed using the values of the ends (upper end, lower end, left end, right end) of input image data.
  • the image data expanded by the padding process may be subjected to a low pass filter.
  • padding may be performed using a predetermined default value.
  • the SR-CNN filter 171 performs filter processing on input image data to generate a filtered output image with increased resolution.
  • the above-mentioned input image data includes one or more first type of first type input image data whose luminance or color difference is a pixel value, and a pixel value which corresponds to a reference parameter for generating a predicted image and a difference image. And one or more second-type input image data.
  • the image filter device 203 uses one or more first-type input image data whose luminance or color difference is a pixel value, and a value corresponding to a reference parameter for generating a predicted image or a difference image.
  • a neural network unit 171 which receives one or more second type of input image data as a pixel value and outputs one or more first type of output image data as a pixel value as luminance or color difference;
  • a padding unit 170 is provided which performs padding on at least one of the input image data of the type and the input image data of the second type.
  • the padding unit 170 may perform padding using, for example, image data related to a previous frame or a reference frame in a series of frames constituting a moving image. In other words, the padding unit 170 performs padding processing on the first type input image data using image data having a temporal position different from the image indicated by the first type input image data.
  • the unit to which padding is performed is not limited to the frame unit, and may be a block (CTU, CU, PU, TU, etc.).
  • the resolution of any one of the input image data having the luminance or the color difference as the pixel value or the input image data having the pixel value as the value corresponding to the reference parameter for generating the predicted image or the difference image is Even in the case of the small size, the optimal encoding process according to the image characteristics can be performed.
  • Image filtering example 6 In this example, a configuration in the case where image data having a bit depth larger than the bit depth is input to an SR-CNN filter suitable for image data having a predetermined bit depth will be described.
  • FIG. 35 is a view showing the configuration of the image filter device 204 according to this example.
  • the image filter device 204 includes an image data processing unit 205.
  • the image data processing unit 205 includes a dividing unit 172, a correcting unit 173, SR-CNN filters 174 and 175, and a combining unit 176.
  • the SR-CNN filters 174 and 175 may be CNN filters that output filtered images of the same resolution as the input image.
  • the dividing unit 172 divides image data of an arbitrary bit depth into image data of a predetermined bit depth.
  • the correction unit 173 corrects image data having a small bit depth among the image data divided by the dividing unit 172 into image data of a bit depth suitable for the SR-CNN filter 175.
  • the dividing unit 172 stores the input 10-bit image, an 8-bit image containing MSB (Most Significant Bit) 8-bit data, and the least significant 2 bits the LSB (Least Significant Bit) 2-bit data of the input image. Divide into images and Then, an 8-bit image in which data of MSB 8 bits is stored is output to the SR-CNN filter 174, and an image in which data of LSB 2 bits of the input image is stored in the lower 2 bits is output to the correction unit 173.
  • the correction unit 173 stores zero or a value corresponding to zero in the upper 6 bits of the image in which the LSB 2 bits of the input image are stored in the lower 2 bits, or the MSB (Most Significant Bit) 6 bits of the 8-bit image By storing the data, the data is corrected to image data corresponding to an 8-bit image, and is output to the SR-CNN filter 175.
  • the above 10-bit image and 8-bit image are input image data (first type input image data) whose luminance or color difference is a pixel value, and a value corresponding to a reference parameter for generating a predicted image or a difference image. It refers to input image data (second type of input image data) having a pixel value.
  • the SR-CNN filters 174 and 175 generate a filtered output image with increased resolution than the input image.
  • the combining unit 176 combines a plurality of output images generated by the SR-CNN filter 174 and 175.
  • the image filter device 204 includes one or more first type of first input image data whose luminance or color difference is a pixel value, and a value corresponding to a reference parameter for generating a predicted image or a difference image.
  • the image data processing unit 205 is input with one or more second type input image data as pixel values, and outputs one or more first type output image data as luminance or color difference as pixel values,
  • the image data processing unit 205 is configured to display at least one of the first type of input image data and the second type of input image data as image data indicating a relatively upper bit and image data indicating a relatively lower bit.
  • one or more neural networks for generating image data having an increased resolution by acting on each of the image data divided by the dividing unit 172.
  • over click portion 174 and 175, and a combining unit 176 where the one or more neural networks 174 and 175 synthesizes the image data to be output.
  • the image filter device 204 capable of performing super-resolution processing of an image of an arbitrary bit depth by using super-resolution processing of a specific bit depth.
  • Image filtering example 7 (Configuration of the image filter device 206) The configuration of the image filter device 206 according to this example will be described. For the sake of convenience, the same reference numerals will be appended to members having the same functions as the members described in the above embodiments, and the description will be omitted.
  • FIG. 36 is a diagram showing the configuration of the image filter device 206 according to this example.
  • the image filter device 206 includes an image data processing unit 207.
  • the image data processing unit 207 includes a dividing unit 172, SR-CNN filters 174 and 177, an interpolating unit 177, and a combining unit 178.
  • the SR-CNN filters 174 and 177 may be CNN filters that output filtered images of the same resolution as the input image.
  • the dividing unit 172 divides a 10-bit image into two 8-bit images. Note that the bit depth and division size of the image applicable in this example are not limited to the above configuration.
  • the dividing unit 172 stores the input 10-bit image, an 8-bit image containing MSB (Most Significant Bit) 8-bit data, and the least significant 2 bits the LSB (Least Significant Bit) 2-bit data of the input image. Divide into images and output.
  • the 8-bit image in which the MSB 8 bits are stored is input to the SR-CNN filter 174.
  • the SR-CNN filter 174 outputs the filtered 8-bit image with increased resolution to the combining unit 178.
  • the interpolation unit 177 increases the resolution of the input image by a method such as linear interpolation or DCTIF and outputs the result to the combining unit 178.
  • the image input to the interpolation unit 177 and the image output from the interpolation unit 177 may be treated as an 8-bit image in which data for LSB 2 bits of the input image is stored in the lower 2 bits, or may be treated simply as a 2-bit image. Good.
  • the combining unit 178 combines a plurality of output images generated by the SR-CNN filter and the interpolation unit.
  • the image filter device 206 capable of performing super-resolution processing of an image of an arbitrary bit depth by using super-resolution processing of a specific bit depth.
  • Image filtering example 8 when a signal relating to image data is input to the SR-CNN filter, a configuration will be described in which the signal is converted to a signal more suitable for the SR-CNN and then input.
  • FIG. 37 is a diagram showing the configuration of the image filter device 208 according to this example.
  • the image filter device 208 includes an image data processing unit 213.
  • the image data processing unit 213 includes a contrast conversion unit (conversion unit) 180, a contrast inverse conversion unit (inverse conversion unit) 182, and an SR-CNN filter (neural network unit) 181.
  • the SR-CNN filter 181 may be a CNN filter that outputs a filtered image having the same resolution as the input image.
  • the contrast converter 180 increases the contrast of the input image.
  • the contrast inverse transform unit 182 reduces the contrast of the input image.
  • the neural network unit 181 increases the resolution of the input image and outputs the filtered image.
  • the above-mentioned input image means input image data (first type of input image data) whose luminance or color difference is a pixel value, and a pixel value which corresponds to a reference parameter for generating a predicted image or a difference image.
  • Input image data (second-type input image data).
  • the image filter device 208 is a value corresponding to one or more first type of input image data whose luminance or color difference is a pixel value, and a reference parameter for generating a predicted image or a difference image.
  • an image data processing unit 213 that receives one or more second-type input image data having a pixel value and outputs one or more first-type output image data having a luminance or a color difference as the pixel value.
  • the image data processing unit 213 receives as input the conversion unit 180 that converts at least one of the first type input image data and the second type input image data, and the image data converted by the conversion unit.
  • a neural network unit 181 that outputs output image data whose resolution is larger than that of the input image data, and a reverse of the image data output by the neural network unit. And a inverse transform unit 182 to perform the conversion. Note that the input of the second type of input image data to the image filter device 208 is not essential, and only the first type of input image data may be input.
  • FIG. 38 is a diagram showing the configuration of the image filter device according to this example.
  • the image filter device 209 shown in FIG. 38 includes an image data processing unit 214.
  • the image data processing unit 214 includes a conversion unit 183, an inverse conversion unit 185, and an SR-CNN filter (neural network unit) 184.
  • the SR-CNN filter 184 may be a CNN filter that outputs a filtered image having the same resolution as the input image.
  • the pre-post processing of the filter processing is not limited to the above-described contrast conversion, and may be conversion processing such as brightness conversion, gamma conversion, color space conversion, left / right exchange, or rotation processing as shown in FIG. 38. .
  • a plurality of rotations for example, 90 degrees, 180 degrees, 270 degrees
  • CNN filter processing is performed on each, and the result is rotated in the reverse direction (for example, -90 degrees, -180 degrees) , ⁇ 270 degrees), and may be configured to generate their average value in the superimposing unit 215.
  • the various conversions described above can also support HDR content.
  • Image filtering example 9 In this example, a configuration will be described in which information before down-sampling of an image is used for on-line learning as teacher information of the SR-CNN filter.
  • FIG. 39 is a diagram showing the configuration of the encoder 186 and the decoder 189 according to this example.
  • the encoder 186 includes a downsampling unit 187 and an SR-CNN filter (neural network unit) 188.
  • the decoder 189 includes a downsampling unit 190 and an SR-CNN filter (neural network unit) 191.
  • the SR-CNN filters 188 and 191 in this example use information on the input image before downsampling as teacher information, perform online learning of the neural network units 188 and 191, and use the learned neural network units 188 and 191. Processing is performed to increase the resolution of the input image and output the filtered output image.
  • the learning state of the SR-CNN filters 188 and 191 may be reset.
  • I picture Intra-Picture
  • P picture Predictive-Picture
  • B picture Bi-directional Predictive-Picure
  • the SR-CNN ie, the neural network units 188 and 191 perform on-line learning using the locally decoded image or the decoded image before downsampling as teacher information.
  • the 1 ⁇ 2 reduced image may be learned from the 1 ⁇ 4 reduced image, and the learned SR-CNN filters 188 and 191 may be used for super-resolution processing from the 1 ⁇ 2 reduced image to an equal-magnification image.
  • FIGS. 20 to 23 the items described in this example can be applied to FIGS. That is, in the configurations described with reference to FIGS. 20 to 23 as well, on-line learning of the neural network units 188 and 191 is performed using the image before downsampling as teacher information, and the learned neural network units 188 and 191 are used. Processing may be performed to increase the resolution of the input image and to output the filtered output image.
  • the image encoding devices 11, 11j, 11a and 11b and a part of the image decoding devices 31, 31j, 31a and 31b in the above-described embodiment for example, the entropy decoding unit 301, the prediction parameter decoding unit 302, CNN A filter 305, a prediction image generation unit 308, an inverse quantization / inverse conversion unit 311, an addition unit 312, a prediction image generation unit 101, a subtraction unit 102, a conversion / quantization unit 103, an entropy coding unit 104, an inverse quantization / conversion unit
  • the inverse transform unit 105, the CNN filter 107, the coding parameter determination unit 110, the prediction parameter coding unit 111, and the like may be realized by a computer.
  • a program for realizing the control function may be recorded in a computer readable recording medium, and the computer system may read and execute the program recorded in the recording medium.
  • the “computer system” is a computer system built in any of the image encoding device 11 and the image decoding device 31, and includes an OS and hardware such as peripheral devices.
  • the “computer-readable recording medium” means a portable medium such as a flexible disk, a magneto-optical disk, a ROM, a CD-ROM, or a storage device such as a hard disk built in a computer system.
  • the “computer-readable recording medium” is one that holds a program dynamically for a short time, like a communication line in the case of transmitting a program via a network such as the Internet or a communication line such as a telephone line.
  • a volatile memory in a computer system serving as a server or a client may be included, which holds a program for a predetermined time.
  • the program may be for realizing a part of the functions described above, or may be realized in combination with the program already recorded in the computer system.
  • the image encoding device 11 and the image decoding device 31 described above can be mounted and used in various devices that transmit, receive, record, and reproduce moving images.
  • the moving image may be a natural moving image captured by a camera or the like, or an artificial moving image (including CG and GUI) generated by a computer or the like.
  • the image encoding device 11 and part of the image decoding device 31 in the above-described embodiment for example, the entropy decoding unit 301, the prediction parameter decoding unit 302, the CNN filter 305, the prediction image generation unit 308, the inverse quantization / inverse transform Unit 311, addition unit 312, predicted image generation unit 101, subtraction unit 102, conversion / quantization unit 103, entropy coding unit 104, inverse quantization / inverse conversion unit 105, CNN filter 107, coding parameter determination unit 110,
  • the prediction parameter coding unit 111 may be realized by a computer. In that case, a program for realizing the control function may be recorded in a computer readable recording medium, and the computer system may read and execute the program recorded in the recording medium.
  • the “computer system” is a computer system built in any of the image encoding device 11 and the image decoding device 31, and includes an OS and hardware such as peripheral devices.
  • the “computer-readable recording medium” means a portable medium such as a flexible disk, a magneto-optical disk, a ROM, a CD-ROM, or a storage device such as a hard disk built in a computer system.
  • the “computer-readable recording medium” is one that holds a program dynamically for a short time, like a communication line in the case of transmitting a program via a network such as the Internet or a communication line such as a telephone line.
  • a volatile memory in a computer system serving as a server or a client may be included, which holds a program for a predetermined time.
  • the program may be for realizing a part of the functions described above, or may be realized in combination with the program already recorded in the computer system.
  • part or all of the image encoding device 11 and the image decoding device 31 in the above-described embodiment may be realized as an integrated circuit such as a large scale integration (LSI).
  • LSI large scale integration
  • Each functional block of the image encoding device 11 and the image decoding device 31 may be individually processorized, or part or all may be integrated and processorized.
  • the method of circuit integration is not limited to LSI's, and implementation using dedicated circuitry or general purpose processors is also possible. In the case where an integrated circuit technology comes out to replace LSI's as a result of the advancement of semiconductor technology, integrated circuits based on such technology may also be used.
  • the image encoding device 11 and the image decoding device 31 described above can be mounted and used in various devices that transmit, receive, record, and reproduce moving images.
  • the moving image may be a natural moving image captured by a camera or the like, or an artificial moving image (including CG and GUI) generated by a computer or the like.
  • FIG. 40 is a schematic diagram showing a configuration of a transmission device PROD_A on which the image coding device 11 is mounted.
  • the transmission device PROD_A modulates a carrier wave with the coding unit PROD_A1 which obtains coded data by coding a moving image, and the coding data obtained by the coding unit PROD_A1.
  • the image coding apparatus 11 described above is used as the coding unit PROD_A1.
  • the transmission device PROD_A is a camera PROD_A4 for capturing a moving image, a recording medium PROD_A5 for recording the moving image, an input terminal PROD_A6 for externally inputting the moving image, and a transmission source of the moving image input to the encoding unit PROD_A1. , And may further include an image processing unit A7 that generates or processes an image.
  • FIG. 40 exemplifies a configuration in which the transmission device PROD_A includes all of these, a part may be omitted.
  • the recording medium PROD_A5 may be a recording of a non-coded moving image, or a moving image encoded by a recording encoding method different from the transmission encoding method. It may be one. In the latter case, it is preferable to interpose, between the recording medium PROD_A5 and the encoding unit PROD_A1, a decoding unit (not shown) that decodes the encoded data read from the recording medium PROD_A5 according to the encoding scheme for recording.
  • FIG. 40 is a schematic diagram showing a configuration of a reception device PROD_B on which the image decoding device 31 is mounted.
  • the receiver PROD_B demodulates the modulated signal received by the receiver PROD_B1, which receives the modulated signal, and the demodulator PROD_B2, which obtains encoded data by demodulating the modulated signal received by the receiver PROD_B1, and And a decoding unit PROD_B3 for obtaining a moving image by decoding encoded data obtained by the unit PROD_B2.
  • the image decoding device 31 described above is used as the decoding unit PROD_B3.
  • the receiving device PROD_B is a display PROD_B4 for displaying a moving image, a recording medium PROD_B5 for recording the moving image, and an output terminal for outputting the moving image to the outside as a supply destination of the moving image output by the decoding unit PROD_B3. It may further comprise PROD_B6. Although (b) of FIG. 40 exemplifies a configuration in which the reception device PROD_B includes all of these, a part may be omitted.
  • the recording medium PROD_B5 may be for recording a moving image which has not been encoded, or is encoded by a recording encoding method different from the transmission encoding method. May be In the latter case, an encoding unit (not shown) may be interposed between the decoding unit PROD_B3 and the recording medium PROD_B5 to encode the moving image acquired from the decoding unit PROD_B3 according to the encoding method for recording.
  • the transmission medium for transmitting the modulation signal may be wireless or wired.
  • the transmission mode for transmitting the modulation signal may be broadcast (here, a transmission mode in which the transmission destination is not specified in advance), or communication (in this case, transmission in which the transmission destination is specified in advance) (Refer to an aspect). That is, transmission of the modulation signal may be realized by any of wireless broadcast, wired broadcast, wireless communication, and wired communication.
  • a broadcasting station (broadcasting facility etc.) / Receiving station (television receiver etc.) of terrestrial digital broadcasting is an example of a transmitting device PROD_A / receiving device PROD_B which transmits and receives a modulated signal by wireless broadcasting.
  • a cable television broadcast station (broadcasting facility or the like) / receiving station (television receiver or the like) is an example of a transmitting device PROD_A / receiving device PROD_B which transmits and receives a modulated signal by cable broadcasting.
  • a server such as a workstation
  • client such as a VOD (Video On Demand) service or a video sharing service using the Internet
  • PROD_A / receiving device PROD_B
  • the personal computer includes a desktop PC, a laptop PC, and a tablet PC.
  • the smartphone also includes a multifunctional mobile phone terminal.
  • the client of the moving image sharing service has a function of encoding a moving image captured by a camera and uploading it to the server. That is, the client of the moving image sharing service functions as both the transmitting device PROD_A and the receiving device PROD_B.
  • FIG. 41 is a schematic diagram showing the configuration of a recording device PROD_C on which the image coding device 11 described above is mounted.
  • the recording device PROD_C uses the encoding unit PROD_C1, which obtains encoded data by encoding a moving image, and the encoded data obtained by the encoding unit PROD_C1, to the recording medium PROD_M.
  • a writing unit PROD_C2 for writing.
  • the image coding device 11 described above is used as the coding unit PROD_C1.
  • the recording medium PROD_M may be (1) a type incorporated in the recording device PROD_C, such as a hard disk drive (HDD) or a solid state drive (SSD), or (2) an SD memory. It may be of a type connected to the recording device PROD_C, such as a card or a Universal Serial Bus (USB) flash memory, or (3) a DVD (Digital Versatile Disc) or a BD (Blu-ray Disc: Registration It may be loaded into a drive device (not shown) built in the recording device PROD_C, such as a trademark).
  • a type incorporated in the recording device PROD_C such as a hard disk drive (HDD) or a solid state drive (SSD), or (2) an SD memory. It may be of a type connected to the recording device PROD_C, such as a card or a Universal Serial Bus (USB) flash memory, or (3) a DVD (Digital Versatile Disc) or a BD (Blu-ray Disc: Registration It may be loaded into
  • the recording device PROD_C is a camera PROD_C3 for capturing a moving image as a supply source of the moving image input to the encoding unit PROD_C1, an input terminal PROD_C4 for inputting the moving image from the outside, and a reception for receiving the moving image
  • the image processing unit PROD_C5 may further include an image processing unit PROD_C6 that generates or processes an image.
  • FIG. 41 exemplifies a configuration in which the recording apparatus PROD_C includes all of these, a part may be omitted.
  • the receiving unit PROD_C5 may receive an uncoded moving image, and receives encoded data encoded by a transmission encoding scheme different from the recording encoding scheme. It may be In the latter case, it is preferable to interpose a transmission decoding unit (not shown) that decodes encoded data encoded by the transmission encoding scheme between the reception unit PROD_C5 and the encoding unit PROD_C1.
  • Examples of such a recording device PROD_C include a DVD recorder, a BD recorder, an HDD (Hard Disk Drive) recorder, etc.
  • the input terminal PROD_C4 or the receiving unit PROD_C5 is a main supply source of moving images).
  • a camcorder in this case, the camera PROD_C3 is the main supply source of moving images
  • a personal computer in this case, the receiving unit PROD_C5 or the image processing unit C6 is the main supply source of moving images
  • a smartphone this In this case, the camera PROD_C3 or the receiving unit PROD_C5 is a main supply source of moving images
  • the like are also examples of such a recording device PROD_C.
  • FIG. 41 is a block showing the configuration of the playback device PROD_D on which the image decoding device 31 described above is mounted.
  • the playback device PROD_D decodes the moving image by decoding the encoded data read by the reading unit PROD_D1 that reads the encoded data written to the recording medium PROD_M and the reading unit PROD_D1. And a decryption unit PROD_D2 to be obtained.
  • the image decoding device 31 described above is used as the decoding unit PROD_D2.
  • the recording medium PROD_M may be (1) a type incorporated in the playback device PROD_D such as an HDD or an SSD, or (2) such as an SD memory card or a USB flash memory. It may be of a type connected to the playback device PROD_D, or (3) it may be loaded into a drive device (not shown) built in the playback device PROD_D, such as DVD or BD. Good.
  • the playback device PROD_D is a display PROD_D3 that displays a moving image as a supply destination of the moving image output by the decoding unit PROD_D2, an output terminal PROD_D4 that outputs the moving image to the outside, and a transmission unit that transmits the moving image. It may further comprise PROD_D5. Although (b) of FIG. 41 exemplifies a configuration in which the playback device PROD_D includes all of these, a part may be omitted.
  • the transmission unit PROD_D5 may transmit a non-encoded moving image, or transmit encoded data encoded by a transmission encoding method different from the recording encoding method. It may be In the latter case, an encoding unit (not shown) may be interposed between the decoding unit PROD_D2 and the transmission unit PROD_D5 for encoding moving pictures according to a transmission encoding scheme.
  • a playback device PROD_D for example, a DVD player, a BD player, an HDD player, etc. may be mentioned (in this case, the output terminal PROD_D4 to which a television receiver etc. is connected is the main supply destination of moving images) .
  • the display PROD_D3 is the main supply destination of moving images
  • digital signage also referred to as an electronic signboard or electronic bulletin board, etc.
  • the display PROD_D3 or the transmission unit PROD_D5 is the main supply of moving images.
  • desktop type PC in this case, output terminal PROD_D4 or transmission unit PROD_D5 is the main supply destination of moving images
  • laptop type or tablet type PC in this case, display PROD_D3 or transmission unit PROD_D5 is moving image
  • the main supply destination of the image the smartphone (in this case, the display PROD_D3 or the transmission unit PROD_D5 is the main supply destination of the moving image), and the like are also examples of such a reproduction device PROD_D.
  • each block of the image decoding device 31 and the image encoding device 11 described above may be realized as hardware by a logic circuit formed on an integrated circuit (IC chip), or a CPU (Central Processing Unit) It may be realized as software using
  • each of the devices described above includes a CPU that executes instructions of a program that implements each function, a read only memory (ROM) that stores the program, a random access memory (RAM) that develops the program, the program, and various data.
  • a storage device such as a memory for storing the
  • the object of the embodiment of the present invention is to record computer program readable program codes (execution format program, intermediate code program, source program) of control programs of the above-mentioned respective devices which are software for realizing the functions described above.
  • the present invention can also be achieved by supplying a medium to each of the above-described devices, and a computer (or a CPU or an MPU) reading and executing a program code recorded on a recording medium.
  • Examples of the recording medium include tapes such as magnetic tapes and cassette tapes, magnetic disks such as floppy (registered trademark) disks / hard disks, CDs (Compact Disc Read-Only Memory) / MO disks (Magneto-Optical disc).
  • tapes such as magnetic tapes and cassette tapes
  • magnetic disks such as floppy (registered trademark) disks / hard disks
  • CDs Compact Disc Read-Only Memory
  • MO disks Magnetic-Optical disc
  • Disks including optical disks such as MD (Mini Disc) / DVD (Digital Versatile Disc) / CD-R (CD Recordable) / Blu-ray Disc (registered trademark), IC cards (including memory cards) Cards such as optical cards, mask ROMs / erasable programmable read-only memories (EPROMs) / electrically erasable and programmable read-only memories (EEPROMs) / semiconductor memories such as flash ROMs, or programmable logic devices (PLDs) And logic circuits such as FPGA (Field Programmable Gate Array) can be used.
  • MD Mini Disc
  • DVD Digital Versatile Disc
  • CD-R Compact Disc
  • Blu-ray Disc registered trademark
  • IC cards including memory cards
  • Cards such as optical cards
  • EPROMs erasable programmable read-only memories
  • EEPROMs electrically erasable and programmable read-only memories
  • semiconductor memories such as flash ROMs, or programmable logic devices (PLD
  • each device may be configured to be connectable to a communication network, and the program code may be supplied via the communication network.
  • This communication network is not particularly limited as long as the program code can be transmitted.
  • the Internet intranet, extranet, LAN (Local Area Network), ISDN (Integrated Services Digital Network), VAN (Value-Added Network), CATV (Community Antenna television / Cable Television) communication network, virtual private network (Virtual Private) Network), telephone network, mobile communication network, satellite communication network, etc.
  • the transmission medium that constitutes this communication network may be any medium that can transmit the program code, and is not limited to a specific configuration or type.
  • the embodiment of the present invention can also be realized in the form of a computer data signal embedded in a carrier wave, in which the program code is embodied by electronic transmission.
  • An embodiment of the present invention is suitably applied to an image decoding apparatus that decodes encoded data obtained by encoding image data, and an image encoding apparatus that generates encoded data obtained by encoding image data. it can. Further, the present invention can be suitably applied to the data structure of encoded data generated by the image encoding device and referenced by the image decoding device.

