WO2019093268A1 - 画像処理装置及び画像処理方法 - Google Patents

画像処理装置及び画像処理方法 Download PDF

Info

Publication number
WO2019093268A1
WO2019093268A1 PCT/JP2018/040999 JP2018040999W WO2019093268A1 WO 2019093268 A1 WO2019093268 A1 WO 2019093268A1 JP 2018040999 W JP2018040999 W JP 2018040999W WO 2019093268 A1 WO2019093268 A1 WO 2019093268A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
convolutional
blocks
residual
data
Prior art date
Application number
PCT/JP2018/040999
Other languages
English (en)
French (fr)
Inventor
アレック ホジキンソン
ルカ リザジオ
遠間　正真
西　孝啓
安倍　清史
龍一 加納
Original Assignee
パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ filed Critical パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ
Priority to CN201880071077.4A priority Critical patent/CN111295884B/zh
Publication of WO2019093268A1 publication Critical patent/WO2019093268A1/ja
Priority to US16/866,954 priority patent/US11057646B2/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/85—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression
    • H04N19/86—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression involving reduction of coding artifacts, e.g. of blockiness
    • H04N19/865—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression involving reduction of coding artifacts, e.g. of blockiness with detection of the former encoding block subdivision in decompressed video
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G06T9/002—Image coding using neural networks
    • 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
    • H04N19/85—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression

Definitions

  • the present disclosure relates to an image processing apparatus and the like.
  • H.264 also called High Efficiency Video Coding (HEVC)
  • HEVC High Efficiency Video Coding
  • the image quality of the decompressed image obtained by performing compression and decompression on the original image is highly likely to be worse than the image quality of the original image.
  • the present disclosure provides an image processing apparatus and the like that can appropriately bring a decompressed image close to an original image.
  • An image processing apparatus includes a memory and a circuit accessible to the memory, and the circuit accessible to the memory is a decompressed image resulting from compression and decompression on an original image.
  • a process of bringing the decompressed image close to the original image is performed using a neural network model subjected to learning to make the original image approached, the neural network model including one or more convolutional blocks, and
  • Each of the one or more convolutional blocks is a processing block including a convolutional layer, and each of the one or more convolutional blocks is one or more of the one or more convolutional blocks.
  • the image processing apparatus or the like in one aspect of the present disclosure can appropriately bring the decompressed image close to the original image.
  • FIG. 1 is a block diagram showing the configuration of the post-processing filter according to the first embodiment.
  • FIG. 2 is a block diagram showing the configuration of the codec system in the first embodiment.
  • FIG. 3 is a block diagram showing a connection configuration of a plurality of convolutional blocks in the first embodiment.
  • FIG. 4 is a block diagram showing a connection configuration of a plurality of residual blocks in the first embodiment.
  • FIG. 5 is a block diagram showing the configuration of a convolution block in the first embodiment.
  • FIG. 6 is a block diagram showing a configuration of a residual block in the first embodiment.
  • FIG. 7 is a block diagram showing functional elements of the post-processing filter in the first embodiment.
  • FIG. 8 is a block diagram showing an implementation example of the image processing apparatus according to the first embodiment.
  • FIG. 8 is a block diagram showing an implementation example of the image processing apparatus according to the first embodiment.
  • FIG. 10 is an overall configuration diagram of a content supply system for realizing content distribution service.
  • FIG. 11 is a diagram illustrating an example of a coding structure at the time of scalable coding.
  • FIG. 12 is a diagram illustrating an example of a coding structure at the time of scalable coding.
  • FIG. 13 is a diagram showing an example of a display screen of a web page.
  • FIG. 14 is a diagram showing an example of a display screen of a web page.
  • FIG. 15 is a diagram illustrating an example of a smartphone.
  • FIG. 16 is a block diagram showing a configuration example of a smartphone.
  • an image processing apparatus includes a memory and a circuit accessible to the memory, and the circuit accessible to the memory is a result of compression and decompression on an original image.