Abstract

復号した場合により高い画質の画像を生成するための符号化ストリームを生成する画像符号化装置を実現すること。本発明の一態様に係る符号化装置（１１ａ）は、入力画像に作用する第１のダウンサンプリング部（１２０）と、予測画像に作用する第２のダウンサンプリング部（１２１）と、エントロピー符号化部（１０４）と、ニューラルネットワーク部（１３０）とを備える。

Description

画像フィルタ装置、画像復号装置、および画像符号化装置
　本発明の一態様は、画像フィルタ装置、画像復号装置、および画像符号化装置に関する。
　動画像を効率的に伝送または記録するために、動画像を符号化することによって符号化データを生成する動画像符号化装置、および、当該符号化データを復号することによって復号画像を生成する動画像復号装置が用いられている。
　具体的な動画像符号化方式としては、例えば、H.264/AVCやHEVC（High-Efficiency Video Coding）にて提案されている方式などが挙げられる。
　このような動画像符号化方式においては、動画像を構成する画像（ピクチャ）は、画像を分割することにより得られるスライス、スライスを分割することにより得られる符号化ツリーユニット（CTU：Coding Tree Unit）、符号化ツリーユニットを分割することで得られる符号化単位（符号化ユニット（Coding Unit：CU）と呼ばれることもある）、及び、符号化単位を分割することより得られるブロックである予測ユニット（PU）、変換ユニット（TU）からなる階層構造により管理され、CUごとに符号化／復号される。
　また、このような動画像符号化方式においては、通常、入力画像を符号化／復号することによって得られる局所復号画像に基づいて予測画像が生成され、当該予測画像を入力画像（原画像）から減算して得られる予測残差（「差分画像」または「残差画像」と呼ぶこともある）が符号化される。予測画像の生成方法としては、画面間予測（インター予測）、および、画面内予測（イントラ予測）が挙げられる。
　また、近年の動画像符号化及び復号の技術として非特許文献１が挙げられる。
　また、画像加工のプリ処理、ポスト処理に係る技術として非特許文献２が、画像処理工程における処理切り替えに係る技術として非特許文献３がそれぞれ挙げられる。
"Algorithm Description of Joint Exploration Test Model 5", JVET-E1001, Joint Video Exploration Team (JVET) of ITU-T SG 16 WP 3 and ISO/IEC JTC 1/SC 29/WG 11, 12-20 January 2017 " An End-to-End Compression Framework Based on ConvolutionalNeural Networks"、［２０１７年９月１４日検索］、インターネット<URL: https://arxiv.org/abs/1708.00838> "Convolutional Neural Network-Based Block Up-sampling for Intra Frame Coding"、［２０１７年９月１４日検索］、インターネット<URL: https://arxiv.org/abs/1702.06728>
　しかしながら、上述のような従来技術は、画像を符号化し復号する場合において、復号される画像の画質の面で課題があった。
　本発明の一態様は、上記の問題に鑑みてなされたものであり、復号した場合により高い画質の画像を生成するための符号化ストリームを生成する画像符号化装置を実現することを目的とする。
　上記の課題を解決するために、本発明の一態様に係る符号化装置は、入力画像に作用する第１のダウンサンプリング部と、予測画像に作用する第２のダウンサンプリング部と、上記第１のダウンサンプリング部によるダウンサンプル後の入力画像と、上記第２のダウンサンプリング部による予測画像とから得られる差分画像に対して、変換及び量子化を行うことによって得られた量子化差分画像をエントロピー符号化するエントロピー符号化部と、上記量子化差分画像に対して逆量子化及び逆変換を行うことによって得られた逆変換後差分画像と、上記第２のダウンサンプリング部による予測画像とから得られる局所復号画像に対して作用することによって解像度が増大した局所復号画像を生成するニューラルネットワーク部とを備える。
　本発明の一態様によれば、復号した場合により高い画質の画像を生成するための符号化ストリームを生成する画像符号化装置を実現できる。
符号化ストリームのデータの階層構造を示す図である。 PU分割モードのパターンを示す図である。（ａ）～（ｈ）は、それぞれ、PU分割モードが、2Nx2N、2NxN、2NxnU、2NxnD...2N、nLx2N、nRx2N、および、NxNの場合のパーティション形状について示している。 参照ピクチャおよび参照ピクチャリストの一例を示す概念図である。 画像符号化装置の構成を示す概略図である。 画像復号装置の構成を示す概略図である。 予測画像生成部に含まれるインター予測画像生成部の構成を示す概略図である。 画像フィルタ装置の入出力の一例を示す概念図である。 画像フィルタ装置の構成を示す概略図である。 画像フィルタ装置の構成の変形例を示す概略図である。 量子化パラメータの一例を説明するための図である。 予測パラメータの一例を説明するための図である。 イントラ予測の一例を説明するための図である。 イントラ予測パラメータの一例を説明するための図である。 分割デプス情報の一例を説明するための図である。 分割デプス情報の他の一例を説明するための図である。 予測パラメータの他の一例を説明するための図である。 画像符号化装置のインター予測パラメータ符号化部の構成を示す概略図である。 インター予測画像生成部の構成を示す概略図である。 インター予測パラメータ復号部の構成を示す概略図である。 画像符号化装置の構成を示す概略図である。 画像復号装置の構成を示す概略図である。 画像符号化装置の構成を示す概略図である。 画像復号装置の構成を示す概略図である。 画像のブロック単位での処理の切り替えを示す図である。 画像フィルタ装置の構成を示す概略図である。 画像フィルタ装置の構成を示す概略図である。 画像フィルタ装置のパラメータの更新の一例を示す概念図である。 パラメータを伝送するデータ構造を示す図である。 拡大した符号化パラメータのＣＮＮへの入力を示す図である。 Deconvolutionにより拡大した符号化パラメータのＣＮＮへの入力を示す図である。 画像の周囲をパディングすることによるDeconvolutionを示す図である。 画像の周囲及び間をパディングすることによるDeconvolutoinを示す図である。 Nearest Neighborにより拡大した符号化パラメータのＣＮＮへの入力を示す図である。 画像フィルタ装置の構成を示す図である。 画像フィルタ装置の構成を示す図である。 画像フィルタ装置の構成を示す図である。 画像フィルタ装置の構成を示す図である。 画像フィルタ装置の構成を示す図である。 エンコーダ及びデコーダの構成を示す図である。 画像符号化装置を搭載した送信装置、および、画像復号装置を搭載した受信装置の構成について示した図である。（ａ）は、画像符号化装置を搭載した送信装置を示しており、（ｂ）は、画像復号装置を搭載した受信装置を示している。 画像符号化装置を搭載した記録装置、および、画像復号装置を搭載した再生装置の構成について示した図である。（ａ）は、画像符号化装置を搭載した記録装置を示しており、（ｂ）は、画像復号装置を搭載した再生装置を示している。 画像伝送システムの構成を示す概略図である。 画像符号化装置の構成を示す概略図である。 画像復号装置の構成を示す概略図である。 画像フィルタ装置ａの構成を示す図である。
　　（画像の符号化及び復号例１）
　以下、図面を参照しながら本発明の実施例について説明する。
　図４２は、画像伝送システム１の構成を示す概略図である。
　画像伝送システム１は、符号化対象画像を符号化した符号を伝送し、伝送された符号を復号し画像を表示するシステムである。画像伝送システム１は、画像符号化装置（動画像符号化装置）１１、ネットワーク２１、画像復号装置（動画像復号装置）３１及び画像表示装置４１を含んで構成される。
　画像符号化装置１１には、単一レイヤもしくは複数レイヤの画像を示す画像Ｔが入力される。レイヤとは、ある時間を構成するピクチャが１つ以上ある場合に、複数のピクチャを区別するために用いられる概念である。たとえば、同一ピクチャを、画質や解像度の異なる複数のレイヤで符号化するとスケーラブル符号化になり、異なる視点のピクチャを複数のレイヤで符号化するとビュースケーラブル符号化となる。複数のレイヤのピクチャ間で予測（インターレイヤ予測、インタービュー予測）を行う場合には、符号化効率が大きく向上する。また予測を行わない場合（サイマルキャスト）にも、符号化データをまとめることができる。
　ネットワーク２１は、画像符号化装置１１が生成した符号化ストリームＴｅを画像復号装置３１に伝送する。ネットワーク２１は、インターネット（internet）、広域ネットワーク（WAN:Wide Area Network）、小規模ネットワーク（LAN:Local Area Network）またはこれらの組み合わせである。ネットワーク２１は、必ずしも双方向の通信網に限らず、地上デジタル放送、衛星放送等の放送波を伝送する一方向の通信網であっても良い。また、ネットワーク２１は、DVD（Digital Versatile Disc）、BD（Blue-ray Disc）等の符号化ストリームTeを記録した記憶媒体で代替されても良い。
　画像復号装置３１は、ネットワーク２１が伝送した符号化ストリームTeのそれぞれを復号し、それぞれ復号した１または複数の復号画像Tdを生成する。
　画像表示装置４１は、画像復号装置３１が生成した１または複数の復号画像Tdの全部または一部を表示する。画像表示装置４１は、例えば、液晶ディスプレイ、有機ＥＬ（Electro-luminescence）ディスプレイ等の表示デバイスを備える。また、空間スケーラブル符号化、ＳＮＲスケーラブル符号化では、画像復号装置３１、画像表示装置４１が高い処理能力を有する場合には、画質の高い拡張レイヤ画像を表示し、より低い処理能力しか有しない場合には、拡張レイヤほど高い処理能力、表示能力を必要としないベースレイヤ画像を表示する。
　＜演算子＞
　本明細書で用いる演算子を以下に記載する。
　>>は右ビットシフト、<<は左ビットシフト、&はビットワイズAND、|はビットワイズOR、|=はOR代入演算子）である。
　x ? y : zは、xが真（0以外）の場合にy、xが偽（0）の場合にzをとる３項演算子である。
　Clip3(a, b, c) は、cをa以上b以下の値にクリップする関数であり、c<aの場合にはaを返し、c>bの場合にはbを返し、その他の場合にはcを返す関数である（ただし、a<=b）。
　　＜符号化ストリームTeの構造＞
　本例に係る画像符号化装置１１および画像復号装置３１の詳細な説明に先立って、画像符号化装置１１によって生成され、画像復号装置３１によって復号される符号化ストリームTeのデータ構造について説明する。
　図１は、符号化ストリームTeにおけるデータの階層構造を示す図である。符号化ストリームTeは、例示的に、シーケンス、およびシーケンスを構成する複数のピクチャを含む。図１の（ａ）～（ｆ）は、それぞれ、シーケンスSEQを規定する符号化ビデオシーケンス、ピクチャPICTを規定する符号化ピクチャ、スライスSを規定する符号化スライス、スライスデータを規定する符号化スライスデータ、符号化スライスデータに含まれる符号化ツリーユニット、符号化ツリーユニットに含まれる符号化ユニット（Coding Unit；CU）を示す図である。
　　（符号化ビデオシーケンス）
　符号化ビデオシーケンスでは、処理対象のシーケンスSEQを復号するために画像復号装置３１が参照するデータの集合が規定されている。シーケンスSEQは、図１の（ａ）に示すように、ビデオパラメータセット（Video Parameter Set）、シーケンスパラメータセットSPS（Sequence Parameter Set）、ピクチャパラメータセットPPS（Picture Parameter Set）、ピクチャPICT、及び、付加拡張情報SEI（Supplemental Enhancement Information）を含んでいる。ここで＃の後に示される値はレイヤIDを示す。図１では、#0と#1すなわちレイヤ０とレイヤ１の符号化データが存在する例を示すが、レイヤの種類およびレイヤの数はこれによらない。
　ビデオパラメータセットVPSは、複数のレイヤから構成されている動画像において、複数の動画像に共通する符号化パラメータの集合および動画像に含まれる複数のレイヤおよび個々のレイヤに関連する符号化パラメータの集合が規定されている。
　シーケンスパラメータセットSPSでは、対象シーケンスを復号するために画像復号装置３１が参照する符号化パラメータの集合が規定されている。例えば、ピクチャの幅や高さが規定される。なお、SPSは複数存在してもよい。その場合、PPSから複数のSPSの何れかを選択する。
　ピクチャパラメータセットPPSでは、対象シーケンス内の各ピクチャを復号するために画像復号装置３１が参照する符号化パラメータの集合が規定されている。例えば、ピクチャの復号に用いられる量子化幅の基準値（pic_init_qp_minus26）や重み付き予測の適用を示すフラグ（weighted_pred_flag）が含まれる。なお、PPSは複数存在してもよい。その場合、対象シーケンス内の各ピクチャから複数のPPSの何れかを選択する。
　　（符号化ピクチャ）
　符号化ピクチャでは、処理対象のピクチャPICTを復号するために画像復号装置３１が参照するデータの集合が規定されている。ピクチャPICTは、図１の（ｂ）に示すように、スライスS0～SNS-1を含んでいる（ＮＳはピクチャPICTに含まれるスライスの総数）。
　なお、以下、スライスS0～SNS-1のそれぞれを区別する必要が無い場合、符号の添え字を省略して記述することがある。また、以下に説明する符号化ストリームTeに含まれるデータであって、添え字を付している他のデータについても同様である。
　　（符号化スライス）
　符号化スライスでは、処理対象のスライスSを復号するために画像復号装置３１が参照するデータの集合が規定されている。スライスSは、図１の（ｃ）に示すように、スライスヘッダSH、および、スライスデータSDATAを含んでいる。
　スライスヘッダSHには、対象スライスの復号方法を決定するために画像復号装置３１が参照する符号化パラメータ群が含まれる。スライスタイプを指定するスライスタイプ指定情報（slice_type）は、スライスヘッダSHに含まれる符号化パラメータの一例である。
　スライスタイプ指定情報により指定可能なスライスタイプとしては、（１）符号化の際にイントラ予測のみを用いるＩスライス、（２）符号化の際に単方向予測、または、イントラ予測を用いるＰスライス、（３）符号化の際に単方向予測、双方向予測、または、イントラ予測を用いるＢスライスなどが挙げられる。
　なお、スライスヘッダSHには、上記符号化ビデオシーケンスに含まれる、ピクチャパラメータセットPPSへの参照（pic_parameter_set_id）を含んでいても良い。
　　（符号化スライスデータ）
　符号化スライスデータでは、処理対象のスライスデータSDATAを復号するために画像復号装置３１が参照するデータの集合が規定されている。スライスデータSDATAは、図１の（ｄ）に示すように、符号化ツリーユニット（CTU:Coding Tree Unit）を含んでいる。CTUは、スライスを構成する固定サイズ（例えば64x64）のブロックであり、最大符号化単位（LCU:Largest Coding Unit）と呼ぶこともある。
　　（符号化ツリーユニット）
　図１の（ｅ）に示すように、処理対象の符号化ツリーユニットを復号するために画像復号装置３１が参照するデータの集合が規定されている。符号化ツリーユニットは、再帰的な４分木分割により分割される。再帰的な４分木分割により得られる木構造のノードのことを符号化ノード（CN:Coding Node）と称する。４分木の中間ノードは、符号化ノードであり、符号化ツリーユニット自身も最上位の符号化ノードとして規定される。CTUは、分割フラグ（cu_split_flag）を含み、cu_split_flagが１の場合には、４つの符号化ノードCNに分割される。cu_split_flagが０の場合には、符号化ノードCNは分割されず、１つの符号化ユニット（CU:Coding Unit）をノードとして持つ。符号化ユニットCUは符号化ノードの末端ノードであり、これ以上分割されない。符号化ユニットCUは、符号化処理の基本的な単位となる。
　また、符号化ツリーユニットCTUのサイズが64x64画素の場合には、符号化ユニットのサイズは、64x64画素、32x32画素、16x16画素、および、8x8画素の何れかをとり得る。
　　（符号化ユニット）
　図１の（ｆ）に示すように、処理対象の符号化ユニットを復号するために画像復号装置３１が参照するデータの集合が規定されている。具体的には、符号化ユニットは、予測ツリー、変換ツリー、CUヘッダCUHから構成される。CUヘッダでは予測モード、分割方法（PU分割モード）等が規定される。
　予測ツリーでは、符号化ユニットを１または複数に分割した各予測ユニット（PU）の予測情報（参照ピクチャインデックス、動きベクトル等）が規定される。別の表現でいえば、予測ユニットは、符号化ユニットを構成する１または複数の重複しない領域である。また、予測ツリーは、上述の分割により得られた１または複数の予測ユニットを含む。なお、以下では、予測ユニットをさらに分割した予測単位を「サブブロック」と呼ぶ。サブブロックは、複数の画素によって構成されている。予測ユニットとサブブロックのサイズが等しい場合には、予測ユニット中のサブブロックは１つである。予測ユニットがサブブロックのサイズよりも大きい場合には、予測ユニットは、サブブロックに分割される。たとえば予測ユニットが8x8、サブブロックが4x4の場合には、予測ユニットは水平に２分割、垂直に２分割からなる、４つのサブブロックに分割される。
　予測処理は、この予測ユニット（サブブロック）ごとに行ってもよい。
　予測ツリーにおける分割の種類は、大まかにいえば、イントラ予測の場合と、インター予測の場合との２つがある。イントラ予測とは、同一ピクチャ内の予測であり、インター予測とは、互いに異なるピクチャ間（例えば、表示時刻間、レイヤ画像間）で行われる予測処理を指す。
　イントラ予測の場合、分割方法は、2Nx2N（符号化ユニットと同一サイズ）と、NxNとがある。
　また、インター予測の場合、分割方法は、符号化データのPU分割モード（part_mode）により符号化され、2Nx2N（符号化ユニットと同一サイズ）、2NxN、2NxnU、2NxnD、Nx2N、nLx2N、nRx2N、および、NxNなどがある。なお、2NxN、Nx2Nは1:1の対称分割を示し、2NxnU、2NxnDおよびnLx2N、nRx2Nは、1:3、3:1の非対称分割を示す。CUに含まれるPUを順にPU0、PU1、PU2、PU3と表現する。
　図２の（ａ）～（ｈ）に、それぞれのPU分割モードにおけるパーティションの形状（PU分割の境界の位置）を具体的に図示している。図２の（ａ）は、2Nx2Nのパーティションを示し、（ｂ）、（ｃ）、（ｄ）は、それぞれ、2NxN、2NxnU、および、2NxnDのパーティション（横長パーティション）を示す。（ｅ）、（ｆ）、（ｇ）は、それぞれ、Nx2N、nLx2N、nRx2Nである場合のパーティション（縦長パーティション）を示し、（ｈ）は、NxNのパーティションを示す。なお、横長パーティションと縦長パーティションを総称して長方形パーティション、2Nx2N、NxNを総称して正方形パーティションと呼ぶ。
　また、変換ツリーにおいては、符号化ユニットが１または複数の変換ユニットに分割され、各変換ユニットの位置とサイズとが規定される。別の表現でいえば、変換ユニットは、符号化ユニットを構成する１または複数の重複しない領域のことである。また、変換ツリーは、上述の分割より得られた１または複数の変換ユニットを含む。
　変換ツリーにおける分割には、符号化ユニットと同一のサイズの領域を変換ユニットとして割り付けるものと、上述したCUの分割と同様、再帰的な４分木分割によるものがある。
　変換処理は、この変換ユニットごとに行われる。
　　（予測パラメータ）
　予測ユニット（PU：Prediction Unit）の予測画像は、PUに付随する予測パラメータによって導出される。予測パラメータには、イントラ予測の予測パラメータもしくはインター予測の予測パラメータがある。以下、インター予測の予測パラメータ（インター予測パラメータ）について説明する。インター予測パラメータは、予測リスト利用フラグpredFlagL0、predFlagL1と、参照ピクチャインデックスrefIdxL0、refIdxL1と、動きベクトルmvL0、mvL1から構成される。予測リスト利用フラグpredFlagL0、predFlagL1は、各々L0リスト、L1リストと呼ばれる参照ピクチャリストが用いられるか否かを示すフラグであり、値が１の場合に対応する参照ピクチャリストが用いられる。なお、本明細書中「ＸＸであるか否かを示すフラグ」と記す場合、フラグが０以外（たとえば１）をＸＸである場合、０をＸＸではない場合とし、論理否定、論理積などでは１を真、０を偽と扱う（以下同様）。但し、実際の装置や方法では真値、偽値として他の値を用いることもできる。
　符号化データに含まれるインター予測パラメータを導出するためのシンタックス要素には、例えば、PU分割モードpart_mode、マージフラグmerge_flag、マージインデックスmerge_idx、インター予測識別子inter_pred_idc、参照ピクチャインデックスrefIdxLX、予測ベクトルインデックスmvp_LX_idx、差分ベクトルmvdLXがある。
　　（参照ピクチャリスト）
　参照ピクチャリストは、参照ピクチャメモリ３０６に記憶された参照ピクチャからなるリストである。図３は、参照ピクチャおよび参照ピクチャリストの一例を示す概念図である。図３（ａ）において、矩形はピクチャ、矢印はピクチャの参照関係、横軸は時間、矩形中のI、P、Bは各々イントラピクチャ、単予測ピクチャ、双予測ピクチャ、矩形中の数字は復号順を示す。図に示すように、ピクチャの復号順は、I0、P1、B2、B3、B4であり、表示順は、I0、B3、B2、B4、P1である。図３（ｂ）に、参照ピクチャリストの例を示す。参照ピクチャリストは、参照ピクチャの候補を表すリストであり、１つのピクチャ（スライス）が１つ以上の参照ピクチャリストを有してもよい。図の例では、対象ピクチャB3は、L0リストRefPicList0およびL1リストRefPicList1の２つの参照ピクチャリストを持つ。対象ピクチャがB3の場合の参照ピクチャは、I0、P1、B2であり、参照ピクチャはこれらのピクチャを要素として持つ。個々の予測ユニットでは、参照ピクチャリストRefPicListX中のどのピクチャを実際に参照するかを参照ピクチャインデックスrefIdxLXで指定する。図では、refIdxL0およびrefIdxL1により参照ピクチャP1とB2が参照される例を示す。
　　（マージ予測とAMVP予測）
　予測パラメータの復号（符号化）方法には、マージ予測（merge）モードとAMVP（Adaptive Motion Vector Prediction、適応動きベクトル予測）モードがある、マージフラグmerge_flagは、これらを識別するためのフラグである。マージ予測モードは、予測リスト利用フラグpredFlagLX（またはインター予測識別子inter_pred_idc）、参照ピクチャインデックスrefIdxLX、動きベクトルmvLXを符号化データに含めずに、既に処理した近傍PUの予測パラメータから導出する用いるモードであり、AMVPモードは、インター予測識別子inter_pred_idc、参照ピクチャインデックスrefIdxLX、動きベクトルmvLXを符号化データに含めるモードである。なお、動きベクトルmvLXは、予測ベクトルmvpLXを識別する予測ベクトルインデックスmvp_LX_idxと差分ベクトルmvdLXとして符号化される。
　インター予測識別子inter_pred_idcは、参照ピクチャの種類および数を示す値であり、PRED_L0、PRED_L1、PRED_BIの何れかの値をとる。PRED_L0、PRED_L1は、各々L0リスト、L1リストの参照ピクチャリストで管理された参照ピクチャを用いることを示し、１枚の参照ピクチャを用いること（単予測）を示す。PRED_BIは２枚の参照ピクチャを用いること（双予測BiPred）を示し、L0リストとL1リストで管理された参照ピクチャを用いる。予測ベクトルインデックスmvp_LX_idxは予測ベクトルを示すインデックスであり、参照ピクチャインデックスrefIdxLXは、参照ピクチャリストで管理された参照ピクチャを示すインデックスである。なお、LXは、L0予測とL1予測を区別しない場合に用いられる記述方法であり、LXをL0、L1に置き換えることでL0リストに対するパラメータとL1リストに対するパラメータを区別する。
　マージインデックスmerge_idxは、処理が完了したPUから導出される予測パラメータ候補（マージ候補）のうち、いずれかの予測パラメータを復号対象PUの予測パラメータとして用いるかを示すインデックスである。
　　（動きベクトル）
　動きベクトルmvLXは、異なる２つのピクチャ上のブロック間のずれ量を示す。動きベクトルmvLXに関する予測ベクトル、差分ベクトルを、それぞれ予測ベクトルmvpLX、差分ベクトルmvdLXと呼ぶ。
　（インター予測識別子inter_pred_idcと予測リスト利用フラグpredFlagLX）
　インター予測識別子inter_pred_idcと、予測リスト利用フラグpredFlagL0、predFlagL1の関係は以下のとおりであり、相互に変換可能である。
　inter_pred_idc = （predFlagL1<<１） + predFlagL0
　predFlagL0 = inter_pred_idc & １
　predFlagL1 = inter_pred_idc >> １
　なお、インター予測パラメータは、予測リスト利用フラグを用いても良いし、インター予測識別子を用いてもよい。また、予測リスト利用フラグを用いた判定は、インター予測識別子を用いた判定に置き替えてもよい。逆に、インター予測識別子を用いた判定は、予測リスト利用フラグを用いた判定に置き替えてもよい。
　（双予測biPredの判定）
　双予測BiPredであるかのフラグbiPredは、２つの予測リスト利用フラグがともに１であるかによって導出できる。たとえば以下の式で導出できる。
　biPred = (predFlagL0 == 1 && predFlagL1 == 1)
　フラグbiPredは、インター予測識別子が２つの予測リスト（参照ピクチャ）を使うことを示す値であるか否かによっても導出できる。たとえば以下の式で導出できる。
　biPred = (inter_pred_idc == PRED_BI) ? 1 : 0
　上記式は、以下の式でも表現できる。
　biPred = (inter_pred_idc == PRED_BI)
　なお、PRED_BIはたとえば3の値を用いることができる。
　　（画像復号装置の構成）
　次に、本例に係る画像復号装置３１の構成について説明する。図５は、本例に係る画像復号装置３１の構成を示す概略図である。画像復号装置３１は、エントロピー復号部３０１、予測パラメータ復号部（予測画像復号装置）３０２、CNN（Convolutional Neural Network、超解像ニューラルネットワーク）フィルタ３０５、参照ピクチャメモリ３０６、予測パラメータメモリ３０７、予測画像生成部（予測画像生成装置）３０８、逆量子化・逆変換部３１１、及び加算部３１２を含んで構成される。
　また、予測パラメータ復号部３０２は、インター予測パラメータ復号部３０３及びイントラ予測パラメータ復号部３０４を含んで構成される。予測画像生成部３０８は、インター予測画像生成部３０９及びイントラ予測画像生成部３１０を含んで構成される。
　エントロピー復号部３０１は、外部から入力された符号化ストリームTeに対してエントロピー復号を行って、個々の符号（シンタックス要素）を分離し復号する。分離された符号には、予測画像を生成するための予測情報および、差分画像を生成するための残差情報などがある。
　エントロピー復号部３０１は、分離した符号の一部を予測パラメータ復号部３０２に出力する。分離した符号の一部とは、例えば、量子化パラメータ（QP）、予測モードpredMode、PU分割モードpart_mode、マージフラグmerge_flag、マージインデックスmerge_idx、インター予測識別子inter_pred_idc、参照ピクチャインデックスrefIdxLX、予測ベクトルインデックスmvp_LX_idx、差分ベクトルmvdLXである。どの符号を復号するかの制御は、予測パラメータ復号部３０２の指示に基づいて行われる。エントロピー復号部３０１は、量子化係数を逆量子化・逆変換部３１１に出力する。この量子化係数は、符号化処理において、残差信号に対してDCT（Discrete Cosine Transform、離散コサイン変換）、DST（Discrete Sine Transform、離散サイン変換）、KLT（Karyhnen Loeve Transform、カルーネンレーベ変換）等の周波数変換を行い量子化して得られる係数である。
　また、エントロピー復号部３０１は、分離した符号の一部を後述するCNNフィルタ３０５に出力する。分離した符号の一部とは、例えば、量子化パラメータ（QP）、予測パラメータ、デプス情報（分割情報）である。
　インター予測パラメータ復号部３０３は、エントロピー復号部３０１から入力された符号に基づいて、予測パラメータメモリ３０７に記憶された予測パラメータを参照してインター予測パラメータを復号する。
　インター予測パラメータ復号部３０３は、復号したインター予測パラメータを予測画像生成部３０８に出力し、また予測パラメータメモリ３０７に記憶する。インター予測パラメータ復号部３０３の詳細については後述する。
　イントラ予測パラメータ復号部３０４は、エントロピー復号部３０１から入力された符号に基づいて、予測パラメータメモリ３０７に記憶された予測パラメータを参照してイントラ予測パラメータを復号する。イントラ予測パラメータとは、CUを１つのピクチャ内で予測する処理で用いるパラメータ、例えば、イントラ予測モードIntraPredModeである。イントラ予測パラメータ復号部３０４は、復号したイントラ予測パラメータを予測画像生成部３０８に出力し、また予測パラメータメモリ３０７に記憶する。
　イントラ予測パラメータ復号部３０４は、輝度と色差で異なるイントラ予測モードを導出しても良い。この場合、イントラ予測パラメータ復号部３０４は、輝度の予測パラメータとして輝度予測モードIntraPredModeY、色差の予測パラメータとして、色差予測モードIntraPredModeCを復号する。輝度予測モードIntraPredModeYは、３５モードであり、プレーナ予測（０）、DC予測（１）、方向予測（２～３４）が対応する。色差予測モードIntraPredModeCは、プレーナ予測（０）、DC予測（１）、方向予測（２～３４）、LMモード（３５）の何れかを用いるものである。イントラ予測パラメータ復号部３０４は、IntraPredModeCは輝度モードと同じモードであるか否かを示すフラグを復号し、フラグが輝度モードと同じモードであることを示せば、IntraPredModeCにIntraPredModeYを割り当て、フラグが輝度モードと異なるモードであることを示せば、IntraPredModeCとして、プレーナ予測（０）、DC予測（１）、方向予測（２～３４）、LMモード（３５）を復号しても良い。
　CNNフィルタ３０５は、エントロピー復号部３０１から量子化パラメータ、および予測パラメータを取得し、加算部３１２が生成したCUの復号画像を入力画像（フィルタ前画像）とし、フィルタ前画像に処理を施し、出力画像（フィルタ後画像）を出力する。CNNフィルタ３０５は、後述する画像符号化装置１１が備えるCNNフィルタ１０７と同様の機能を有する。
　参照ピクチャメモリ３０６は、加算部３１２が生成したCUの復号画像を、復号対象のピクチャ及びCU毎に予め定めた位置に記憶する。
　予測パラメータメモリ３０７は、予測パラメータを、復号対象のピクチャ及び予測ユニット（もしくはサブブロック、固定サイズブロック、ピクセル）毎に予め定めた位置に記憶する。具体的には、予測パラメータメモリ３０７は、インター予測パラメータ復号部３０３が復号したインター予測パラメータ、イントラ予測パラメータ復号部３０４が復号したイントラ予測パラメータ及びエントロピー復号部３０１が分離した予測モードpredModeを記憶する。記憶されるインター予測パラメータには、例えば、予測リスト利用フラグpredFlagLX（インター予測識別子inter_pred_idc）、参照ピクチャインデックスrefIdxLX、動きベクトルmvLXがある。
　予測画像生成部３０８には、エントロピー復号部３０１から入力された予測モードpredModeが入力され、また予測パラメータ復号部３０２から予測パラメータが入力される。また、予測画像生成部３０８は、参照ピクチャメモリ３０６から参照ピクチャを読み出す。予測画像生成部３０８は、予測モードpredModeが示す予測モードで、入力された予測パラメータと読み出した参照ピクチャ（参照ピクチャブロック）を用いてPUもしくはサブブロックの予測画像を生成する。
　ここで、予測モードpredModeがインター予測モードを示す場合、インター予測画像生成部３０９は、インター予測パラメータ復号部３０３から入力されたインター予測パラメータと読み出した参照ピクチャ（参照ピクチャブロック）を用いてインター予測によりPUもしくはサブブロックの予測画像を生成する。
　インター予測画像生成部３０９は、予測リスト利用フラグpredFlagLXが１である参照ピクチャリスト（L0リスト、もしくはL1リスト）に対し、参照ピクチャインデックスrefIdxLXで示される参照ピクチャから、復号対象PUを基準として動きベクトルmvLXが示す位置にある参照ピクチャブロックを参照ピクチャメモリ３０６から読み出す。インター予測画像生成部３０９は、読み出した参照ピクチャブロックをもとに予測を行ってPUの予測画像を生成する。インター予測画像生成部３０９は、生成したPUの予測画像を加算部３１２に出力する。ここで、参照ピクチャブロックとは、参照ピクチャ上の画素の集合（通常矩形であるのでブロックと呼ぶ）であり、PUもしくはサブブロックの予測画像を生成するために参照する領域である。
　予測モードpredModeがイントラ予測モードを示す場合、イントラ予測画像生成部３１０は、イントラ予測パラメータ復号部３０４から入力されたイントラ予測パラメータと読み出した参照ピクチャを用いてイントラ予測を行う。具体的には、イントラ予測画像生成部３１０は、復号対象のピクチャであって、既に復号されたPUのうち、復号対象PUから予め定めた範囲にある隣接PUを参照ピクチャメモリ３０６から読み出す。予め定めた範囲とは、復号対象PUがいわゆるラスタースキャンの順序で順次移動する場合、例えば、左、左上、上、右上の隣接PUのうちのいずれかであり、イントラ予測モードによって異なる。ラスタースキャンの順序とは、各ピクチャにおいて、上端から下端まで各行について、順次左端から右端まで移動させる順序である。
　イントラ予測画像生成部３１０は、読み出した隣接PUに基づいてイントラ予測モードIntraPredModeが示す予測モードで予測を行ってPUの予測画像を生成する。イントラ予測画像生成部３１０は、生成したPUの予測画像を加算部３１２に出力する。
　イントラ予測パラメータ復号部３０４において、輝度と色差で異なるイントラ予測モードを導出する場合、イントラ予測画像生成部３１０は、輝度予測モードIntraPredModeYに応じて、プレーナ予測（０）、DC予測（１）、方向予測（２～３４）の何れかによって輝度のPUの予測画像を生成し、色差予測モードIntraPredModeCに応じて、プレーナ予測（０）、DC予測（１）、方向予測（２～３４）、LMモード（３５）の何れかによって色差のPUの予測画像を生成する。
　逆量子化・逆変換部３１１は、エントロピー復号部３０１から入力された量子化係数を逆量子化して変換係数を求める。逆量子化・逆変換部３１１は、求めた変換係数について逆DCT、逆DST、逆KLT等の逆周波数変換を行い、残差信号を算出する。逆量子化・逆変換部３１１は、算出した残差信号を加算部３１２に出力する。
　加算部３１２は、インター予測画像生成部３０９またはイントラ予測画像生成部３１０から入力されたPUの予測画像と逆量子化・逆変換部３１１から入力された残差信号を画素毎に加算して、PUの復号画像を生成する。加算部３１２は、生成したPUの復号画像を参照ピクチャメモリ３０６に記憶し、生成したPUの復号画像をピクチャ毎に統合した復号画像Tdを外部に出力する。
　　（インター予測パラメータ復号部の構成）
　次に、インター予測パラメータ復号部３０３の構成について説明する。
　図１９は、インター予測パラメータ復号部３０３の構成を示す概略図である。インター予測パラメータ復号部３０３は、インター予測パラメータ復号制御部３０３１、AMVP予測パラメータ導出部３０３２、加算部３０３８、マージ予測パラメータ導出部３０３６およびサブブロック予測パラメータ導出部３０３７を含んで構成される。
　インター予測パラメータ復号制御部３０３１は、インター予測に関連する符号（シンタックス要素）の復号をエントロピー復号部３０１に指示し、符号化データに含まれる符号（シンタックス要素）、例えば、PU分割モードpart_mode、マージフラグmerge_flag、マージインデックスmerge_idx、インター予測識別子inter_pred_idc、参照ピクチャインデックスrefIdxLX、予測ベクトルインデックスmvp_LX_idx、差分ベクトルmvdLXを抽出する。
　インター予測パラメータ復号制御部３０３１は、まず、マージフラグmerge_flagを抽出する。インター予測パラメータ復号制御部３０３１が、あるシンタックス要素を抽出すると表現する場合は、あるシンタックス要素の復号をエントロピー復号部３０１に指示し、該当のシンタックス要素を符号化データから読み出すことを意味する。
　マージフラグmerge_flagが０、すなわち、AMVP予測モードを示す場合、インター予測パラメータ復号制御部３０３１は、エントロピー復号部３０１を用いて符号化データからAMVP予測パラメータを抽出する。AMVP予測パラメータとして、例えば、インター予測識別子inter_pred_idc、参照ピクチャインデックスrefIdxLX、予測ベクトルインデックスmvp_LX_idx、差分ベクトルmvdLXがある。AMVP予測パラメータ導出部３０３２は予測ベクトルインデックスmvp_LX_idxから予測ベクトルmvpLXを導出する。詳細は後述する。インター予測パラメータ復号制御部３０３１は、差分ベクトルmvdLXを加算部３０３８に出力する。加算部３０３８では、予測ベクトルmvpLXと差分ベクトルmvdLXを加算し、動きベクトルを導出する。
　マージフラグmerge_flagが１、すなわち、マージ予測モードを示す場合、インター予測パラメータ復号制御部３０３１は、マージ予測に係る予測パラメータとして、マージインデックスmerge_idxを抽出する。インター予測パラメータ復号制御部３０３１は、抽出したマージインデックスmerge_idxをマージ予測パラメータ導出部３０３６（詳細は後述する）に出力し、サブブロック予測モードフラグsubPbMotionFlagをサブブロック予測パラメータ導出部３０３７に出力する。サブブロック予測パラメータ導出部３０３７は、サブブロック予測モードフラグsubPbMotionFlagの値に応じて、PUを複数のサブブロックに分割し、サブブロック単位で動きベクトルを導出する。すなわち、サブブロック予測モードでは、予測ブロックは4x4もしくは8x8という小さいブロック単位で予測される。後述の画像符号化装置１１においては、CUを複数のパーティション（2NxN、Nx2N、NxNなどのPU）に分割し、パーティション単位で予測パラメータのシンタックスを符号化する方法に対して、サブブロック予測モードでは複数のサブブロックを集合（セット）にまとめ、当該集合毎に予測パラメータのシンタックスを符号化するため、少ない符号量で多くのサブブロックの動き情報を符号化することができる。
　　（インター予測画像生成部３０９）
　図１８は、予測画像生成部３０８に含まれるインター予測画像生成部３０９の構成を示す概略図である。インター予測画像生成部３０９は、動き補償部（予測画像生成装置）３０９１、重み予測部３０９４を含んで構成される。
　　（動き補償）
　動き補償部３０９１は、インター予測パラメータ復号部３０３から入力された、インター予測パラメータ（予測リスト利用フラグpredFlagLX、参照ピクチャインデックスrefIdxLX、動きベクトルmvLX）に基づいて、参照ピクチャメモリ３０６から、参照ピクチャインデックスrefIdxLXで指定された参照ピクチャRefXにおいて、復号対象PUの位置を起点として、動きベクトルmvLXだけずれた位置にあるブロックを読み出すことによって補間画像（動き補償画像predSamplesLX）を生成する。ここで、動きベクトルmvLXの精度が整数精度でない場合には、動き補償フィルタと呼ばれる小数位置の画素を生成するためのフィルタを施して、動き補償画像を生成する。
　　（重み予測）
　重み予測部３０９４は、入力される動き補償画像predSamplesLXに重み係数を乗算することによりPUの予測画像を生成する。予測リスト利用フラグの一方（predFlagL0もしくはpredFlagL1）が１の場合（単予測の場合）で、重み予測を用いない場合には入力された動き補償画像predSamplesLX（ＬＸはL0もしくはL1）を画素ビット数bitDepthに合わせる以下の式の処理を行う。
predSamples[x][y] = Clip3( 0, ( 1 << bitDepth ) - 1, ( predSamplesLX[x][y] + offset1 ) >> shift1 )
　ここで、shift1 = 14 - bitDepth、offset1=1<<(shift1-1)である。また、参照リスト利用フラグの両者（predFlagL0とpredFlagL1）が１の場合（双予測BiPredの場合）で、重み予測を用いない場合には、入力された動き補償画像predSamplesL0、predSamplesL1を平均し画素ビット数に合わせる以下の式の処理を行う。
predSamples[x][y] = Clip3( 0, ( 1 << bitDepth ) - 1, ( predSamplesL0[x][y] + predSamplesL1[x][y] + offset2 ) >> shift2 )
　ここで、shift2=15-bitDepth、offset2=1<<(shift2-1)である。
　さらに、単予測の場合で、重み予測を行う場合には、重み予測部３０９４は、重み予測係数w0とオフセットo0を符号化データから導出し、以下の式の処理を行う。
predSamples[x][y] = Clip3( 0, ( 1 << bitDepth ) - 1, ( (predSamplesLX[x][y] * w0 + 2^(log2WD - 1)) >> log2WD ) + o0 )
　ここで、log2WDは所定のシフト量を示す変数である。
　さらに、双予測BiPredの場合で、重み予測を行う場合には、重み予測部３０９４は、重み予測係数w0、w1、o0、o1を符号化データから導出し、以下の式の処理を行う。
predSamples[x][y] = Clip3( 0, ( 1 << bitDepth ) - 1, ( predSamplesL0 [x][y] * w0 + predSamplesL1[x][y] * w1 + ((o0 + o1 + 1) << log2WD) ) >> (log2WD + 1) )
　　（画像符号化装置の構成）
　次に、本例に係る画像符号化装置１１の構成について説明する。図４は、本例に係る画像符号化装置１１の構成を示す概略図である。画像符号化装置１１は、予測画像生成部１０１、減算部１０２、変換・量子化部１０３、エントロピー符号化部１０４、逆量子化・逆変換部１０５、加算部１０６、CNN（Convolutional Neural Network 、超解像ニューラルネットワーク）フィルタ１０７、予測パラメータメモリ（予測パラメータ記憶部、フレームメモリ）１０８、参照ピクチャメモリ（参照画像記憶部、フレームメモリ）１０９、符号化パラメータ決定部１１０、予測パラメータ符号化部１１１を含んで構成される。予測パラメータ符号化部１１１は、インター予測パラメータ符号化部１１２及びイントラ予測パラメータ符号化部１１３を含んで構成される。
　予測画像生成部１０１は画像Ｔの各ピクチャについて、そのピクチャを分割した領域である符号化ユニットCU毎に予測ユニットPUの予測画像Ｐを生成する。ここで、予測画像生成部１０１は、予測パラメータ符号化部１１１から入力された予測パラメータに基づいて参照ピクチャメモリ１０９から復号済のブロックを読み出す。予測パラメータ符号化部１１１から入力された予測パラメータとは、例えばインター予測の場合、動きベクトルである。予測画像生成部１０１は、対象PUを起点として動きベクトルが示す参照画像上の位置にあるブロックを読み出す。またイントラ予測の場合、予測パラメータとは例えばイントラ予測モードである。イントラ予測モードで使用する隣接PUの画素値を参照ピクチャメモリ１０９から読み出し、PUの予測画像Pを生成する。予測画像生成部１０１は、読み出した参照ピクチャブロックについて複数の予測方式のうちの１つの予測方式を用いてPUの予測画像Ｐを生成する。予測画像生成部１０１は、生成したPUの予測画像Ｐを減算部１０２に出力する。
　なお、予測画像生成部１０１は、既に説明した予測画像生成部３０８と同じ動作である。例えば、図６は、予測画像生成部１０１に含まれるインター予測画像生成部１０１１の構成を示す概略図である。インター予測画像生成部１０１１は、動き補償部１０１１１、重み予測部１０１１２を含んで構成される。動き補償部１０１１１および重み予測部１０１１２については、上述の動き補償部３０９１、重み予測部３０９４のそれぞれと同様の構成であるためここでの説明を省略する。
　予測画像生成部１０１は、予測パラメータ符号化部から入力されたパラメータを用いて、参照ピクチャメモリから読み出した参照ブロックの画素値をもとにPUの予測画像Pを生成する。予測画像生成部１０１で生成した予測画像は減算部１０２、加算部１０６に出力される。
　減算部１０２は、予測画像生成部１０１から入力されたPUの予測画像Ｐの信号値を、画像Ｔの対応するPUの画素値から減算して、残差信号を生成する。減算部１０２は、生成した残差信号を変換・量子化部１０３に出力する。
　変換・量子化部１０３は、減算部１０２から入力された残差信号について周波数変換を行い、変換係数を算出する。変換・量子化部１０３は、算出した変換係数を量子化して量子化係数を求める。変換・量子化部１０３は、求めた量子化係数をエントロピー符号化部１０４及び逆量子化・逆変換部１０５に出力する。
　エントロピー符号化部１０４には、変換・量子化部１０３から量子化係数が入力され、予測パラメータ符号化部１１１から符号化パラメータが入力される。入力される符号化パラメータには、例えば、量子化パラメータ、デプス情報（分割情報）、参照ピクチャインデックスrefIdxLX、予測ベクトルインデックスmvp_LX_idx、差分ベクトルmvdLX、予測モードpredMode、及びマージインデックスmerge_idx等の符号がある。
　エントロピー符号化部１０４は、入力された量子化係数と符号化パラメータをエントロピー符号化して符号化ストリームTeを生成し、生成した符号化ストリームTeを外部に出力する。
　逆量子化・逆変換部１０５は、変換・量子化部１０３から入力された量子化係数を逆量子化して変換係数を求める。逆量子化・逆変換部１０５は、求めた変換係数について逆周波数変換を行い、残差信号を算出する。逆量子化・逆変換部１０５は、算出した残差信号を加算部１０６に出力する。
　加算部１０６は、予測画像生成部１０１から入力されたPUの予測画像Ｐの信号値と逆量子化・逆変換部１０５から入力された残差信号の信号値を画素毎に加算して、復号画像を生成する。加算部１０６は、生成した復号画像を参照ピクチャメモリ１０９に記憶する。
　CNNフィルタ１０７は、本例に係る画像フィルタ装置の一例である。本例に係る画像フィルタ装置は、局所復号画像に作用させるフィルタとして機能する。本例に係る画像フィルタ装置は、輝度又は色差を画素値とする１又は複数の第１種の入力画像データと、予測画像及び差分画像を生成するための参照パラメータに応じた値を画素値とする１又は複数の第２種の入力画像データとが入力され、輝度又は色差を画素値とする１又は複数の第１種の出力画像データを出力するニューラルネットワークを備えている。 
　ここで、本明細書における参照パラメータとは、予測画像及び差分画像を生成するために参照されるパラメータのことであり、一例として、上述した符号化パラメータが含まれ得る。参照パラメータの一例を具体的に記載すれば以下の通りである。 
　・画像フィルタ装置が作用する画像（以下、入力画像ともよぶ）における量子化パラメータ 
　・入力画像におけるイントラ予測及びインター予測の種別を示すパラメータ 
　・入力画像におけるイントラ予測方向を示すパラメータ 
　・入力画像におけるインター予測の参照ピクチャを示すパラメータ 
　・入力画像におけるパーティションの分割深度を示すパラメータ 
　・入力画像におけるパーティションのサイズを示すパラメータ 
　なお、参照パラメータのことを、特に混乱がない限り、単にパラメータと呼ぶこともある。また、参照パラメータを符号化データにおいて明示的に伝送してもよい。 
　CNNフィルタ１０７は、加算部１０６が生成した復号画像のデータを第１種の入力画像 （フィルタ前画像）データとして入力され、フィルタ前画像に処理を施し、第１種の出力画像（フィルタ後画像）データを出力する。本例に係る画像フィルタ装置は、予測パラメータ符号化部１１１もしくはエントロピー復号部３０１から、量子化パラメータ、予測パラメータを第２種の入力画像データとして取得して、フィルタ前画像に処理を施すこともできる。ここで、画像フィルタ装置によるフィルタ後の出力画像は、原画像に可能な限り一致することが期待される。 
　画像フィルタ装置は、符号化歪み、すなわち、ブロック歪みを低減する効果とリンギング歪みを低減する効果とを有する。 
　ここで、CNNとは、コンボリューション層（積和演算における重み係数及びバイアス/オフセットがピクチャ内の位置に依存しない層）を少なくとも有するニューラルネットワークの総称である。重み係数をカーネルとも呼ぶ。CNNフィルタ１０７は、コンボリューシ ョン層の他、フルコネクション層（FCN）と呼ばれる、重み計算がピクチャ内の位置に依 存する層を含むことができる。CNNフィルタ１０７において、コンボリューション層への 入力サイズと、出力サイズとは異なってもよい。すなわち、CNNフィルタ１０７は、コン ボリューションフィルタを適用する位置を移動させる場合の移動量（ステップサイズ）を１より大きくすることで、出力サイズが入力サイズよりも小さくなる層を含むことができる。また、出力サイズが入力サイズよりも大きくなるデコンボリューション層(Deconvolution)も含むことができる。デコンボリューション層は、トランスポーズコンボリューシ ョン(TransposeConvolution)とよばれる場合もある。また、CNNフィルタ１０７は、プー リング層(Pooling)、ドロップアウト(DropOut)層等を含むことができる。プーリング層は、大きな画像を小さなウィンドウに区切り、区切ったそれぞれのウィンドウに応じて最大値や平均値等の代表値を得る層であり、ドロップアウト層は、確率に応じて出力を固定値（例えば０）にすることでランダム性を追加する層である。
　図７は、CNNフィルタ１０７の入出力の一例を示す概念図である。図７に示す一例において、フィルタ前画像は、輝度（Y）のチャネル、第１の色差（Cb）のチャネル、および第２の色差（Cr）のチャネルを含む３つの画像のチャネル、ならびに量子化パラメータ（QP）のチャネルを含む１つの符号化パラメータ（参照パラメータ）のチャネルを含む。また、フィルタ後画像は、処理が施された輝度（Y'）のチャネル、処理が施された色差（Cb'）のチャネル、および処理が施された色差（Cr'）のチャネルを含む３つの画像のチャネルを含む。
　図８は、CNNフィルタ１０７の構成の一例を示す概略図である。CNNフィルタ１０７は、複数のconvX層を含んでいる。
　ここで、本例において、convX層は、下記の構成の少なくとも何れかを含むことができる。
　（１）conv(x)：フィルタをかける処理（convolution）を実施する構成
　（２）act(conv(x))：convolutionの後にactivation（非線形関数、例えば、sigmoid, tanh, relu, elu、seluなど）を実施する構成
　（３）batch_norm(act(conv(x)))：convolutionとactivationの後にバッチノーマライゼーション（入力のレンジの正規化）を実施する構成
　（４）act(batch_norm(conv(x)))：convolutionとactivationの間にバッチノーマライゼーション（入力のレンジの正規化）を実施する構成
　（５）pooling：conv層間で情報の圧縮、ダウンサイジングを実施する構成
　図８に示す例においては、CNNフィルタ１０７は、３つのconvX層（conv1，conv2，conv3）とadd層とを含む。入力されるフィルタ前画像は、(N1+N2)xH1xW1のサイズを有する。ここで、N1は画像のチャネル数を示す。例えば、フィルタ前画像が輝度（Y）のチャネルのみを含む場合は、N1は「１」である。Y、Cb、Crのチャネルを含む場合にはN1は「３」である。R, G, Bのチャネルを含む場合にはN1は「３」である。W1はピクチャの幅パッチサイズであり、H1はピクチャの高さパッチサイズである。N2は符号化パラメータのチャネル数を示す。例えば、符号化パラメータが量子化パラメータ（QP）のチャネルのみを含む場合は、N2は「１」である。add層を備える構成は、フィルタ後画像とフィルタ前画像の差分（residual）をCNNフィルタで予測する構成であり、特に、CNN層が深くなる構成で有効であることが知られている。なお、residualを導出する層を複数重ねるResNetと呼ばれる構成が知られているように、add層は１つに限定されず複数のadd層があっても良い。
　また、後述のようにネットワークは分岐を含んでいてもよく、また分岐した入力や出力を束ね合わせるConcatenate層を備えていても良い。例えばN1xH1xW1のデータとN2xH1xW1のデータをConcatenateすると、(N1+N2)xH1xW1のデータになる。
　CNNフィルタ１０７の１つ目のconv層であるconv1は、(N1+N2)xH1xW1のデータが入力され、Nconv1xH1xW1のデータを出力する。CNNフィルタ１０７の２つ目のconv層であるconv2は、Nconv1xH1xW1のデータが入力され、Nconv2xH1xW1のデータを出力する。CNNフィルタ１０７の３つ目のconv層であるconv3は、Nconv2xH1xW1のデータが入力され、N1xH1xW1のデータを出力する。add層であるaddは、conv層の出力であるN1xH1xW1のデータとN1xH1xW1のフィルタ前画像とが画素ごとに加算され、N1xH1xW1のデータを出力する。
　図８に示すように、ピクチャのチャネル数は、CNNフィルタ１０７により処理が施されることで、N1+N2からN1に減少する。なお、本例においてCNNフィルタ１０７は、チャネルファースト（チャネル×高さ×幅）のデータ形式で処理をするが、チャネルラスト（高さ×幅×チャネル）のデータ形式で処理をしてもよい。
　なお、CNNフィルタ１０７は、コンボリューション層により出力サイズを減少させた後、デコンボリューション層により出力サイズを大きくし、元に戻すようなオートエンコーダ層を設けることもできる。複数のコンボリューション層から構成される深いネットワークは、DNN（Deep Neural Network）と呼ばれることもある。画像フィルタ装置は、ネットワークの出力の一部を再度ネットワークに入力させるようなRNN（Recurrent Neural Network）を有することもできる。RNNにおいて、再入力する情報はそのネットワークの内部状態と考えることができる。
　画像フィルタ装置は、再入力情報（内部状態）の更新や伝達を制御するために、さらにニューラルネットワークのサブネットワークを利用するLSTM（Long Short-Term Memory）やGRU（Gated Recurrent Unit）を構成要素として複数組み合わせることができる。
　フィルタ前画像の符号化パラメータのチャネルとして、量子化パラメータ（ＱＰ）のチャネルに加え、分割情報（PartDepth）のチャネル、予測モード情報（PredMode）のチャネルを追加することができる。
　（量子化パラメータ（QP））
　量子化パラメータ（QP）は、画像の圧縮率と画質とを制御するパラメータである。本例において量子化パラメータ（QP）は、値が大きいほど画質が低くなり符号量が減少する特性、および値が小さいほど画質が高くなり符号量が増加する特性を有する。量子化パラメータ（QP）として、例えば、予測残差の量子化幅を導出するパラメータを用いることができる。
　ピクチャ単位の量子化パラメータ（QP）としては、処理対象フレームの代表的な１個の量子化パラメータ（QP）を入力することができる。例えば、量子化パラメータ（QP）は、対象ピクチャに適用されるパラメータセットにより指定されることができる。また、量子化パラメータ（QP）は、ピクチャの構成要素に適用される量子化パラメータ（QP）に基づいて算出されることができる。具体的には、スライスに適用される量子化パラメータ（QP）の平均値に基づいて、量子化パラメータ（QP）を算出することができる。
　また、ピクチャを分割した単位の量子化パラメータ（QP）としては、所定の基準でピクチャを分割した単位毎の量子化パラメータ（QP）を入力することができる。例えば、量子化パラメータ（QP）を、スライス毎に適用することができる。また、量子化パラメータ（QP）を、スライス内のブロックに適用することができる。また、量子化パラメータ（QP）を、既存の符号化単位から独立した領域単位（例えば、ピクチャを16x9個に分割して得られる各領域）で指定することができる。この場合、量子化パラメータ（QP）が、スライス数や変換ユニット数に依存するため、領域に対応する量子化パラメータ（QP）の値が不定になり、CNNフィルタが構成できないため、領域内の量子化パラメータ（QP）の平均値を用いる方法が考えられる。
　また、特定の個数の量子化パラメータ（QP）を入力する場合としては、量子化パラメータ（QP）の個数が一定になるように、量子化パラメータ（QP）のリストを生成してCNNフィルタへ入力してもよい。例えば、スライス毎の量子化パラメータ（QP）のリストを作成し、最大値、最小値、中央値の３個の量子化パラメータ（QP）のリストを作成して入力する方法が考えられる。
　また、コンポーネント単位の量子化パラメータ（QP）としては、処理対象のコンポーネントに適用する量子化パラメータ（QP）を入力することができる。この量子化パラメータ（QP）の例として、輝度量子化パラメータ（QP）、色差量子化パラメータ（QP）を挙げることができる。
　また、ブロック単位でCNNフィルタを適用する場合、周辺量子化パラメータ（QP）として、対象ブロックの量子化パラメータ（QP）とブロック周辺の量子化パラメータ（QP）をを入力してもよい。