  • a process of bringing the decompressed image close to the original image is performed using a neural network model in which a given decompressed image is learned to make the original image approach, the neural network model comprising one or more convolutional blocks And one or more residual blocks, wherein each of the one or more convolutional blocks is a processing block including a convolutional layer, and each of the one or more residual blocks is one of the one or more residual blocks.
  • the image processing apparatus can appropriately bring the decompressed image close to the original image by using a neural network model suitable for processing to bring the decompressed image close to the original image.
  • the one or more convolutional blocks may be two or more convolutional blocks.
  • the image processing apparatus can appropriately bring the decompressed image close to the original image by using a neural network model capable of highly accurate learning and inference.
  • the one or more residual blocks may be two or more residual blocks.
  • the image processing apparatus can appropriately bring the decompressed image close to the original image by using a neural network model capable of learning and inference with higher accuracy.
  • the one or more convolutional blocks are three or more convolutional blocks, and the one or more residual blocks form a residual group, and at least one of the three or more convolutional blocks.
  • At least one convolutional block including one convolutional block and not included in the residual group among the three or more convolutional blocks constitutes a first convolutional group, and the remaining ones of the three or more convolutional blocks.
  • At least one convolution block which is not included in the difference group or the first convolution group constitutes a second convolution group, and data outputted from the first convolution group is inputted to the residual group, Data output from the residual group may be input to the second convolution group.
  • the neural network model includes a processing group including the one or more convolutional blocks and the one or more residual blocks, and data input to the neural network model is included in the processing group. Data that is input and input to the neural network model may be added to data output from the processing group and output from the neural network model.
  • the image processing apparatus can appropriately bring the decompressed image close to the original image by using a neural network model capable of efficient learning and inference.
  • the convolutional group included in each of the one or more residual blocks may be configured of at least two of the two or more convolutional blocks.
  • data input to a convolution group including at least two convolution blocks can be simply reflected in data output from the convolution group.
  • processing in at least two convolutional blocks may be streamlined together.
  • amplification of unnecessary errors (noises) is appropriately suppressed.
  • processing for bringing the decompressed image closer to the original image using a neural network model in which learning for bringing the decompressed image, which is a result of compression and decompression on the original image, closer to the original image is performed.
  • Said neural network model comprises one or more convolutional blocks and comprises one or more residual blocks, each of said one or more convolutional blocks being a processing block comprising a convolutional layer,
  • Each of the one or more residual blocks includes a convolution group composed of at least one of the one or more convolutional blocks, and data to be input to the residual block is included in the residual block.
  • Data input to the convolutional group and data input to the residual block is the convolutional glue May be processing block applied to the data output from.
  • the decompressed image can be appropriately brought close to the original image by using a neural network model suitable for processing for bringing the decompressed image close to the original image.
  • these general or specific aspects may be realized by a system, an apparatus, a method, an integrated circuit, a computer program, or a non-transitory recording medium such as a computer readable CD-ROM, and the system
  • the present invention may be realized as any combination of an apparatus, a method, an integrated circuit, a computer program, and a storage medium.
  • Embodiment 1 First, an outline of the first embodiment will be described as an example of an image processing apparatus to which the processing and / or configuration described in each aspect of the present disclosure described later can be applied.
  • Embodiment 1 is only an example of an image processing apparatus to which the processing and / or configuration described in each aspect of the present disclosure can be applied, and the processing and / or configuration described in each aspect of the present disclosure are implemented.
  • the present invention can also be implemented in an image processing apparatus different from the first embodiment.
  • the components corresponding to the components described in each aspect of the present disclosure are each of the components of the present disclosure.
  • Replacing the component described in the aspect (2) Addition of processing for performing or performing a function or some of a plurality of components constituting the image processing apparatus to the image processing apparatus according to the first embodiment , Replacement, deletion, etc., and then replacing the component corresponding to the component described in each aspect of the present disclosure with the component described in each aspect of the present disclosure (3)
  • Implementation With respect to the method implemented by the image processing apparatus according to the first aspect, after adding a process and / or replacing some of the plurality of processes included in the method, arbitrary changes such as deletion, etc.
  • This disclosure Replacing the processing corresponding to the processing described in each aspect with the processing described in each aspect of the present disclosure (4)
  • Some components of a plurality of components constituting the image processing apparatus according to the first embodiment Component described in each aspect of the present disclosure, a component provided with a part of the function of the component described in each aspect of the present disclosure, or processing performed by the component described in each aspect of the present disclosure (5)
  • a component to be described in each aspect of the present disclosure is a component that performs a part of processing performed by a part of the plurality of components constituting the image processing apparatus according to the first embodiment.
  • the manner of implementation of the processing and / or configuration described in each aspect of the present disclosure is not limited to the above example.
  • the present invention may be implemented in an image processing apparatus or an apparatus used for a purpose different from the image processing apparatus disclosed in the first embodiment, or the processing and / or configuration described in each aspect may be performed alone. Good. Also, the processes and / or configurations described in the different embodiments may be implemented in combination.
  • the image processing apparatus performs post-processing on the decompressed image in order to suppress distortion in the decompressed image which is a result of compression and decompression on the original image.
  • the image processing device may include a decoding device.
  • the decoding device decodes the encoded image. That is, the decoding apparatus performs decompression on the compressed image that is the result of compression on the original image, thereby outputting a decompressed image that is the result of decompression on the compressed image.
  • the image processing device may also include an encoding device.
  • the encoding device encodes an image. That is, the encoding apparatus performs compression on the original image to output a compressed image that is the result of compression on the original image.
  • the image processing apparatus may be included in the decoding apparatus, may be included in the encoding apparatus, or may be included in the encoding / decoding apparatus including the encoding apparatus and the decoding apparatus.
  • the image processing apparatus may be included in the encoding apparatus, and the image processing apparatus may perform processing for generating a predicted image in the encoding apparatus.
  • the encoded image may be decoded in the encoding device to generate a decoded image, and the image processing device may generate a predicted image by performing post-processing on the decoded image.
  • the image processing apparatus performs post-processing on the decompressed image using a neural network model.
  • a neural network model is a mathematical model that is parameterized based on the systematic principle of the human brain. Neural network models are also simply referred to as neural networks. In the following description, for convenience, the image processing apparatus performing processing using a neural network may be described as the neural network performing processing.
  • multi-layered neural networks are also called deep neural networks.
  • a neural network is composed of an input layer, an intermediate layer and an output layer. Then, data is input to the input layer, and output from the output layer through the intermediate layer.
  • the middle layer is also called the hidden layer.
  • the neural network may include multiple intermediate layers.
  • each of the input layer, the intermediate layer, and the output layer is configured of a plurality of nodes.
  • Each node is also called a neuron.
  • data called weighting input is input to a neuron, a non-linear activation function is applied, and the result is output.
  • This non-linear means that it is not a linear expression.
  • the weighting input is constructed by weighting the output data of a plurality of nodes in the previous layer using a weighting matrix. The weighting inputs may be biased.
  • a neural network has the property of a universal function approximator if it has sufficient performance. That is, various patterns can be modeled by a neural network. Based on such properties, neural networks can be used for various processes, including identification, control and generation. For example, neural networks can be used to transform the distribution of inputs into other distributions. That is, neural networks can be used to convert input data into other data.
  • the image processing apparatus applies a neural network to converting a decompressed image into an image closer to the original image.
  • the decompressed image contains compression artifacts.
  • the original image is an uncompressed image and does not contain compression artifacts. That is, the image processing apparatus uses a neural network to convert a decompressed image including compression artifacts into an image closer to a non-compressed image including no compression artifacts.
  • the decompressed image is input to the neural network, and the decompressed image converted so as to approach the original image is output from the neural network.