　CNNフィルタ１０７を、ピクチャ、および符号化パラメータに応じて設計することができる。すなわち、CNNフィルタ１０７を、方向性、アクティビティ等の画像データから導出可能なピクチャ特性だけでなく、符号化パラメータに応じて設計することができるので、CNNフィルタ１０７は、符号化パラメータ毎に異なる強度のフィルタを実現することができる。したがって、本例はCNNフィルタ１０７を備えるので、符号化パラメータ毎に異なるネットワークを導入することなく、符号化パラメータに応じた処理をすることができる。
　図９は、画像フィルタ装置の構成の変形例を示す概略図である。図９に示すように、画像フィルタ装置であるCNNフィルタは、add層を含まず、convX層のみを含んでいてもよい。add層を含まない本変形例においても、CNNフィルタは、N1*H1*W1のデータを出力する。
　図１０を参照して、参照パラメータが量子化パラメータ（QP）の一例を説明する。図１０の（ａ）に示す量子化パラメータ（QP）は、変換ユニットの単位領域（または量子化パラメータ（QP）が同じ単位領域）で配置されている。図１０の（ａ）に示す量子化パラメータ（QP）を、例えば画素等の単位領域で入力した場合を図１０の（ｂ）に示す。画素単位で入力すると、各画素に直接対応する量子化パラメータ（QP）を処理に利用でき、各画素に応じた処理をすることができる。また、量子化パラメータ（QP）の変化位置から、変換ユニットの境界が分かり、同一変換ユニット内であるか、隣接する異なる変換ユニットの画素であるかの情報をフィルタ処理に利用することができる。また、画素値の変化だけでなく量子化パラメータ（QP）の変化の大きさを利用することができる。例えば、量子化パラメータ（QP）が平坦か、ゆっくり変化するか、急峻に変化するか、連続的に変化しているか等の情報を利用することができる。また、CNNフィルタ１０７に入力する前に平均値０、分散１に近くなるように正規化や標準化を行ってもよい。これは、量子化パラメータ以外の符号化パラメータや画素値でも同様である。
　図１１は、参照パラメータが予測パラメータの一例を示す。予測パラメータは、イントラ予測、またはインター予測であることを示す情報、インター予測である場合には予測に利用する参照ピクチャの数を示す予測モードを含む。
　図１１の（ａ）に示す予測パラメータは、符号化ユニット（予測ユニット）単位で配置されている。図１１の（ａ）に示す予測パラメータを、画素等の単位領域で入力した場合を図１１の（ｂ）に示す。図１０の（ｂ）に示す例と同様に、画素単位で入力すると、各画素に空間的に直接対応する予測パラメータを処理に利用でき、各画素に応じた処理をすることができる。つまり(x, y)座標の画素値である(R, G, B)や(Y, Cb, Cr)と同時に(x, y)座標の予測パラメータを利用することができる。また、予測パラメータの変化位置から、符号化ユニットの境界が分かり、同一符号化ユニット内であるか、隣接する異なる符号化ユニットの画素であるかの情報をフィルタ処理に利用することができる。また、画素値の変化だけでなく予測パラメータの変化の大きさを利用することができる。例えば、予測パラメータが平坦か、ゆっくり変化するか、急峻に変化するか、連続的に変化しているか等の情報を利用することができる。なお、予測パラメータに割り当てる値は、近い性質の予測モードに近い値を割り当てるのであれば、図１１の（ｂ）に示す数字の例に限らない。例えば、イントラ予測に「－２」を割り当て、単予測に「２」を割り当て、双予測に「４」を割り当ててもよい。
　図１２を参照して、イントラ予測の予測モードの定義について説明する。図１２は、予測モードの定義を示している。同図に示すように、輝度画素には６７種類の予測モードが定義されており、それぞれの予測モードは、「０」～「６６」の番号（イントラ予測モードインデックス）によって特定される。また、各予測モードには次のような名称が割り当てられている。すなわち、「０」は、“Planar（平面予測）”であり、「１」は、“DC(ＤＣ予測)”であり、「２」～「６６」は、“Angular（方向予測）”である。色差画素の場合は、“Planar（平面予測）”、“VER（垂直予測）”、“HOR（水平予測）”、“DC（ＤＣ予測）”、“VDIR(45度予測)”、LM予測（色差予測モード）、およびDM予測（輝度のイントラ予測モードを流用)が使用可能である。LM予測は、輝度の予測に基づいた色差の線形予測である。言い換えれば、LM予測は、輝度画素値と色差画素値との相関を利用した予測である。
　図１３は、参照パラメータが輝度画素のイントラ予測パラメータの一例を示す。イントラ予測パラメータは、各パーティション毎に定まる予測パラメータの値を含む。イントラ予測パラメータは、例えば、イントラ予測モード等を含むことができる。
　図１３の（ａ）に示すイントラ予測パラメータは、符号化ユニット（予測ユニット）単位で配置されている。図１３の（ａ）に示す予測パラメータを、画素等の単位領域で入力した場合を図１３の（ｂ）に示す。図１０の（ｂ）に示す例と同様に、画素単位で入力すると、各画素に直接対応するイントラ予測パラメータを処理に利用でき、各画素に応じた処理をすることができる。また、イントラ予測パラメータの変化位置から、符号化ユニットの境界が分かり、同一符号化ユニットであるか、隣接する異なる符号化ユニットの画素であるかの情報を利用することができる。また、画素値の変化だけでなくイントラ予測パラメータの変化の大きさを利用することができる。例えば、イントラ予測パラメータがゆっくり変化するか、急峻に変化するか、連続的に変化しているか等の情報を利用することができる。
　図１４は、参照パラメータが、デプス情報（分割情報）の一例を示す。デプス情報は、各パーティション毎に、変換ユニットに応じて定まる。デプス情報は、例えば、符号化ユニットの分割回数に応じて定まり、符号化ユニットの大きさに対応する。
　図１４の（ａ）に示すデプス情報は、符号化ユニット（予測ユニット単位）で配置されている。図１４の（ａ）に示すデプス情報を、画素等の単位領域で入力した場合を図１４の（ｂ）に示す。図１０の（ｂ）に示す例と同様に、画素単位で入力すると、各画素に直接対応するデプス情報を処理に利用でき、各画素に応じた処理をすることができる。また、デプス情報の変化位置から、符号化ユニットの境界が分かり、同一符号化ユニットであるか、隣接する異なる符号化ユニットの画素であるかの情報を利用することができる。また、画素値の変化だけでなくデプス情報の変化の大きさを利用することができる。例えば、デプス情報がゆっくり変化するか、急峻に変化するか、連続的に変化しているか等の情報を利用することができる。
　また、デプス情報の代わりにパーティションの水平サイズと垂直サイズを示すサイズ情報を用いてもよい。
　図１５は、参照パラメータがパーティションの水平サイズと垂直サイズを含むサイズ情報である一例を示す。図１５に示す例では、単位領域毎に２つの情報、すなわち水平サイズと垂直サイズの情報を入力する。図１５の例では、パーティションの水平サイズW（幅）と垂直サイズH（高さ）の２の対数値に所定のオフセット(-2)を加えた数であるlog2(W)-2,log2(H)-2を、参照パラメータに用いている。例えば(1,1)、(2,1)、(0,0)、(2,0)、(1,2)、(0,1)のパーティションサイズ(W, H)は各々(8,8)、(16,8)、(4,4)、(16,4)、(8,16)、(4,8)である。
　図１５に示す例でのパーティションサイズは、変換ユニットの水平および垂直方向の分割回数を示す値Dの２の対数値を所定の値から減算した値（3-log2(D)）と考えることもできる。
　図１５の（ａ）に示すサイズ情報は、変換ブロック単位で配置されている。図１５の（ａ）に示すサイズ情報を、画素等の単位領域で入力した場合を図１５の（ｂ）に示す。図１５の（ｂ）に示す例においても、図１４の（ｂ）に示す例と同様の効果を奏する。
　図１６は、符号化パラメータが複数の予測パラメータからなる他の一例を示す。図１７に示す例では、予測モードに加え、参照ピクチャ情報を予測パラメータに含めている。
　図１６の（ａ）に示す予測パラメータは、変換ブロック単位で配置されている。図１６の（ａ）に示す予測パラメータを、画素等の単位領域で入力した場合を図１６の（ｂ）に示す。図１６の（ｂ）に示す例においても、図１１の（ｂ）に示す例と同様の効果を奏する。
　（CNNフィルタの学習方法）
　CNNフィルタ１０７は、訓練データ、および誤差関数を用いて学習する。
　CNNフィルタ１０７の訓練データとして、上述したフィルタ前画像、参照パラメータと原画像のセットを入力することができる。また、CNNフィルタ１０７から出力されるフィルタ後画像は、ある参照パラメータにおいて原画像との誤差を最小化させることが期待される。
　また、CNNフィルタ１０７の誤差関数として、CNNフィルタ１０７によりフィルタ処理が施されたフィルタ後画像の、原画像に対する誤差を評価する関数（例えば、平均絶対値誤差mean absolute errorや平均二乗誤差mean square error）を用いることができる。画像の誤差に加え、パラメータの大きさを正則化項として誤差関数に加えて用いることもできる。正則化ではパラメータの絶対値、２乗値、その両方を用いることができる（各々、lasso、ridge、elasticnetと呼ばれる）。
　さらに、後述するように、CNNパラメータを伝送する方式では、CNNパラメータの符号量をさらに誤差関数の誤差に加えてもよい。
　画像の良さを評価する別のCNNネットワークを用いて、学習させることもできる。この場合、評価対象となるCNNフィルタ１０７（Generator）の出力を異なる評価用CNNネットワーク(Discriminator)に直列に入力し、評価用CNNネットワークの評価値を最小化（もしくは最大化）させる。CNNフィルタ１０７の学習と同時に、評価用CNNネットワークを学習させることも適当である。生成用と評価用の２つのネットワークを同時に学習させる方法は、Generative Adversarial Networks (GAN)と呼ばれる。
　なお、画像復号装置３１のCNNフィルタ３０５は、画像符号化装置１１のCNNフィルタ１０７と同様の方法により学習が行われる。なお、画像符号化装置１１と画像復号装置３１の両者で同じCNNフィルタを用いる構成においては、２つのCNNフィルタのCNNパラメータは同一とする。
　予測パラメータメモリ１０８は、符号化パラメータ決定部１１０が生成した予測パラメータを、符号化対象のピクチャ及びCU毎に予め定めた位置に記憶する。
　参照ピクチャメモリ１０９は、CNNフィルタ１０７が生成した復号画像を、符号化対象のピクチャ及びCU毎に予め定めた位置に記憶する。
　符号化パラメータ決定部１１０は、符号化パラメータの複数のセットのうち、１つのセットを選択する。符号化パラメータとは、上述した予測パラメータやこの予測パラメータに関連して生成される符号化の対象となるパラメータである。予測画像生成部１０１は、これらの符号化パラメータのセットの各々を用いてPUの予測画像Ｐを生成する。
　符号化パラメータ決定部１１０は、複数のセットの各々について情報量の大きさと符号化誤差を示すコスト値を算出する。コスト値は、例えば、符号量と二乗誤差に係数λを乗じた値との和である。符号量は、量子化誤差と符号化パラメータをエントロピー符号化して得られる符号化ストリームTeの情報量である。二乗誤差は、減算部１０２において算出された残差信号の残差値の二乗値についての画素間の総和である。係数λは、予め設定されたゼロよりも大きい実数である。符号化パラメータ決定部１１０は、算出したコスト値が最小となる符号化パラメータのセットを選択する。これにより、エントロピー符号化部１０４は、選択した符号化パラメータのセットを符号化ストリームTeとして外部に出力し、選択されなかった符号化パラメータのセットを出力しない。符号化パラメータ決定部１１０は決定した符号化パラメータを予測パラメータメモリ１０８に記憶する。
　予測パラメータ符号化部１１１は、符号化パラメータ決定部１１０から入力されたパラメータから、符号化するための形式を導出し、エントロピー符号化部１０４に出力する。符号化するための形式の導出とは、例えば動きベクトルと予測ベクトルから差分ベクトルを導出することである。また予測パラメータ符号化部１１１は、符号化パラメータ決定部１１０から入力されたパラメータから予測画像を生成するために必要なパラメータを導出し、予測画像生成部１０１に出力する。予測画像を生成するために必要なパラメータとは、例えばサブブロック単位の動きベクトルである。
　インター予測パラメータ符号化部１１２は、符号化パラメータ決定部１１０から入力された予測パラメータに基づいて、差分ベクトルのようなインター予測パラメータを導出する。インター予測パラメータ符号化部１１２は、予測画像生成部１０１に出力する予測画像の生成に必要なパラメータを導出する構成として、インター予測パラメータ復号部３０３（図５等、参照）がインター予測パラメータを導出する構成と一部同一の構成を含む。
　イントラ予測パラメータ符号化部１１３は、符号化パラメータ決定部１１０から入力されたイントラ予測モードIntraPredModeから、符号化するための形式（例えばMPM_idx、rem_intra_luma_pred_mode等）を導出する。 
　符号化パラメータ決定部１１０は、符号化パラメータの複数のセットのうち、１つのセットを選択する。符号化パラメータとは、上述した予測パラメータやこの予測パラメータに関連して生成される符号化の対象となるパラメータである。予測画像生成部１０１は、これらの符号化パラメータのセットの各々を用いてPUの予測画像Ｐを生成する。
　符号化パラメータ決定部１１０は、複数のセットの各々について情報量の大きさと符号化誤差を示すコスト値を算出する。コスト値は、例えば、符号量と二乗誤差に係数λを乗じた値との和である。符号量は、量子化誤差と符号化パラメータをエントロピー符号化して得られる符号化ストリームTeの情報量である。二乗誤差は、減算部１０２において算出された残差信号の残差値の二乗値についての画素間の総和である。係数λは、予め設定されたゼロよりも大きい実数である。符号化パラメータ決定部１１０は、算出したコスト値が最小となる符号化パラメータのセットを選択する。これにより、エントロピー符号化部１０４は、選択した符号化パラメータのセットを符号化ストリームTeとして外部に出力し、選択されなかった符号化パラメータのセットを出力しない。符号化パラメータ決定部１１０は決定した符号化パラメータを予測パラメータメモリ１０８に記憶する。
　予測パラメータ符号化部１１１は、符号化パラメータ決定部１１０から入力されたパラメータから、符号化するための形式を導出し、エントロピー符号化部１０４に出力する。符号化するための形式の導出とは、例えば動きベクトルと予測ベクトルから差分ベクトルを導出することである。また予測パラメータ符号化部１１１は、符号化パラメータ決定部１１０から入力されたパラメータから予測画像を生成するために必要なパラメータを導出し、予測画像生成部１０１に出力する。予測画像を生成するために必要なパラメータとは、例えばサブブロック単位の動きベクトルである。
　インター予測パラメータ符号化部１１２は、符号化パラメータ決定部１１０から入力された予測パラメータに基づいて、差分ベクトルのようなインター予測パラメータを導出する。インター予測パラメータ符号化部１１２は、予測画像生成部１０１に出力する予測画像の生成に必要なパラメータを導出する構成として、インター予測パラメータ復号部３０３（図５等、参照）がインター予測パラメータを導出する構成と一部同一の構成を含む。インター予測パラメータ符号化部１１２の構成については、後述する。
　イントラ予測パラメータ符号化部１１３は、符号化パラメータ決定部１１０から入力されたイントラ予測モードIntraPredModeから、符号化するための形式（例えばMPM_idx、rem_intra_luma_pred_mode等）を導出する。
　　（インター予測パラメータ符号化部の構成）
　次に、インター予測パラメータ符号化部１１２の構成について説明する。インター予測パラメータ符号化部１１２は、図１９のインター予測パラメータ復号部３０３に対応する手段であり、図１７に構成を示す。
　インター予測パラメータ符号化部１１２は、インター予測パラメータ符号化制御部１１２１、AMVP予測パラメータ導出部１１２２、減算部１１２３、サブブロック予測パラメータ導出部１１２５、及び図示しない、分割モード導出部、マージフラグ導出部、インター予測識別子導出部、参照ピクチャインデックス導出部、ベクトル差分導出部などを含んで構成され、分割モード導出部、マージフラグ導出部、インター予測識別子導出部、参照ピクチャインデックス導出部、ベクトル差分導出部は各々、PU分割モードpart_mode、マージフラグmerge_flag、インター予測識別子inter_pred_idc、参照ピクチャインデックスrefIdxLX、差分ベクトルmvdLXを導出する。インター予測パラメータ符号化部１１２は、動きベクトル（mvLX、subMvLX）と参照ピクチャインデックスrefIdxLX、PU分割モードpart_mode、インター予測識別子inter_pred_idc、あるいはこれらを示す情報を予測画像生成部１０１に出力する。またインター予測パラメータ符号化部１１２は、PU分割モードpart_mode、マージフラグmerge_flag、マージインデックスmerge_idx、インター予測識別子inter_pred_idc、参照ピクチャインデックスrefIdxLX、予測ベクトルインデックスmvp_LX_idx、差分ベクトルmvdLX、サブブロック予測モードフラグsubPbMotionFlagをエントロピー符号化部１０４に出力する。
　インター予測パラメータ符号化制御部１１２１は、マージインデックス導出部１１２１１とベクトル候補インデックス導出部１１２１２を含む。マージインデックス導出部１１２１１は、符号化パラメータ決定部１１０から入力された動きベクトルと参照ピクチャインデックスを、予測パラメータメモリ１０８から読み出したマージ候補のPUが持つ動きベクトルと参照ピクチャインデックスと比較して、マージインデックスmerge_idxを導出し、エントロピー符号化部１０４に出力する。マージ候補とは、符号化対象となる符号化対象CUから予め定めた範囲にある参照PU（例えば、符号化対象ブロックの左下端、左上端、右上端に接する参照PU）であって、符号化処理が完了したPUである。ベクトル候補インデックス導出部１１２１２は予測ベクトルインデックスmvp_LX_idxを導出する。
　サブブロック予測パラメータ導出部１１２５には、符号化パラメータ決定部１１０がサブブロック予測モードの使用を決定した場合、subPbMotionFlagの値に従って、空間サブブロック予測、時間サブブロック予測、アフィン予測、マッチング動き導出のいずれかのサブブロック予測の動きベクトルと参照ピクチャインデックスを導出する。動きベクトルと参照ピクチャインデックスは、画像復号装置の説明で述べたように、隣接PU、参照ピクチャブロック等の動きベクトルや参照ピクチャインデックスを予測パラメータメモリ１０８から読み出し、導出する。
　AMVP予測パラメータ導出部１１２２は、上述のAMVP予測パラメータ導出部３０３２（図１９参照）と同様な構成を有する。
　すなわち、予測モードpredModeがインター予測モードを示す場合、AMVP予測パラメータ導出部１１２２には符号化パラメータ決定部１１０から動きベクトルmvLXが入力される。AMVP予測パラメータ導出部１１２２は、入力された動きベクトルmvLXに基づいて予測ベクトルmvpLXを導出する。AMVP予測パラメータ導出部１１２２は、導出した予測ベクトルmvpLXを減算部１１２３に出力する。なお、参照ピクチャインデックスrefIdx及び予測ベクトルインデックスmvp_LX_idxは、エントロピー符号化部１０４に出力される。
　減算部１１２３は、符号化パラメータ決定部１１０から入力された動きベクトルmvLXから、AMVP予測パラメータ導出部１１２２から入力された予測ベクトルmvpLXを減算して差分ベクトルmvdLXを生成する。差分ベクトルmvdLXはエントロピー符号化部１０４に出力される。
　　（画像のフィルタリング例１） 
　本発明の他の実施例について、図２５に基づいて説明すれば、以下のとおりである。なお、説明の便宜上、前記実施例にて説明した部材と同じ機能を有する部材については、その説明を省略する。CNNフィルタのネットワーク構成は様々な形式が考えられる。図２５に示す第２の実施例は、第１の実施例で説明したネットワーク構成（図８、図９）とは、別のネットワーク構成のCNNフィルタの例を示すものであり、第１の実施例 と同じ効果を有する。
　本例においては、図２５に示すように、CNNフィルタ１０７ａは、２つのconvX層（コンボリューション層）conv1，conv2と、プーリング層poolingと、Deconv層（デコン ボリューション層）conv3とを含む。convX層conv1，conv2は、コンボリューション層であり、Deconv層conv3は、デコンボリューション層である。プーリング層pooling は、convX層conv2とconvX層conv3との間に配置される。
　入力されるフィルタ前画像は、(N1+N2)*H1*W1のサイズを有する。本例において も、N1は画像のチャネル数を示す。W1はピクチャの幅パッチサイズであり、H1はピクチャの高さパッチサイズである。N2は符号化パラメータのチャネル数を示す。
　CNNフィルタ１０７ａの１つ目のconvX層であるconv1は、(N1+N2)*H1*W1のデータが入力され、Nconv1*H1*W1のデータを出力する。CNNフィルタ１０７ａの２つ目のconvX層であるconv2は、Nconv1*H1*W1のデータが入力され、Nconv2*H1*W1のデータを出力する。convX層conv2の後段のプーリング層poolingは、Nconv2*H1*W1のデータが入力され、Nconv2*H2*W2のデータを出力する。すなわち、プーリング層poolingは、convX層conv2から出力された 高さ*幅がH1*W1のサイズのデータを、H2*W2のサイズのデータに変換する。プーリング層poolingの後段のDeconv層conv3は、Nconv2*H2*W2のデータが入力され、N1*H1*W1のデータ を出力する。すなわち、Deconv層conv3は、プーリング層poolingから出力された高さ*幅 がH2*W2のサイズのデータを、H1*W1のサイズのデータに戻す。ここではトランスポーズコンボリューション(TransposeConvolution)を用いる。
　なお、本例においても、画像復号装置におけるCNNフィルタは、画像符号化装置 におけるCNNフィルタ１０７ａと同様の機能を有する。
　第２の実施例の構成によれば、コンボリューション層及びプーリング層で縮小したデータをトランスプーリング層で拡大する一種のオートエンコーダ型のネットワーク構成を用いることによって、上位概念的な特徴量を考慮したフィルタ処理を行うことができる。すなわち、符号化パラメータに応じたフィルタ処理を行う場合に、エッジや色を統合したより上位の特徴量を考慮してフィルタ強度を変更することができる。
　　（画像の符号化及び復号例２）
　図４３は、本例に係る画像符号化装置の構成を示す概略図である。本例に係る画像符号化装置１１ｊは、CNNフィルタ１０７ｊが、CNNパラメータを取得し、取得したCNNパラメータを用いてフィルタ処理をする点において上記実施例と異なる。また、CNNフィルタ１０７ｊが用いるCNNパラメータは、シーケンス単位、ピクチャ単位等で動的に更新される点において上記実施例と異なる。上記実施例においては、CNNパラメータは、予め定められた固定値であり、更新されない。
　本例に係る画像符号化装置１１ｊは、図４３に示すように、図４に示す画像符号化装置１１が備える構成に加え、CNNパラメータ決定部１１４、CNNパラメータ符号化部１１５、および多重化部１１６を備えている。
　CNNパラメータ決定部１１４は、画像Ｔ（入力画像）、および加算部１０６の出力（フ ィルタ前画像）を取得し、入力画像とフィルタ前画像との差異が小さくなるようにニューラルネットワークパラメータであるCNNパラメータを更新する。
　図２６は、CNNフィルタ１０７ｊの構成の一例を示す概略図である。上述した通り、CNNフィルタは、convX層等の複数の層を含み、図２６に示すCNNフィルタ１０７ｊは３層を含んでいる。各層はレイヤIDにより識別できる。図２６に示すCNNフィルタ１０７ｊにおいて、入力側の層のレイヤIDはL-2であり、真中の層のレイヤIDはL-1であり、出力側の層のレイヤIDはLである。
　また、各層は、複数のユニットを含み、各々のユニットはユニットIDにより識別できる。真中の層L-1の一番上のユニットのユニットIDは(L-1, 0)であり、出力側の層Lの上のユニットのユニットIDは(L, 0)であり、出力側の層Lの下のユニットのユニットIDは(L, 1)である。図２６に示すように、各層のユニットの各々は、次の層のユニットと接続している。図２６において、ユニット同士の接続は矢印で示している。また、各々の接続の重みは異なり、重み係数により制御される。
　CNNパラメータ決定部１１４は、重み係数とバイアス（オフセット）の両方を含むフィルタ係数を出力する。また、CNNパラメータ決定部１１４は、CNNパラメータとして、識別子を出力する。CNNフィルタが複数のCNN層から構成される場合は、識別子はCNN層を識別するCNN IDである。また、CNN層がレイヤID、ユニットIDで識別される場合は、識別子はレイヤID、ユニットIDである。
　また、CNNパラメータ決定部１１４は、CNNパラメータとして、ユニット構造を示すデータを出力する。ユニットの構造を示すデータとしては、例えば3*3等のフィルタサイズをあげることができる。フィルタサイズを示すデータは、フィルタサイズを可変にする場合にCNNパラメータとして出力する。フィルタサイズを固定した場合には、フィルタサイズを示すデータの出力は不要である。
　CNNパラメータ決定部１１４は、全てのパラメータを更新する全部更新、または一部のレイヤのユニットのパラメータを更新する部分更新を行う。CNNパラメータ決定部１１４は、更新内容を差分として出力するか否かを示すデータを、CNNパラメータに付加して出力する。
　CNNパラメータ決定部１１４は、例えばフィルタ係数等のCNNパラメータ値をそのまま出力することができる。また、CNNパラメータ決定部１１４は、例えば、更新前のCNNパラメータ値との差分、デフォルト値との差分等、差分パラメータ値を出力することができる。また、CNNパラメータ決定部１１４は、CNNパラメータ値を所定の方式で圧縮して出力することができる。
　図２７を参照して、層、ユニットの構成と、CNNパラメータ（フィルタ係数、重み係数）の更新とについて説明する。
　各層において、層の入力値Z(L-1) ijkと、L層のパラメータ（フィルタ係数）hpqr、h0との積和を活性化関数（図２７に示す式（１））に渡し、活性化関数（１）を適用した値ZL ijkを次の層に出力する。ここで、Nは層の入力のチャネル数であり、Wは層の入力の幅であり、Hは層の入力の高さである。また、kNはカーネル（フィルタ）の入力チャネル数であり、基本的にNと等しい。また、kWはカーネルの幅であり、kHはカーネルの高さである。
　本例において、CNNパラメータ決定部１１４は、CNNパラメータ（フィルタ係数）hpqr、h0の少なくとも一部を動的に更新できる。
　本例においては、CNNパラメータは、ネットワーク抽象レイヤ（NAL）構造のデータにより伝送される。図２８の（ａ）は、本例におけるNAL構造のデータのシーケンスSEQを既定する符号化ビデオシーケンスを示す。本例において、シーケンスSEQに含まれるシーケンスパラメータセットSPS（Sequence Parameter Set）は、更新種別（一部/全部/差分か否か等を示す）、CNNのレイヤID（L）、CNNのユニットID（m）、L層、ユニットIDmのフィルタサイズ（kW*kH）、フィルタ係数（hpqr 、h0）等の、画像シーケンス全体に適用する更新パラメータを伝送する。また、シーケンスSEQに含まれるピクチャパラメータセットPPS（Picture Parameter Set）は、更新種別（一部/全部/差分か否か等を示す）、レイヤID（L）、ユニットID（m）、フィルタサイズ（kW*kH）、フィルタ係数（hpqr、h0）等の、あるピクチャに適用する更新パラメータを伝送する。
　また、図２８の（ｂ）に示すように、シーケンスは複数のピクチャを含む。CNNパラメータ決定部１１４は、シーケンス単位でCNNパラメータを出力することができる。この場合、シーケンス全体のCNNパラメータを更新することができる。また、CNNパラメータ決定部１１４は、ピクチャ単位で出力することができる。この場合、ある時間のCNNパラメータを更新することができる。
　なお、図２６～２８を参照して説明した事項は、符号化側、復号側共通の事項であり、後述するCNNフィルタ３０５ｊについても同様である。また、図２６～２８を参照して説明した事項は、画像符号化装置１１ｊのCNNフィルタ１０７ｊに出力されるCNNパラメータにも適用されるし、画像復号装置３１ｊのCNNフィルタ３０５ｊに出力されるCNNパラメータにも適用される。
　CNNパラメータ符号化部１１５は、CNNパラメータ決定部１１４が出力するCNNパラメータを取得し、CNNパラメータを符号化して多重化部１１６に出力する。
　多重化部１１６は、エントロピー符号化部１０４が出力した符号化データと、CNNパラメータ符号化部１１５が符号化したCNNパラメータとを多重化してストリームを生成し、ストリームを外部に出力する。
　図４４は、本例に係る画像復号装置の構成を示す概略図である。本例に係る画像復号装置３１ｊは、CNNフィルタ３０５ｊが、CNNパラメータを取得し、取得したCNNパラメータを用いてフィルタ処理をする。また、CNNフィルタ３０５ｊが用いるCNN パラメータは、シーケンス単位、ピクチャ単位等で動的に更新される。 
　本例に係る画像復号装置３１ｊは、図４４に示すように、図５に示す画像復号装置３１が備える構成に加え、逆多重化部３１３、およびCNNパラメータ復号部３１４を備 えている。