  • neural networks are trained using a gradient descent algorithm called backpropagation. Specifically, first, the neural network performs processing in the forward direction (also called forward direction) using training data as input data. The neural network then calculates an error between the output data and the correct data according to the loss function. For example, as the loss function, the following function called a mean square error or an L2 loss function is used.
  • y i is correct data for training data. Also,
  • the neural network propagates the error in the reverse direction (also called the back direction) and calculates the slope of the loss function with respect to parameters such as weights.
  • the neural network then updates the parameters with the calculated gradients so that the errors are minimized, ie more accurate inferences are made.
  • a decompressed image which is a result of compression and decompression on an original image is used as input data corresponding to training data, and an uncompressed original image is used as correct data.
  • training is performed in a plurality of patterns. Specifically, training is performed using a plurality of original images and a plurality of decompressed images respectively corresponding to the plurality of original images.
  • One image set is composed of uncompressed images.
  • the other image set is JPEG or HEVC / H. It consists of a decompressed image that has been compressed and decompressed on an uncompressed image using a codec such as H.265.
  • the images used for training may be image thumbnails or partial images extracted from large sized images to reduce throughput.
  • the image size may be between 32 ⁇ 32 pixels and 256 ⁇ 256 pixels.
  • An image set of decompressed images is input to a neural network.
  • the neural network then infers and outputs an image corresponding to the uncompressed image.
  • one or more layers in the neural network perform feature extraction on the decompressed image. That is, the features of the decompressed image are extracted.
  • the one or more layers in the neural network are then trained such that features corresponding to the structure of the decompressed image are extracted. Also, deeper layers in neural networks handle more abstract features.
  • CNNs convolutional neural networks
  • a convolutional neural network is assumed to be a feedforward network that performs a convolution operation and has higher performance than all other coupled networks.
  • convolutional neural networks have a small number of weights. Thereby, a large-scale and high-performance convolutional neural network can be trained with a small amount of processing.
  • convolutional neural networks can perform processing using features having spatial invariance that are useful in visual processing by means of convolution operations.
  • a convolutional neural network includes convolutional blocks, which are processing blocks that include a convolutional layer.
  • the convolution layer is an aspect of the middle layer in the neural network, and is a processing layer that performs a convolution operation.
  • a convolutional block takes as input a 3D tensor of height, width and channel. Then, the convolution block appropriately applies affine transformation, non-linear transformation, etc., and outputs a three-dimensional tensor whose size and content may differ from those of the input three-dimensional tensor.
  • a plurality of convolutional blocks are stacked as a plurality of layers.
  • the plurality of convolutional blocks then perform complex processing such as feature extraction, detection and classification.
  • an architecture called residual connection may be applied.
  • the residual connection is also called a skip connection.
  • the residual connection groups together a series of one or more convolutional layers. That is, the residual connection groups together a series of one or more convolutional blocks.
  • a series of one or more convolutional blocks to be grouped may be referred to as a convolutional group.
  • a processing block that includes one or more grouped convolutional layers is also referred to as a residual block. That is, the residual block includes one or more convolutional blocks. In other words, the residual block includes convolutional groups.
  • residual connection adds data input to the residual block to data output from the residual block. Specifically, addition processing is performed. Thereby, the input x of the residual block and the output F (x) of the residual block are related to each other. Then, learning of F (x) -x is performed on the entire residual block.
  • a generative adaptive network can be applied as a neural network.
  • the hostile generation network is composed of two sub-neural networks.
  • One sub-neural network is called a generator.
  • the generator is responsible for generating data similar to real data.
  • Another sub-neural network is called a discriminator. This identifier is also called an enemy or an identifier.
  • the discriminator plays the role of discriminating between genuine and fake.
  • two sub-neural networks are jointly trained based on the minimax method and the zero-sum game.
  • the following function may be used as the evaluation function in this case.
  • D (x) represents a discriminator
  • G (z) represents a generator
  • P (x) represents an input distribution
  • P (z) represents an output distribution.
  • the first term on the right side corresponds to the expected value that the discriminator identifies real data as real.