　逆多重化部３１３は、ストリームを入力し、符号化データと、符号化されたCNNパラメ ータとに逆多重化する。
　CNNパラメータ復号部３１４は、符号化されたCNNパラメータを復号し、CNNフィルタ３０５ｊに出力する。
　　（画像の符号化及び復号例３）
　　（画像符号化装置の構成）
　本例に係る画像符号化装置の構成について説明する。なお便宜上、上記実施例にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、説明を省略する。
　図２０は、本例に係る画像符号化装置１１ａの構成を示す概略図である。画像符号化装置１１ａは、予測画像生成部１０１、減算部１０２、変換・量子化部１０３、エントロピー符号化部１０４、逆量子化・逆変換部１０５、加算部１０６、ダウンサンプリング部１２０及び１２１、SR-CNN（Super-Resolution Convolutional Neural Network 、超解像ニューラルネットワーク）フィルタ（ニューラルネットワーク部）１３０、CNNパラメータ決定部１１４、CNNパラメータ符号化部１１５、多重化部１１６、予測パラメータメモリ（予測パラメータ記憶部、フレームメモリ）１０８、参照ピクチャメモリ（参照画像記憶部、フレームメモリ）１０９、符号化パラメータ決定部１１０、予測パラメータ符号化部１１１を含んで構成される。予測パラメータ符号化部１１１は、インター予測パラメータ符号化部１１２及びイントラ予測パラメータ符号化部１１３を含んで構成される。
　ダウンサンプリング部１２０（第１のダウンサンプリング部）は、入力画像をブロックに分割し、各ブロックに属する画素の画素値の最大値又は平均値等の代表値を抽出することにより、画素の間引きを行い、ダウンサンプリングを行う。
　ダウンサンプリング部１２１（第２のダウンサンプリング部）は、予測画像生成部１０１が生成した予測画像に作用し、ダウンサンプリングを行う。
　減算部は１０２、ダウンサンプリング部１２０からの入力画像と、ダウンサンプリング１２１から入力されたダウンサンプル後の予測画像とから差分画像を生成する。
　変換・量子化部１０３は、上記差分画像に対して変換及び量子化を行うことにより、量子化差分画像を生成する。
　エントロピー符号化部１０４は、上記量子化差分画像と、予測パラメータ符号化部１１１から入力された符号化パラメータから符号化ストリームを生成する。
　多重化部１１６は、上記符号化ストリームと、CNNパラメータ符号化部から入力された符号化されたCNNパラメータとを多重化し、符号化ストリームTeを生成し、ストリーム外部に出力する。
　　（画像フィルタ装置の構成）
　SR-CNNフィルタ１３０は、本例に係る画像フィルタ装置の一例である。
　逆量子化・逆変換部１０５は、変換・量子化部１０３が出力した量子化差分画像に作用し、逆変換後差分画像を生成する。
　加算部１０６は、上記逆変換後差分画像と、ダウンサンプリング部１２１が出力したダウンサンプル後の予測画像とから、局所復号画像（第１種の入力画像データ）を生成する。本例に係る画像フィルタ装置は、CNNパラメータ決定部１１４が生成したCNNパラメータ（参照パラメータ、第２種の入力画像データ）を取得し、上記局所復号画像に作用させるフィルタとして機能する。
　換言すると、本例に係る画像フィルタ装置は、輝度又は色差を画素値とする１又は複数の第１種の入力画像データと、予測画像及び差分画像を生成するための参照パラメータに応じた値を画素値とする１又は複数の第２種の入力画像データとが入力され、輝度又は色差を画素値とする１又は複数の第１種の出力画像データであって、上記第１種の入力画像データよりも解像度が増大した第１種の出力画像データを出力するニューラルネットワーク部１３０を備えている。即ち、入力画像よりも解像度が増大した出力画像を生成する点においてCNNフィルタとは異なる。SR-CNNフィルタ１３０は、後述する画像復号装置３１aが備えるSR-CNNフィルタ１３１と同様の機能を有する。
　ニューラルネットワーク部１３０には、上記1又は複数の第１種の入力画像データとして、局所復号画像が入力される。
　上述したように、本例に係る符号化装置１１ａは、入力画像に作用する第１のダウンサンプリング部１２０と、予測画像に作用する第２のダウンサンプリング部１２１と、上記第１のダウンサンプリング部１２０によるダウンサンプル後の入力画像と、上記第２のダウンサンプリング部１２１による予測画像とから得られる差分画像に対して、変換及び量子化を行うことによって得られた量子化差分画像をエントロピー符号化するエントロピー符号化部１０４と、上記量子化差分画像に対して逆量子化及び逆変換を行うことによって得られた逆変換後差分画像と、上記第２のダウンサンプリング部１２１による予測画像とから得られる局所復号画像に対して作用することによって解像度が増大した局所復号画像を生成するニューラルネットワーク部１３０とを備えている。
　　（画像復号装置の構成）
　本例に係る画像復号装置の構成について説明する。なお便宜上、上記実施例にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、説明を省略する。
　図２１は、本例に係る画像復号装置３１ａの構成を示す概略図である。画像復号装置３１ａは、逆多重化部３１３、CNNパラメータ復号部３１４、エントロピー復号部３０１、予測パラメータ復号部（予測画像復号装置）３０２、ダウンサンプリング部１２２、SR-CNN（Super Resolution Convolutional Neural Network、超解像ニューラルネットワーク）フィルタ（ニューラルネットワーク部）１３１、参照ピクチャメモリ３０６、予測パラメータメモリ３０７、予測画像生成部（予測画像生成装置）３０８、逆量子化・逆変換部３１１、及び加算部３１２を含んで構成される。
　また、予測パラメータ復号部３０２は、インター予測パラメータ復号部３０３及びイントラ予測パラメータ復号部３０４を含んで構成される。予測画像生成部３０８は、インター予測画像生成部３０９及びイントラ予測画像生成部３１０を含んで構成される。
　ダウンサンプリング部１２２は、入力画像をブロックに分割し、各ブロックに属する画素の画素値の最大値又は平均値等の代表値を抽出することにより、画素の間引きを行い、ダウンサンプリングを行う。
　逆多重化部３１３は、画像符号化装置１１aからの符号化ストリームTeを、符号化データと、符号化されたCNNパラメータとに逆多重化する。
　エントロピー復号部３０１は、上記符号化データから残差情報を生成する。
　また、エントロピー復号部３０１は、分離した符号の一部をSR-CNNフィルタ１３１に出力する。分離した符号の一部とは、例えば、量子化パラメータ（QP）、予測パラメータ、デプス情報（分割情報）である。
　CNNパラメータ復号部３１４は、上記符号化されたCNNパラメータの復号を行う。
　逆量子化・逆変換部３１１は、上記残差情報から差分画像を生成する。
　加算部３１２は、上記差分画像と、ダウンサンプリング部１２２から入力されたダウンサンプリング後の予測画像とから復号画像を生成する。
　SR-CNNフィルタ１３１は、CNNパラメータ復号部３１４が出力したCNNパラメータと、エントロピー復号部３０１から量子化パラメータ及び予測パラメータとを取得し、加算部３１２が生成したCUの復号画像を入力画像（フィルタ前画像）とし、フィルタ前画像に処理を施し、入力画像よりも解像度が増大した復号画像（フィルタ後画像）を出力する。
　上述したように、本例に係る復号装置３１ａは、符号化ストリームをエントロピー復号するエントロピー復号部３０１と、予測画像に作用するダウンサンプリング部１２２と、上記エントロピー復号部３０１が出力した残差情報に対して逆量子化及び逆変換を行うことによって得られた差分画像と上記ダウンサンプリング部１２２によりダウンサンプルされた予測画像とから得られる復号画像に対して作用することによって解像度が増大した復号画像を生成するニューラルネットワーク部１３１とを備えている。
　上記の構成によれば、復号した場合により高い画質の画像を転送するための画像符号化装置１１ａ及び画像復号装置３１ａを実現できる。
　　（画像の符号化及び復号例４）
　　（画像符号化装置１１ｂの構成）
　本例に係る画像符号化装置１１ｂの構成について説明する。
　なお便宜上、上記実施例にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、説明を省略する。
　図２２は、本例に係る画像符号化装置１１ｂの構成を示す概略図である。画像符号化装置１１ｂは、予測画像生成部１０１、減算部１０２、変換・量子化部１０３、エントロピー符号化部１０４、逆量子化・逆変換部１０５、加算部１０６、ダウンサンプリング部１２０、SR-CNN（Super-Resolution Convolutional Neural Network、超解像ニューラルネットワーク）フィルタ（ニューラルネットワーク部）１３０、CNNパラメータ決定部１１４、CNNパラメータ符号化部１１５、多重化部１１６、予測パラメータメモリ（予測パラメータ記憶部、フレームメモリ）１０８、参照ピクチャメモリ（参照画像記憶部、フレームメモリ）１０９、符号化パラメータ決定部１１０、予測パラメータ符号化部１１１を含んで構成される。予測パラメータ符号化部１１１は、インター予測パラメータ符号化部１１２及びイントラ予測パラメータ符号化部１１３を含んで構成される。
　減算部１０２は、入力画像と、予測画像生成部１０１が生成した予測画像とから差分画像を生成する。
　ダウンサンプリング部１２０は、上記差分画像に対してダウンサンプリングを行う。
　変換・量子化部１０３は、ダウンサンプリング部１２０が出力したダウンサンプリング後の差分画像から、量子化差分画像を生成する。
　エントロピー符号化部１０４は、上記量子化差分画像と、予測パラメータ符号化部１１１が出力した符号化パラメータとから符号化ストリームを生成する。
　多重化部１１６は、上記符号化ストリームと、CNNパラメータ符号化部が出力した符号化されたCNNパラメータとを多重化し、符号化ストリームTeを生成し、ストリーム外部に出力する。
　上述したように、本例に係る符号化装置１１ｂは、差分画像に作用するダウンサンプリング部１２０と、上記ダウンサンプリング部１２０によるダウンサンプル後の差分画像に対して、変換及び量子化を行うことによって得られた量子化差分画像をエントロピー符号化するエントロピー符号化部１０４と、上記量子化差分画像に対して逆量子化及び逆変換を行うことによって得られた逆変換後差分画像に対して作用することによって解像度が増大した差分画像を生成するニューラルネットワーク部１３０とを備えている。
　　（画像復号装置の構成）
　本例に係る画像復号装置３１ｂの構成について説明する。なお便宜上、上記実施例にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、説明を省略する。
　図２３は、本例に係る復号装置の構成を示す概略図である。
　画像復号装置３１ｂは、逆多重化部３１３、CNNパラメータ復号部３１４、エントロピー復号部３０１、予測パラメータ復号部（予測画像復号装置）３０２、SR-CNN（Super Resolution Convolutional Neural Network、超解像ニューラルネットワーク）フィルタ（ニューラルネットワーク部）１３１、参照ピクチャメモリ３０６、予測パラメータメモリ３０７、予測画像生成部（予測画像生成装置）３０８、逆量子化・逆変換部３１１、及び加算部３１２を含んで構成される。
　また、予測パラメータ復号部３０２は、インター予測パラメータ復号部３０３及びイントラ予測パラメータ復号部３０４を含んで構成される。予測画像生成部３０８は、インター予測画像生成部３０９及びイントラ予測画像生成部３１０を含んで構成される。
　逆多重化部３１３は、画像符号化装置１１ｂからの符号化ストリームTeを、符号化データと、符号化されたCNNパラメータとに逆多重化する。
　エントロピー復号部３０１は、上記符号化データから残差情報を生成する。
　また、エントロピー復号部３０１は、分離した符号の一部をSR-CNNフィルタ１３１に出力する。分離した符号の一部とは、例えば、量子化パラメータ（QP）、予測パラメータ、デプス情報（分割情報）である。
　CNNパラメータ復号部３１４は、上記符号化されたCNNパラメータの復号を行う。
　逆量子化・逆変換部３１１は、上記残差情報から差分画像を生成する。
　SR-CNNフィルタ１３１は、CNNパラメータ復号部３１４が出力したCNNパラメータと、エントロピー復号部３０１から量子化パラメータ及び予測パラメータとを取得し、逆量子化及び逆変換部３１１が出力した差分画像を入力画像（フィルタ前画像）とし、フィルタ前画像に処理を施し、解像度が増大した差分画像（フィルタ後画像）を出力する。
　換言すると、SR-CNNフィルタ１３１、即ちニューラルネットワーク部１３１には、輝度又は色差を画素値とする上記１又は複数の第１種の入力画像データとして、差分画像が入力される。
　加算部３１２は、上記差分画像と、予測画像生成部３０８が出力した予測画像とから復号画像を生成する。
　このように、本例に係る復号装置３１ｂは、符号化ストリームをエントロピー復号するエントロピー復号部３０１と、上記エントロピー復号部３０１が出力した残差情報に対して逆量子化及び逆変換を行うことによって得られた差分画像に対して作用することによって解像度が増大した差分画像を生成するニューラルネットワーク部１３１と、上記ニューラルネットワーク部１３１が生成した差分画像と、予測画像とから復号画像を生成する加算部３１２とを備えている。
　上記の構成によれば、復号した場合により高い画質の画像を転送するための画像符号化装置１１ｂ及び画像復号装置３１ｂを実現できる。
　　（画像の符号化及び復号例５）
　画像を符号化及び復号するにあたり、使用する画像符号化装置及び画像復号装置の構成を所定の単位毎、換言すると、ブロック（CTU,CU,PU,TU等）単位、シーケンス単位、GOP（Group Of Picture）単位、ピクチャ単位等で切り替える構成について説明する。
　図２４は、ブロック単位毎における符号化及び復号に係る処理の切り替えの一例を示す図である。また、符号化においては、上記切り替えを識別するための情報をSPS、PPS、スライスヘッダ、ブロックのヘッダ等に付加する。
　　（符号化装置の構成）
　本例に係る符号化装置は、上述の画像の符号化及び復号例２～４において示した符号化装置及び符号化に使用する符号化装置を切り替える切替部を備える。
　換言すると、本例に係る符号化装置は、第１の符号化処理、第２の符号化処理、及び第３の符号化処理を、所定の単位毎に切り替える切替部を備え、
　上記第１の符号化処理は、入力画像と予測画像とから得られる差分画像に対して変換及び量子化を行うことによって得られた量子化差分画像をエントロピー符号化するエントロピー符号化処理と、上記量子化差分画像に対して逆量子化及び逆変換を行うことによって得られた逆変換後差分画像と、予測画像とから得られる局所復号画像に対して作用することによって、局所復号画像を生成するニューラルネットワーク処理とを含んでおり、上記第２の符号化処理は、入力画像に作用する第１のダウンサンプリング処理と、予測画像に作用する第２のダウンサンプリング処理と、上記第１のダウンサンプリング処理によるダウンサンプル後の入力画像と、上記第２のダウンサンプリング処理による予測画像とから得られる差分画像に対して、変換及び量子化を行うことによって得られた量子化差分画像をエントロピー符号化するエントロピー符号化処理と、上記量子化差分画像に対して逆量子化及び逆変換を行うことによって得られた逆変換後差分画像と、上記第２のダウンサンプリング部による予測画像とから得られる局所復号画像に対して作用することによって解像度が増大した局所復号画像を生成するニューラルネットワーク処理とを含んでおり、上記第３の符号化処理は、差分画像に作用するダウンサンプリング処理と、上記ダウンサンプリング部によるダウンサンプル後の差分画像に対して、変換及び量子化を行うことによって得られた量子化差分画像をエントロピー符号化するエントロピー符号化処理と、上記量子化差分画像に対して逆量子化及び逆変換を行うことによって得られた逆変換後差分画像に対して作用することによって解像度が増大した差分画像を生成するニューラルネットワーク処理とを含んでいる。
　　（復号装置の構成）
　本例に係る復号装置は、上述の画像の符号化及び復号例２～４において示した復号装置及び復号に使用する復号装置を切り替える切替部を備える。なお、切替部は、SPS、PPS、スライスヘッダ、ブロックのヘッダ等に付加された切り替えを識別するための情報を参照し、使用する復号装置を決定する。
　換言すると、本例に係る復号装置は、第１の復号処理、第２の復号処理、及び第３の復号処理を、所定の単位毎に切り替える切替部を備え、上記第１の復号処理は、符号化ストリームをエントロピー復号するエントロピー復号処理と、上記エントロピー復号部が出力した画像に対して逆量子化及び逆変換を行うことによって得られた逆変換後差分画像と予測画像とから得られる局所復号画像に対して作用することによって、復号画像を生成するニューラルネットワーク処理とを含んでおり、上記第２の復号処理は、符号化ストリームをエントロピー復号するエントロピー復号処理と、予測画像に作用するダウンサンプリング処理と、上記エントロピー復号処理において出力した残差情報に対して逆量子化及び逆変換を行うことによって得られた差分画像と上記ダウンサンプリング処理によりダウンサンプルされた予測画像とから得られる復号画像に対して作用することによって解像度が増大した復号画像を生成するニューラルネットワーク処理とを含んでおり、上記第３の復号処理は、符号化ストリームをエントロピー復号するエントロピー復号処理と、上記エントロピー復号処理において出力した残差情報に対して逆量子化及び逆変換を行うことによって得られた差分画像に対して作用することによって解像度が増大した差分画像を生成するニューラルネットワーク処理と、上記ニューラルネットワーク処理にて生成した差分画像と、予測画像とから復号画像を生成する加算処理とを含んでいる。
　上記の構成によれば、例えば隣接する画素と相関関係が低い画素が多数を占めるブロック、即ち画像の空間周波数が低いブロックにおいては、ダウンサンプリング部及びSR-CNNフィルタを備える画像符号化装置及び画像復号装置を使用することにより、伝送データ量を抑えつつもより高画質な映像再生を実現できる。
　　（画像のフィルタリング例２）
　本例においては、入力画像よりも符号化パラメータのサイズが小さい場合に、符号化パラメータのサイズを増大させる画像フィルタ装置の一例について説明する。
　　（画像フィルタ装置２００の構成）
　本例に係る画像フィルタ装置２００の構成について説明する。
　図２９は、本例における画像フィルタ装置２００の構成を示す概略図である。図２９に示す通り、本例に係る画像フィルタ装置２００は、符号化パラメータ拡大部（解像度増大部）１４２、及びニューラルネットワーク部２１０を備える。ニューラルネットワーク部２１０は、Concatenate層１４３並びに１又は複数のact層及びconv層１４４～１４６を備える。
　符号化パラメータ拡大部（解像度増大部）１４２は、符号化パラメータ（参照パラメータ）１４１、即ち第２種の入力画像データが、入力画像１４０、即ち第１種の入力画像データよりも小さい場合に、符号化パラメータ１４１を入力画像と同じサイズに増大する。なお、符号化パラメータ１４１はNearest Neighborにより補間を行う。
　ニューラルネットワーク部２１０には、入力画像１４０と、及び必要に応じサイズが増大された符号化パラメータ１４１とが入力される。Concatenate層１４３が、上記入力画像１４０と符号化パラメータ１４１とをConcatenateし、１又は複数のact層及びconv層１４４～１４６によるフィルタ処理を経て、ニューラルネットワーク部２１０は、フィルタ後の出力画像を出力する。
　このように、本例に係る画像フィルタ装置２００は、輝度又は色差を画素値とする１又は複数の第１種の入力画像データと、予測画像又は差分画像を生成するための参照パラメータに応じた値を画素値とする１又は複数の第２種の入力画像データとが入力され、輝度又は色差を画素値とする１又は複数の第１種の出力画像データを出力するニューラルネットワーク部２１０と、
　上記第２種の入力画像データの解像度（サイズ）が、上記第１種の入力画像データの解像度（サイズ）よりも小さい場合に、上記第２種の入力画像データの解像度を増大したうえで上記ニューラルネットワーク部２１０に入力する解像度増大部１４２とを備える。
　上記の構成によれば、符号化パラメータデータの解像度が、入力画像データの解像度よりも小さい場合においても、画像特性に応じた最適な符号化処理が可能となる。
　　（画像のフィルタリング例３）
　本例においては、入力画像データの解像度よりも符号化パラメータの解像度が小さい場合に、符号化パラメータの解像度を増大させる画像フィルタ装置の一例について説明する。
　　（画像フィルタ装置２０１の構成）
　本例に係る画像フィルタ装置２０１の構成について説明する。なお便宜上、上記実施例にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、説明を省略する。
　図３０は、本例における画像フィルタ装置２０１の構成を示す図である。図３０に示す通り、本例に係る画像フィルタ装置２０１は、act層及びconv層１４７、デコンボリューション層（Deconv、解像度増大部）１４８、及びニューラルネットワーク部２１１を備える。ニューラルネットワーク部２１１は、Concatenate層１４９、並びに１又は複数のact層及びconv層１５０を備える。
　本例において解像度増大部１４８は、Deconvolutionを行う。
　図３１及び図３２は、Deconvolution処理の一例を示す図である。
　図３１は、第２種の入力画像データサイズが２×２、カーネル（フィルタ）サイズが３×３、ストライドが１、出力画像が４×４である場合におけるDeconvolutionの一例を示す図である。なお、ストライドとは、何画素毎にカーネルを適用するかを示す値である。
　図３１の例においては、解像度増大部１４８は、入力画像又は入力画像を分割した各ブロックの周囲をゼロでパディングしたうえでフィルタ処理（Convolution）を行い、４×４の出力画像を生成する。
　図３２は、第２種の入力画像データサイズが２×２、カーネル（フィルタ）サイズが３×３、ストライドが１、出力画像が５×５である場合におけるDeconvolutionの一例を示す図である。
　図３２の例においては、解像度増大部１４８は、入力画像又は入力画像を分割した各ブロックの画素の間と周囲をゼロでパディングしたうえでフィルタ処理（Convolution）を行い、５×５の出力画像を生成する。
　ニューラルネットワーク部２１１には、act層及びconv層１４７によりフィルタ処理が行われた入力画像１４０、及び必要に応じサイズが増大された符号化パラメータ１４１とが入力される。ニューラルネットワーク部２１１は、入力画像１４０と符号化パラメータ１４１とをConcatenateし、１又は複数のact層及びconv層１５０によるフィルタ処理を経て、ニューラルネットワーク部２１１は、フィルタ後の出力画像を出力する。
　上記の構成によれば、符号化パラメータデータの解像度が、入力画像データの解像度よりも小さい場合においても、画像特性に応じた最適な符号化処理が可能となる。
　　（画像のフィルタリング例４）
　　（画像フィルタ装置２０２の構成）
　本例に係る画像フィルタ装置２０２の構成について説明する。なお便宜上、上記実施例にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、説明を省略する。
　図３３は、本例における画像フィルタ装置２０２の構成を示す図である。
　図３３に示す通り、本例に係る画像フィルタ装置２０２は、色差拡大部１６３、符号化パラメータ拡大部（解像度増大部）１６４、及びニューラルネットワーク部２１２を備える。ニューラルネットワーク部２１２は、Concatenate層１６５並びに１又は複数のact層及びconv層１６６～１６８を備える。
　色差拡大部１６３は、入力画像（第１種の入力画像データ）の画素値が輝度信号と色差信号から構成される場合、即ち画素値の色空間が例えばＹＣｂＣｒである場合において、色差信号に係る画像データ１６１の解像度（サイズ）が輝度信号に係る画像データ１６０の解像度（サイズ）よりも小さい場合、色差信号に係る画像データ１６１を拡大する。
　なお、色差画像は、Nearest Neighborにより拡大する代わりに、例えば４～８タップのフィルタを用いて高精度に２倍に拡大してもよい。
　即ち、上記解像度増大部１６４は、上記第１種の入力画像データに含まれる色差画像１６１の解像度を拡大したうえで上記ニューラルネットワーク部２１２に入力する。
　また、符号化パラメータ拡大部１６４は、符号化パラメータ（第２種の入力画像データ）１６２が入力画像の輝度信号に係る画像データ１６０の解像度よりも小さい場合、符号化パラメータ１６２の解像度を増大したうえで、ニューラルネットワーク部２１２に出力画像を出力する。
　上記の構成によれば、色差信号に係る画像データ１６１及び符号化パラメータ１６２の解像度が、輝度信号に係る画像データの解像度よりも小さい場合においても、画像特性に応じた最適な符号化処理が可能となる。
　　（画像のフィルタリング例５）
　　（画像フィルタ装置２０３の構成）
　本例に係る画像フィルタ装置２０３の構成について説明する。
　図３４は、本例に係る画像フィルタ装置２０３の構成を示す図である。図３４に示す通り、画像フィルタ装置２０３は、パディング処理部（パディング部）１７０及びSR-CNNフィルタ（ニューラルネットワーク部）１７１を備える。なお、ニューラルネットワーク部１７１は、入力画像と同じ解像度のフィルタ後画像を出力するCNNフィルタであってもよい。
　パディング処理部１７０は、入力画像データに対してパディング処理、即ち画像データの周囲を所定の画素データで補完する処理を行う。
　具体的には、入力画像データの平均値を用いてパディング処理を行う。あるいは、入力画像データの端（上端、下端、左端、右端）の値を用いてパディング処理を行ってもよい。さらに、パディング処理により拡大した画像データに対してローパスフィルタを施してもよい。
　また、参照パラメータ（符号化パラメータ）については、あらかじめ定められたデフォルト値を用いてパディング処理を行ってもよい。
　SR-CNNフィルタ１７１は、入力画像データにフィルタ処理を行い、解像度が増大したフィルタ後の出力画像を生成する。
　なお、上記入力画像データとは、輝度又は色差を画素値とする１又は複数の第１種の入力画像データと、予測画像及び差分画像を生成するための参照パラメータに応じた値を画素値とする１又は複数の第２種の入力画像データとをいう。
　即ち、本例に係る画像フィルタ装置２０３は、輝度又は色差を画素値とする１又は複数の第１種の入力画像データと、予測画像又は差分画像を生成するための参照パラメータに応じた値を画素値とする１又は複数の第２種の入力画像データとが入力され、輝度又は色差を画素値とした１又は複数の第１種の出力画像データを出力するニューラルネットワーク部１７１と上記第１種の入力画像データ及び上記第２種の入力画像データの少なくとも何れかに対してパディング処理を行うパディング部１７０を備える。
　また、パディング部１７０は、第１種の入力画像データをパディングする場合、例えば、動画を構成する一連のフレームにおける前フレーム、あるいは参照フレーム等に係る画像データを用いてパディングを行ってもよい。換言すると、パディング部１７０は、上記第１種の入力画像データの示す画像とは異なる時間的位置を有する画像データを用いて、上記第１種の入力画像データに対してパディング処理を行う。
　なお、パディングを施す単位は、フレーム単位に限定されず、ブロック（CTU,CU,PU,TU等）であってもよい。
　上記の構成によれば、輝度又は色差を画素値とする入力画像データ、又は予測画像又は差分画像を生成するための参照パラメータに応じた値を画素値とする入力画像データの何れかの解像度が小さい場合においても、画像特性に応じた最適な符号化処理が可能となる。
　　（画像のフィルタリング例６）
　本例においては、所定のビットデプスを有する画像データに適したSR-CNNフィルタに対して、上記ビットデプスよりも大きいビットデプスを有する画像データを入力する場合の構成について説明する。
　　（画像フィルタ装置２０４の構成）
　本例に係る画像フィルタ装置２０４の構成について説明する。図３５は、本例に係る画像フィルタ装置２０４の構成を示す図である。図３５に示す通り、画像フィルタ装置２０４は、画像データ処理部２０５を備えている。画像データ処理部２０５は、分割部１７２、補正部１７３、SR－CNNフィルタ１７４及び１７５、並びに合成部１７６を備えている。なお、SR-CNNフィルタ１７４及び１７５は、入力画像と同じ解像度のフィルタ後画像を出力するCNNフィルタであってもよい。
　分割部１７２は、任意のビットデプスの画像データを、所定のビットデプスの画像データ毎に分割する。
　補正部１７３は、分割部１７２により分割された画像データのうち、ビットデプスの少ない画像データをSR-CNNフィルタ１７５に適したビットデプスの画像データに補正する。
　一例として、分割部１７２が、10bit画像を２つの8bit画像に分割する構成について説明する。なお、本例において適用可能な画像データのビットデプス及び分割サイズは上記の構成に限定されない。
　分割部１７２は、入力された10bit画像を、MSB（Most Significant Bit）8bit分のデータが格納された8bit画像と、下位2bitに入力画像のLSB（Least Significant Bit）2bit分のデータが格納された画像とに分割する。次いでMSB 8bit分のデータが格納された8bit画像をSR-CNNフィルタ１７４に、下位2bitに入力画像のLSB 2bit分のデータが格納された画像を補正部１７３にそれぞれ出力する。