  • the second term on the right hand side ie, the right term on the right hand side
  • the discriminator and the generator may be derived by deriving D maximizing such an evaluation function and deriving G minimizing the maximized evaluation function by the derived D. .
  • the image processing apparatus in the present embodiment may use the above-described hostile generation network as a neural network.
  • a generator is a sub-neural network that generates an image close to the original image from the decompressed image
  • a discriminator is a sub-neural network that identifies the original image or an image generated from the decompressed image May be used.
  • the image processing apparatus may use an architecture such as an auto-encoder which compresses a dimension of information on an image and restores the compressed dimension as a neural network.
  • an architecture such as an auto-encoder which compresses a dimension of information on an image and restores the compressed dimension as a neural network.
  • FIG. 1 is a block diagram showing the configuration of a post-processing filter included in the image processing apparatus according to the present embodiment.
  • the codec system 200 applies a codec to an input image that is an original image. That is, the codec system 200 compresses and decompresses the input image. The codec system 200 then outputs a decompressed image that is the result of compression and decompression on the input image.
  • the codec system 200 includes: The H.265 / HEVC architecture may be used, or the JPEG architecture may be used.
  • codec system 200 may use an architecture based on machine learning, such as a neural network.
  • codec system 200 may use an auto-encoder architecture.
  • the lossy codec in codec system 200 causes the decompressed image to be worse than the input image.
  • the post-processing filter 300 performs image processing to bring the decompressed image closer to the input image. Then, the post-processing filter 300 outputs the decompressed image subjected to the image processing as an output image.
  • the post-processing filter 300 has a neural network in which learning is performed to bring the decompressed image closer to the original image. Then, the post-processing filter 300 performs image processing for bringing the decompressed image closer to the original image using a neural network. Also, the neural network included in the post-processing filter 300 includes one or more convolutional blocks. The neural network also includes one or more residual blocks.
  • the neural network includes one or more convolutional blocks 310, one or more convolutional blocks 310 followed by one or more residual blocks 320, and one or more residual blocks 320 after It includes one or more convolutional blocks 330. Also, data input to the neural network is added to data output from the neural network.
  • the data is summed.
  • the total result is output from the neural network as an output image.
  • the configuration of the neural network is not limited to the configuration shown in FIG.
  • One or more convolutional blocks and one or more residual blocks may be configured in any way.
  • each of all convolutional blocks may be included in any residual block.
  • convolutional blocks which are not included in the residual block may be sandwiched between the plurality of residual blocks.
  • a group including one or more convolutional blocks and one or more residual blocks included in the neural network model may be expressed as a processing group.
  • one or more convolutional blocks 310, one or more residual blocks 320, and one or more convolutional blocks 330 constitute a processing group.
  • FIG. 2 is a block diagram showing a configuration of codec system 200 shown in FIG.
  • the codec system 200 includes an encoding device 210 and a decoding device 220.
  • the post-processing filter 300 is included in the image processing apparatus 100.
  • the coding device 210 includes an image coding unit 211.
  • the image encoding unit 211 compresses the input image by encoding the input image, and outputs a compressed image which is a compression result of the input image as an encoded image.
  • the decoding device 220 includes an image decoding unit 221.
  • the image decoding unit 221 performs decompression on the compressed image by decoding the encoded image, and outputs a decompressed image which is a result of decompression of the compressed image.
  • the post-processing filter 300 performs image processing on the decompressed image to bring the decompressed image closer to the input image. Then, the post-processing filter 300 outputs the decompressed image subjected to the image processing as an output image.
  • the image processing apparatus 100 may include the decoding device 220 or the image decoding unit 221. Furthermore, the image processing device 100 may include the coding device 210 or the image coding unit 211.
  • FIG. 3 is a block diagram showing a connection configuration of one or more convolutional blocks 310 shown in FIG.
  • One or more convolutional blocks 310 constitute convolutional groups 410.
  • Two convolutional blocks 310 in convolutional group 410 are shown in FIG.
  • two convolutional blocks 310 are