　補正部１７３は、下位2bitに入力画像のLSB 2bit分が格納された画像の上位6bitにゼロ又はゼロに準ずる値を格納するか、上記6bitに上記8bit画像のMSB（Most Significant Bit）6bit分のデータを格納することにより、8bit画像に相当する画像データに補正し、SR-CNNフィルタ１７５に出力する。
　なお、上記10bit画像及び8bit画像とは、輝度若しくは色差を画素値とする入力画像データ（第１種の入力画像データ）、及び予測画像若しくは差分画像を生成するための参照パラメータに応じた値を画素値とする入力画像データ（第２種の入力画像データ）をいう。
　SR-CNNフィルタ１７４及び１７５は、入力画像よりも解像度が増大したフィルタ後の出力画像を生成する。
　合成部１７６は、SR-CNNフィルタが１７４及び１７５が生成した複数の出力画像の合成を行う。
　即ち、本例に係る画像フィルタ装置２０４は、輝度又は色差を画素値とする１又は複数の第１種の入力画像データと、予測画像又は差分画像を生成するための参照パラメータに応じた値を画素値とする１又は複数の第２種の入力画像データとが入力され、輝度又は色差を画素値とする１又は複数の第１種の出力画像データを出力する画像データ処理部２０５を備え、上記画像データ処理部２０５は、上記第１種の入力画像データ及び第２種の入力画像データの少なくとも何れかを、相対的に上位ビットの示す画像データと、相対的に下位ビットの示す画像データとに分割する分割部１７２と、上記分割部１７２によって分割された各画像データに作用することによって解像度が増大した画像データを生成する１又は複数のニューラルネットワーク部１７４及び１７５と、上記１又は複数のニューラルネットワーク部１７４及び１７５が出力する各画像データを合成する合成部１７６とを備えている。
　上記の構成によれば、特定のビットデプスの超解像処理を用いて、任意のビットデプスの画像の超解像処理が可能な画像フィルタ装置２０４が実現できる。
　　（画像のフィルタリング例７）
　　（画像フィルタ装置２０６の構成）
　本例に係る画像フィルタ装置２０６の構成について説明する。なお便宜上、上記実施例にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、説明を省略する。
　図３６は、本例に係る画像フィルタ装置２０６の構成を示す図である。図３６に示す通り、画像フィルタ装置２０６は、画像データ処理部２０７を備えている。画像データ処理部２０７は、分割部１７２、SR-CNNフィルタ１７４及び１７７、補間部１７７、及び合成部１７８を備えている。なお、SR-CNNフィルタ１７４及び１７７は、入力画像と同じ解像度のフィルタ後画像を出力するCNNフィルタであってもよい。
　一例として、分割部１７２が、10bit画像を２つの8bit画像に分割する構成について説明する。なお、本例において適用可能な画像のビットデプス及び分割サイズは上記の構成に限定されない。
　分割部１７２は、入力された10bit画像を、MSB（Most Significant Bit）8bit分のデータが格納された8bit画像と、下位2bitに入力画像のLSB（Least Significant Bit）2bit分のデータが格納された画像とに分割して出力する。
　上記MSB 8bit分が格納された8bit画像は、SR-CNNフィルタ１７４に入力される。SR-CNNフィルタ１７４は、解像度が増大したフィルタ後の8bit画像を合成部１７８に出力する。
　下位2bitに入力画像のLSB（Least Significant Bit）2bit分のデータが格納された画像は、補間部１７７に入力される。
　補間部１７７は、線形補間、DCTIF等の方法により入力画像の解像度を増大させて合成部１７８に出力する。なお、補間部１７７に入力される画像及び補間部１７７が出力する画像は、下位2bitに入力画像のLSB2bit分のデータが格納された8bit画像として扱ってもよいし、単に2bit画像として扱ってもよい。
　合成部１７８は、SR-CNNフィルタ及び補間部が生成した複数の出力画像の合成を行う。
　上記の構成によれば、特定のビットデプスの超解像処理を用いて、任意のビットデプスの画像の超解像処理が可能な画像フィルタ装置２０６が実現できる。
　　（画像のフィルタリング例８）
　本例においては、画像データに係る信号をSR-CNNフィルタに入力する場合に、より当該SR-CNNに適した信号に変換してから入力する構成について説明する。
　　（画像フィルタ装置２０８の構成）
　本例に係る画像フィルタ装置２０８の構成について説明する。図３７は、本例に係る画像フィルタ装置２０８の構成を示す図である。図３７に示す通り、画像フィルタ装置２０８は、画像データ処理部２１３を備えている。画像データ処理部２１３は、コントラスト変換部（変換部）１８０、コントラスト逆変換部（逆変換部）１８２、及びSR-CNNフィルタ（ニューラルネットワーク部）１８１を備えている。なお、SR-CNNフィルタ１８１は、入力画像と同じ解像度のフィルタ後画像を出力するCNNフィルタであってもよい。
　コントラスト変換部１８０は、入力画像のコントラストを増大させる。
　コントラスト逆変換部１８２は、入力画像のコントラストを減少させる。
　ニューラルネットワーク部１８１は、入力画像の解像度を増大させ、フィルタ後画像を出力する。
　なお、上記入力画像とは、輝度若しくは色差を画素値とする入力画像データ（第１種の入力画像データ）、及び予測画像若しくは差分画像を生成するための参照パラメータに応じた値を画素値とする入力画像データ（第２種の入力画像データ）をいう。
　換言すると、本例に係る画像フィルタ装置２０８は、輝度又は色差を画素値とする１又は複数の第１種の入力画像データと、予測画像又は差分画像を生成するための参照パラメータに応じた値を画素値とする１又は複数の第２種の入力画像データとが入力され、輝度又は色差を画素値とする１又は複数の第１種の出力画像データを出力する画像データ処理部２１３を備え、上記画像データ処理部２１３は、上記第１種の入力画像データ及び第２種の入力画像データの少なくとも何れかを変換する変換部１８０と、上記変換部が変換した画像データを入力とし、当該入力された画像データよりも解像度が増大した出力画像データを出力するニューラルネットワーク部１８１と、上記ニューラルネットワーク部が出力した画像データに対して逆変換を施す逆変換部１８２とを備えている。なお、第２種の入力画像データの画像フィルタ装置２０８への入力は必須ではなく、第１種の入力画像データのみを入力する構成であってもよい。
　また、図３８は、本例に係る画像フィルタ装置の構成を示す図である。図３８に示す画像フィルタ装置２０９は、画像データ処理部２１４を備えている。画像データ処理部２１４は、変換部１８３、逆変換部１８５、及びSR-CNNフィルタ（ニューラルネットワーク部）１８４を備えている。なお、SR-CNNフィルタ１８４は、入力画像と同じ解像度のフィルタ後画像を出力するCNNフィルタであってもよい。
　フィルタ処理のプリ・ポスト処理は、上述したコントラスト変換に限定されず、明るさ変換、ガンマ変換、色空間変換、左右入れ替え等の変換処理、又は図３８に示すような回転処理であってもよい。更に、図４５に示すように複数の回転（例えば90度、180度、270度）を行ってそれぞれをCNNフィルタ処理し、結果を逆方向に回転させて（例えば、-90度、-180度、-270度）、重畳部２１５にてそれらの平均値生成する構成としても良い。例えば他にも、BT.2100の信号をBT.709に変換し、超解像処理を行ってからBT.2100に戻すといった処理が挙げられる。また上述した各種変換は、ＨＤＲコンテンツにも対応可能である。
　上記の構成によれば、ハイコントラストの信号に適した超解像処理をローコントラストの信号に適用できる。また、超解像処理に特定の角度等の信号に得意・不得意がある場合においても最適な超解像処理が実現できる。
　　（画像のフィルタリング例９）
　本例においては、画像のダウンサンプリング前の情報をSR-CNNフィルタの教師情報としてオンライン学習に使用する構成について説明する。
　　（エンコーダ１８６及びデコーダ１８９の構成）
　本例に係るエンコーダ１８６及びデコーダ１８９の構成について説明する。図３９は、本例に係るエンコーダ１８６及びデコーダ１８９の構成を示す図である。
　エンコーダ１８６は、ダウンサンプリング部１８７及びSR-CNNフィルタ（ニューラルネットワーク部）１８８を備えている。デコーダ１８９は、ダウンサンプリング部１９０及びSR-CNNフィルタ（ニューラルネットワーク部）１９１を備えている。
　本例におけるSR-CNNフィルタ１８８及び１９１は、ダウンサンプリング前の入力画像に係る情報を教師情報とし、ニューラルネットワーク部１８８及び１９１のオンライン学習を行うとともに、学習したニューラルネットワーク部１８８及び１９１を用いて入力画像の解像度を増大させ、フィルタ後の出力画像を出力する処理を行う。
　なお、シーンチェンジを検出した場合は、SR-CNNフィルタ１８８及び１９１の学習状態をリセットしてもよい。また、Ｉピクチャ（Intra-Picture）のみをオンライン学習に使用し、Ｐピクチャ（Predictive-Picture）及びＢピクチャ（Bi-directional Predictive-Picure）はオンライン学習に使用しない構成でもよい。
　SR-CNN、即ちニューラルネットワーク部１８８及び１９１は、ダウンサンプリング前の局所復号画像又は復号画像を教師情報としてオンライン学習を行う。
　なお、1/4縮小画像から1/2縮小画像を学習して、学習したSR-CNNフィルタ１８８及び１９１を1/2縮小画像から等倍画像の超解像処理に利用してもよい。
　上記の構成によれば、エンコーダからデコーダへの追加の情報を送信せずにSR-CNNのオンライン学習が可能となる効果を奏する。また、本例に係る画像フィルタ装置を備えることにより、上記の効果を奏する画像符号化装置及び画像復号装置を実現できる。
　また、本例にて説明した事項は、図２０～図２３に対しても適用可能である。すなわち、図２０～図２３を用いて説明した構成においても、ダウンサンプリング前の画像を教師情報として、ニューラルネットワーク部１８８及び１９１のオンライン学習を行うとともに、学習したニューラルネットワーク部１８８及び１９１を用いて入力画像の解像度を増大させ、フィルタ後の出力画像を出力する処理を行ってもよい。
　　（付記事項）
　なお、上述した実施例における画像符号化装置１１、１１ｊ、１１a、及び１１ｂ、並びに画像復号装置３１、３１ｊ、３１a、及び３１ｂの一部、例えば、エントロピー復号部３０１、予測パラメータ復号部３０２、CNNフィルタ３０５、予 測画像生成部３０８、逆量子化・逆変換部３１１、加算部３１２、予測画像生成部１０１、減算部１０２、変換・量子化部１０３、エントロピー符号化部１０４、逆量子化・逆変換部１０５、CNNフィルタ１０７、符号化パラメータ決定部１１０、予測パラメータ符号化部１１１等をコンピュータで実現するようにしても良い。その場合、この制御機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現しても良い。なお、ここでいう「コンピュータシステム」とは、画像符号化装置１１、画像復号装置３１のいずれかに内蔵されたコンピュータシステムであって、OSや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ROM、CD-ROM等の可搬媒体、コンピュータ システムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでも良い。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。
　〔応用例〕
　上述した画像符号化装置１１及び画像復号装置３１は、動画像の送信、受信、記録、再生を行う各種装置に搭載して利用することができる。なお、動画像は、カメラ等により撮像された自然動画像であってもよいし、コンピュータ等により生成された人工動画像（CGおよびGUIを含む）であってもよい。
　なお、上述した実施例における画像符号化装置１１、画像復号装置３１の一部、例えば、エントロピー復号部３０１、予測パラメータ復号部３０２、CNNフィルタ３０５、予測画像生成部３０８、逆量子化・逆変換部３１１、加算部３１２、予測画像生成部１０１、減算部１０２、変換・量子化部１０３、エントロピー符号化部１０４、逆量子化・逆変換部１０５、CNNフィルタ１０７、符号化パラメータ決定部１１０、予測パラメータ符号化部１１１をコンピュータで実現するようにしても良い。その場合、この制御機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現しても良い。なお、ここでいう「コンピュータシステム」とは、画像符号化装置１１、画像復号装置３１のいずれかに内蔵されたコンピュータシステムであって、OSや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ROM、CD-ROM等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでも良い。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。
　また、上述した実施例における画像符号化装置１１、画像復号装置３１の一部、または全部を、LSI（Large Scale Integration）等の集積回路として実現しても良い。画像符号化装置１１、画像復号装置３１の各機能ブロックは個別にプロセッサ化しても良いし、一部、または全部を集積してプロセッサ化しても良い。また、集積回路化の手法はＬＳＩに限らず専用回路、または汎用プロセッサで実現しても良い。また、半導体技術の進歩によりＬＳＩに代替する集積回路化の技術が出現した場合、当該技術による集積回路を用いても良い。
　以上、図面を参照してこの発明の一実施例について詳しく説明してきたが、具体的な構成は上述のものに限られることはなく、この発明の要旨を逸脱しない範囲内において様々な設計変更等をすることが可能である。
　〔応用例〕
　上述した画像符号化装置１１及び画像復号装置３１は、動画像の送信、受信、記録、再生を行う各種装置に搭載して利用することができる。なお、動画像は、カメラ等により撮像された自然動画像であってもよいし、コンピュータ等により生成された人工動画像（CGおよびGUIを含む）であってもよい。
　まず、上述した画像符号化装置１１及び画像復号装置３１を、動画像の送信及び受信に利用できることを、図４０を参照して説明する。
　図４０の（ａ）は、画像符号化装置１１を搭載した送信装置PROD_Aの構成を示した概略図である。図４０の（ａ）に示すように、送信装置PROD_Aは、動画像を符号化することによって符号化データを得る符号化部PROD_A1と、符号化部PROD_A1が得た符号化データで搬送波を変調することによって変調信号を得る変調部PROD_A2と、変調部PROD_A2が得た変調信号を送信する送信部PROD_A3と、を備えている。上述した画像符号化装置１１は、この符号化部PROD_A1として利用される。
　送信装置PROD_Aは、符号化部PROD_A1に入力する動画像の供給源として、動画像を撮像するカメラPROD_A4、動画像を記録した記録媒体PROD_A5、動画像を外部から入力するための入力端子PROD_A6、及び、画像を生成または加工する画像処理部Ａ７を更に備えていてもよい。図４０の（ａ）においては、これら全てを送信装置PROD_Aが備えた構成を例示しているが、一部を省略しても構わない。
　なお、記録媒体PROD_A5は、符号化されていない動画像を記録したものであってもよいし、伝送用の符号化方式とは異なる記録用の符号化方式で符号化された動画像を記録したものであってもよい。後者の場合、記録媒体PROD_A5と符号化部PROD_A1との間に、記録媒体PROD_A5から読み出した符号化データを記録用の符号化方式に従って復号する復号部（不図示）を介在させるとよい。
　図４０の（ｂ）は、画像復号装置３１を搭載した受信装置PROD_Bの構成を示した概略図である。図４０の（ｂ）に示すように、受信装置PROD_Bは、変調信号を受信する受信部PROD_B1と、受信部PROD_B1が受信した変調信号を復調することによって符号化データを得る復調部PROD_B2と、復調部PROD_B2が得た符号化データを復号することによって動画像を得る復号部PROD_B3と、を備えている。上述した画像復号装置３１は、この復号部PROD_B3として利用される。
　受信装置PROD_Bは、復号部PROD_B3が出力する動画像の供給先として、動画像を表示するディスプレイPROD_B4、動画像を記録するための記録媒体PROD_B5、及び、動画像を外部に出力するための出力端子PROD_B6を更に備えていてもよい。図４０の（ｂ）においては、これら全てを受信装置PROD_Bが備えた構成を例示しているが、一部を省略しても構わない。
　なお、記録媒体PROD_B5は、符号化されていない動画像を記録するためのものであってもよいし、伝送用の符号化方式とは異なる記録用の符号化方式で符号化されたものであってもよい。後者の場合、復号部PROD_B3と記録媒体PROD_B5との間に、復号部PROD_B3から取得した動画像を記録用の符号化方式に従って符号化する符号化部（不図示）を介在させるとよい。
　なお、変調信号を伝送する伝送媒体は、無線であってもよいし、有線であってもよい。また、変調信号を伝送する伝送態様は、放送（ここでは、送信先が予め特定されていない送信態様を指す）であってもよいし、通信（ここでは、送信先が予め特定されている送信態様を指す）であってもよい。すなわち、変調信号の伝送は、無線放送、有線放送、無線通信、及び有線通信の何れによって実現してもよい。
　例えば、地上デジタル放送の放送局（放送設備など）／受信局（テレビジョン受像機など）は、変調信号を無線放送で送受信する送信装置PROD_A／受信装置PROD_Bの一例である。また、ケーブルテレビ放送の放送局（放送設備など）／受信局（テレビジョン受像機など）は、変調信号を有線放送で送受信する送信装置PROD_A／受信装置PROD_Bの一例である。
　また、インターネットを用いたVOD（Video On Demand）サービスや動画共有サービスなどのサーバ（ワークステーションなど）／クライアント（テレビジョン受像機、パーソナルコンピュータ、スマートフォンなど）は、変調信号を通信で送受信する送信装置PROD_A／受信装置PROD_Bの一例である（通常、ＬＡＮにおいては伝送媒体として無線または有線の何れかが用いられ、ＷＡＮにおいては伝送媒体として有線が用いられる）。ここで、パーソナルコンピュータには、デスクトップ型PC、ラップトップ型PC、及びタブレット型PCが含まれる。また、スマートフォンには、多機能携帯電話端末も含まれる。
　なお、動画共有サービスのクライアントは、サーバからダウンロードした符号化データを復号してディスプレイに表示する機能に加え、カメラで撮像した動画像を符号化してサーバにアップロードする機能を有している。すなわち、動画共有サービスのクライアントは、送信装置PROD_A及び受信装置PROD_Bの双方として機能する。
　次に、上述した画像符号化装置１１及び画像復号装置３１を、動画像の記録及び再生に利用できることを、図４１を参照して説明する。
　図４１の（ａ）は、上述した画像符号化装置１１を搭載した記録装置PROD_Cの構成を示した概略図である。図４１の（ａ）に示すように、記録装置PROD_Cは、動画像を符号化することによって符号化データを得る符号化部PROD_C1と、符号化部PROD_C1が得た符号化データを記録媒体PROD_Mに書き込む書込部PROD_C2と、を備えている。上述した画像符号化装置１１は、この符号化部PROD_C1として利用される。
　なお、記録媒体PROD_Mは、（１）HDD（Hard Disk Drive）やSSD(Solid State Drive)などのように、記録装置PROD_Cに内蔵されるタイプのものであってもよいし、（２）SDメモリカードやUSB（Universal Serial Bus）フラッシュメモリなどのように、記録装置PROD_Cに接続されるタイプのものであってもよいし、（３）DVD（Digital Versatile Disc）やBD（Blu-ray Disc:登録商標）などのように、記録装置PROD_Cに内蔵されたドライブ装置（不図示）に装填されるものであってもよい。
　また、記録装置PROD_Cは、符号化部PROD_C1に入力する動画像の供給源として、動画像を撮像するカメラPROD_C3、動画像を外部から入力するための入力端子PROD_C4、動画像を受信するための受信部PROD_C5、及び、画像を生成または加工する画像処理部PROD_C6を更に備えていてもよい。図４１の（ａ）においては、これら全てを記録装置PROD_Cが備えた構成を例示しているが、一部を省略しても構わない。
　なお、受信部PROD_C5は、符号化されていない動画像を受信するものであってもよいし、記録用の符号化方式とは異なる伝送用の符号化方式で符号化された符号化データを受信するものであってもよい。後者の場合、受信部PROD_C5と符号化部PROD_C1との間に、伝送用の符号化方式で符号化された符号化データを復号する伝送用復号部（不図示）を介在させるとよい。
　このような記録装置PROD_Cとしては、例えば、DVDレコーダ、BDレコーダ、HDD（Hard Disk Drive）レコーダなどが挙げられる（この場合、入力端子PROD_C4または受信部PROD_C5が動画像の主な供給源となる）。また、カムコーダ（この場合、カメラPROD_C3が動画像の主な供給源となる）、パーソナルコンピュータ（この場合、受信部PROD_C5または画像処理部Ｃ６が動画像の主な供給源となる）、スマートフォン（この場合、カメラPROD_C3または受信部PROD_C5が動画像の主な供給源となる）なども、このような記録装置PROD_Cの一例である。
　図４１の（ｂ）は、上述した画像復号装置３１を搭載した再生装置PROD_Dの構成を示したブロックである。図４１の（ｂ）に示すように、再生装置PROD_Dは、記録媒体PROD_Mに書き込まれた符号化データを読み出す読出部PROD_D1と、読出部PROD_D1が読み出した符号化データを復号することによって動画像を得る復号部PROD_D2と、を備えている。上述した画像復号装置３１は、この復号部PROD_D2として利用される。
　なお、記録媒体PROD_Mは、（１）HDDやSSDなどのように、再生装置PROD_Dに内蔵されるタイプのものであってもよいし、（２）SDメモリカードやUSBフラッシュメモリなどのように、再生装置PROD_Dに接続されるタイプのものであってもよいし、（３）DVDやBDなどのように、再生装置PROD_Dに内蔵されたドライブ装置（不図示）に装填されるものであってもよい。
　また、再生装置PROD_Dは、復号部PROD_D2が出力する動画像の供給先として、動画像を表示するディスプレイPROD_D3、動画像を外部に出力するための出力端子PROD_D4、及び、動画像を送信する送信部PROD_D5を更に備えていてもよい。図４１の（ｂ）においては、これら全てを再生装置PROD_Dが備えた構成を例示しているが、一部を省略しても構わない。
　なお、送信部PROD_D5は、符号化されていない動画像を送信するものであってもよいし、記録用の符号化方式とは異なる伝送用の符号化方式で符号化された符号化データを送信するものであってもよい。後者の場合、復号部PROD_D2と送信部PROD_D5との間に、動画像を伝送用の符号化方式で符号化する符号化部（不図示）を介在させるとよい。
　このような再生装置PROD_Dとしては、例えば、DVDプレイヤ、BDプレイヤ、HDDプレイヤなどが挙げられる（この場合、テレビジョン受像機等が接続される出力端子PROD_D4が動画像の主な供給先となる）。また、テレビジョン受像機（この場合、ディスプレイPROD_D3が動画像の主な供給先となる）、デジタルサイネージ（電子看板や電子掲示板等とも称され、ディスプレイPROD_D3または送信部PROD_D5が動画像の主な供給先となる）、デスクトップ型PC（この場合、出力端子PROD_D4または送信部PROD_D5が動画像の主な供給先となる）、ラップトップ型またはタブレット型PC（この場合、ディスプレイPROD_D3または送信部PROD_D5が動画像の主な供給先となる）、スマートフォン（この場合、ディスプレイPROD_D3または送信部PROD_D5が動画像の主な供給先となる）なども、このような再生装置PROD_Dの一例である。
　　（ハードウェア的実現およびソフトウェア的実現）
　また、上述した画像復号装置３１および画像符号化装置１１の各ブロックは、集積回路（ICチップ）上に形成された論理回路によってハードウェア的に実現してもよいし、CPU（Central Processing Unit）を用いてソフトウェア的に実現してもよい。
　後者の場合、上記各装置は、各機能を実現するプログラムの命令を実行するCPU、上記プログラムを格納したROM（Read Only Memory）、上記プログラムを展開するRAM（RandomAccess Memory）、上記プログラムおよび各種データを格納するメモリ等の記憶装置（記録媒体）などを備えている。そして、本発明の実施例の目的は、上述した機能を実現するソフトウェアである上記各装置の制御プログラムのプログラムコード（実行形式プログラム、中間コードプログラム、ソースプログラム）をコンピュータで読み取り可能に記録した記録媒体を、上記各装置に供給し、そのコンピュータ（またはCPUやMPU）が記録媒体に記録されているプログラムコードを読み出し実行することによっても、達成可能である。
　上記記録媒体としては、例えば、磁気テープやカセットテープ等のテープ類、フロッピー（登録商標）ディスク／ハードディスク等の磁気ディスクやCD-ROM（Compact Disc Read-Only Memory）／MOディスク（Magneto-Optical disc）／MD（Mini Disc）／DVD（Digital Versatile Disc）／CD-R（CD Recordable）／ブルーレイディスク（Blu-ray Disc：登録商標）等の光ディスクを含むディスク類、ICカード（メモリカードを含む）／光カード等のカード類、マスクROM／EPROM（Erasable Programmable Read-Only Memory）／EEPROM（Electrically Erasable and Programmable Read-Only Memory：登録商標）／フラッシュROM等の半導体メモリ類、あるいはPLD（Programmable logic device）やFPGA（Field Programmable Gate Array）等の論理回路類などを用いることができる。
　また、上記各装置を通信ネットワークと接続可能に構成し、上記プログラムコードを通信ネットワークを介して供給してもよい。この通信ネットワークは、プログラムコードを伝送可能であればよく、特に限定されない。例えば、インターネット、イントラネット、エキストラネット、LAN（Local Area Network）、ISDN（Integrated Services Digital Network）、VAN（Value-Added Network）、CATV（Community Antenna television/Cable Television）通信網、仮想専用網（Virtual Private Network）、電話回線網、移動体通信網、衛星通信網等が利用可能である。また、この通信ネットワークを構成する伝送媒体も、プログラムコードを伝送可能な媒体であればよく、特定の構成または種類のものに限定されない。例えば、IEEE（Institute of Electrical and Electronic Engineers）1394、USB、電力線搬送、ケーブルＴＶ回線、電話線、ADSL（Asymmetric Digital Subscriber Line）回線等の有線でも、IrDA（Infrared Data Association）やリモコンのような赤外線、BlueTooth（登録商標）、IEEE802.11無線、HDR（High Data Rate）、NFC（Near Field Communication）、DLNA（Digital Living Network Alliance：登録商標）、携帯電話網、衛星回線、地上デジタル放送網等の無線でも利用可能である。なお、本発明の実施例は、上記プログラムコードが電子的な伝送で具現化された、搬送波に埋め込まれたコンピュータデータ信号の形態でも実現され得る。
　本発明の実施例は上述した実施例に限定されるものではなく、請求項に示した範囲で種々の変更が可能である。すなわち、請求項に示した範囲で適宜変更した技術的手段を組み合わせて得られる実施例についても本発明の技術的範囲に含まれる。
　本発明の実施例は、画像データが符号化された符号化データを復号する画像復号装置、および、画像データが符号化された符号化データを生成する画像符号化装置に好適に適用することができる。また、画像符号化装置によって生成され、画像復号装置によって参照される符号化データのデータ構造に好適に適用することができる。
１１、１１ａ、１１a、１１ａ、１１ｂ、１１ｊ　画像符号化装置（符号化装置）
３１、３１ａ、３１a、３１ａ、３１ｂ、３１ｊ　画像復号装置（復号装置）
１０５、１８２、１８５、３１１　逆変換部
１０６、３１２、３０３８　加算部
１２０、１２１、１２２、１８７、１９０　ダウンサンプリング部
１３０、１３１、１７１、１７４、１８１、１８８、２１０、２１１、２１２　ニューラルネットワーク部
１４２、１４８、１６４　解像度増大部
１６３　色差拡大部
１６４　符号化パラメータ拡大部
１７０　パディング処理部（パディング部）
１７２　分割部
１７３　補正部
１７６、１７８　合成部
１８０　コントラスト変換部（変換部）
１８２　コントラスト逆変換部（逆変換部）
２００、２０１、２０２、２０３、２０４、２０６、２０８、２０９　画像フィルタ装置
２０５、２０７、２１３、２１４　画像データ処理部

Claims (15)

  1. 　符号化ストリームをエントロピー復号するエントロピー復号部と、
    　予測画像に作用するダウンサンプリング部と、
    　上記エントロピー復号部が出力した残差情報に対して逆量子化及び逆変換を行うことによって得られた差分画像と上記ダウンサンプリング部によりダウンサンプルされた予測画像とから得られる復号画像に対して作用することによって解像度が増大した復号画像を生成するニューラルネットワーク部と
    を備えていることを特徴とする画像復号装置。
  2. 　上記ニューラルネットワーク部が生成した差分画像と、上記予測画像とから復号画像を生成する加算部をさらに備えていることを特徴とする請求項１に記載の画像復号装置。
  3. 　上記ニューラルネットワーク部は、上記エントロピー復号部が出力した画像に対して逆量子化及び逆変換を行うことによって得られた逆変換後差分画像と上記予測画像とから得られる局所復号画像に対して作用することによって復号画像を生成することを特徴とする請求項１又は請求項２に記載の画像復号装置。
  4. 　画像フィルタ装置において、
    　輝度又は色差を画素値とする１又は複数の第１種の入力画像データと、予測画像又は差分画像を生成するための参照パラメータに応じた値を画素値とする１又は複数の第２種の入力画像データとが入力され、輝度又は色差を画素値とした１又は複数の第１種の出力画像データであって、上記第１種の入力画像データよりも解像度が増大した第１種の出力画像データを出力するニューラルネットワーク部を備えることを特徴とする画像フィルタ装置。
  5. 　上記ニューラルネットワーク部には、上記1又は複数の第１種の入力画像データとして、局所復号画像が入力されることを特徴とする請求項４に記載の画像フィルタ装置。
  6. 　上記ニューラルネットワーク部には、上記１又は複数の第１種の入力画像データとして、差分画像が入力されることを特徴とする請求項４に記載の画像フィルタ装置。
  7. 　上記第２種の入力画像データの解像度が、上記第１種の入力画像データの解像度よりも小さい場合に、上記第２種の入力画像データの解像度を増大したうえで上記ニューラルネットワーク部に入力する解像度増大部をを備えることを特徴とする請求項４に記載の画像フィルタ装置。
  8. 　上記解像度増大部は、上記第１種の入力画像データに含まれる色差画像の解像度を拡大したうえで上記ニューラルネットワーク部に入力することを特徴とする請求項７に記載の画像フィルタ装置。
  9. 　上記第１種の入力画像データ及び上記第２種の入力画像データの少なくとも何れかに対してパディング処理を行うパディング部を備えていることを特徴とする請求項４から請求項８の何れか１項に記載の画像フィルタ装置。
  10. 　上記パディング部は、上記第１種の入力画像データの示す画像とは異なる時間的位置を有する画像データを用いて、上記第１種の入力画像データに対してパディング処理を行うことを特徴とする請求項９に記載の画像フィルタ装置。
  11. 　画像フィルタ装置において、
    　輝度又は色差を画素値とする１又は複数の第１種の入力画像データと、予測画像又は差分画像を生成するための参照パラメータに応じた値を画素値とする１又は複数の第２種の入力画像データとが入力され、輝度又は色差を画素値とする１又は複数の第１種の出力画像データを出力する画像データ処理部を備え、
    　上記画像データ処理部は、
    　　上記第１種の入力画像データ及び第２種の入力画像データの少なくとも何れかを、相対的に上位ビットの示す画像データと、相対的に下位ビットの示す画像データとに分割する分割部と、
    　　上記分割部によって分割された各画像データに作用することによって解像度が増大した画像データを生成する１又は複数のニューラルネットワーク部と、
    　　上記１又は複数のニューラルネットワーク部が出力する各画像データを合成する合成部とを備えている
    ことを特徴とする画像フィルタ装置。
  12. 　画像フィルタ装置において、
    　輝度又は色差を画素値とする１又は複数の第１種の入力画像データと、予測画像又は差分画像を生成するための参照パラメータに応じた値を画素値とする１又は複数の第２種の入力画像データとが入力され、輝度又は色差を画素値とする１又は複数の第１種の出力画像データを出力する画像データ処理部を備え、
    　上記画像データ処理部は、
    　　上記第１種の入力画像データ及び第２種の入力画像データの少なくとも何れかを変換する変換部と、
    　　上記変換部が変換した画像データを入力とし、当該入力された画像データよりも解像度が増大した出力画像データを出力するニューラルネットワーク部と、
    　　上記ニューラルネットワーク部が出力した画像データに対して逆変換を施す逆変換部と
    を備えていることを特徴とする画像フィルタ装置。
  13. 　上記ニューラルネットワーク部は、局所復号画像又は復号画像を参照して学習することを特徴とする請求項４～１２の何れか１項に記載の画像フィルタ装置。
  14. 　請求項１３に記載の画像フィルタ装置を備えることを特徴とする画像符号化装置。
  15. 　請求項１３に記載の画像フィルタ装置を備えることを特徴とする画像復号装置。
     
PCT/JP2018/039553 2017-10-31 2018-10-24 画像フィルタ装置、画像復号装置、および画像符号化装置 WO2019087905A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017210973 2017-10-31
JP2017-210973 2017-10-31

Publications (1)

Publication Number Publication Date
WO2019087905A1 true WO2019087905A1 (ja) 2019-05-09

Family

ID=66331829

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/039553 WO2019087905A1 (ja) 2017-10-31 2018-10-24 画像フィルタ装置、画像復号装置、および画像符号化装置

Country Status (1)

Country Link
WO (1) WO2019087905A1 (ja)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020198463A (ja) * 2019-05-30 2020-12-10 富士通株式会社 符号化プログラム、復号プログラム、符号化装置、復号装置、符号化方法及び復号方法
WO2021086032A1 (en) 2019-10-29 2021-05-06 Samsung Electronics Co., Ltd. Image encoding method and apparatus and image decoding method and apparatus
WO2022191064A1 (ja) * 2021-03-11 2022-09-15 シャープ株式会社 動画像符号化装置、復号装置
EP4014173A4 (en) * 2019-10-28 2022-09-28 Samsung Electronics Co., Ltd. APPARATUS AND METHOD FOR PERFORMING ARTIFICIAL INTELLIGENCE (AI) CODING AND AI DECODING ON AN IMAGE
WO2022220207A1 (ja) * 2021-04-13 2022-10-20 ソニーグループ株式会社 情報処理装置および方法
WO2023054068A1 (ja) * 2021-09-30 2023-04-06 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 符号化装置、復号装置、符号化方法、および復号方法
US11647210B2 (en) 2018-10-19 2023-05-09 Samsung Electronics Co., Ltd. Methods and apparatuses for performing encoding and decoding on image

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08263649A (ja) * 1995-02-21 1996-10-11 Xerox Corp ニューラルベースの空間画像強化システム
JP2005143142A (ja) * 2005-02-07 2005-06-02 Fujitsu Ltd 動画像復号化装置及び動画像復号化方法
JP2008533863A (ja) * 2005-03-10 2008-08-21 クゥアルコム・インコーポレイテッド フレームレートアップ変換アプリケーションにおける補間されたフレームデブロッキング動作
JP2009302786A (ja) * 2008-06-11 2009-12-24 Canon Inc 映像復号化装置及び方法
WO2014010583A1 (ja) * 2012-07-09 2014-01-16 日本電信電話株式会社 映像符号化／復号方法、装置、プログラム、記録媒体

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08263649A (ja) * 1995-02-21 1996-10-11 Xerox Corp ニューラルベースの空間画像強化システム
JP2005143142A (ja) * 2005-02-07 2005-06-02 Fujitsu Ltd 動画像復号化装置及び動画像復号化方法
JP2008533863A (ja) * 2005-03-10 2008-08-21 クゥアルコム・インコーポレイテッド フレームレートアップ変換アプリケーションにおける補間されたフレームデブロッキング動作
JP2009302786A (ja) * 2008-06-11 2009-12-24 Canon Inc 映像復号化装置及び方法
WO2014010583A1 (ja) * 2012-07-09 2014-01-16 日本電信電話株式会社 映像符号化／復号方法、装置、プログラム、記録媒体

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11647210B2 (en) 2018-10-19 2023-05-09 Samsung Electronics Co., Ltd. Methods and apparatuses for performing encoding and decoding on image
JP2020198463A (ja) * 2019-05-30 2020-12-10 富士通株式会社 符号化プログラム、復号プログラム、符号化装置、復号装置、符号化方法及び復号方法
JP7318314B2 (ja) 2019-05-30 2023-08-01 富士通株式会社 符号化プログラム、復号プログラム、符号化装置、復号装置、符号化方法及び復号方法
EP4014173A4 (en) * 2019-10-28 2022-09-28 Samsung Electronics Co., Ltd. APPARATUS AND METHOD FOR PERFORMING ARTIFICIAL INTELLIGENCE (AI) CODING AND AI DECODING ON AN IMAGE
US11610341B2 (en) 2019-10-28 2023-03-21 Samsung Electronics Co., Ltd. Apparatus and method for performing artificial intelligence (AI) encoding and AI decoding on image
US11810332B2 (en) 2019-10-28 2023-11-07 Samsung Electronics Co., Ltd. Apparatus and method for performing artificial intelligence (AI) encoding and AI decoding on image
WO2021086032A1 (en) 2019-10-29 2021-05-06 Samsung Electronics Co., Ltd. Image encoding method and apparatus and image decoding method and apparatus
EP4011074A4 (en) * 2019-10-29 2022-09-28 Samsung Electronics Co., Ltd. IMAGE CODING METHOD AND APPARATUS AND IMAGE DECODING METHOD AND APPARATUS
WO2022191064A1 (ja) * 2021-03-11 2022-09-15 シャープ株式会社 動画像符号化装置、復号装置
WO2022220207A1 (ja) * 2021-04-13 2022-10-20 ソニーグループ株式会社 情報処理装置および方法
WO2023054068A1 (ja) * 2021-09-30 2023-04-06 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 符号化装置、復号装置、符号化方法、および復号方法

Similar Documents

Publication Publication Date Title
JP7260472B2 (ja) 画像フィルタ装置
WO2019087905A1 (ja) 画像フィルタ装置、画像復号装置、および画像符号化装置
WO2019054300A1 (ja) 画像符号化装置及び画像復号装置
WO2018199001A1 (ja) 画像復号装置及び画像符号化装置
WO2019078169A1 (ja) 動画像符号化装置及び動画像復号装置
WO2018110203A1 (ja) 動画像復号装置、および動画像符号化装置
WO2019182159A1 (ja) 画像フィルタ装置、画像復号装置、及び画像符号化装置
WO2021111962A1 (ja) 動画像復号装置
WO2019131400A1 (ja) 画像フィルタ装置、画像復号装置、および画像符号化装置
WO2017138417A1 (ja) 動きベクトル生成装置、予測画像生成装置、動画像復号装置、および動画像符号化装置。
JP7241153B2 (ja) 画像復号装置
JP7139144B2 (ja) 画像フィルタ装置
JP7073186B2 (ja) 画像フィルタ装置
JP2022007319A (ja) 動画像符号化装置、復号装置
JP2020036101A (ja) 画像復号装置および画像符号化装置
JP2019201332A (ja) 画像符号化装置、画像復号装置、及び画像符号化システム
JP7409802B2 (ja) 動画像復号装置および動画像符号化装置
JP2022096879A (ja) 動画像符号化装置、復号装置
WO2019131349A1 (ja) 画像復号装置、画像符号化装置
JP7332753B2 (ja) 画像フィルタ装置
JP2020068462A (ja) 画像ビット階調拡張フィルタ装置及び画像符号化装置、画像復号装置
WO2019065537A1 (ja) 動き補償フィルタ装置、画像復号装置および動画像符号化装置
JP7425568B2 (ja) 動画像復号装置、動画像符号化装置、動画像復号方法および動画像符号化方法
JP7444570B2 (ja) 動画像復号装置、動画像符号化装置、動画像復号方法および動画像符号化方法
JP2022085475A (ja) 動画像符号化装置、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: 18874419

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: 18874419

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP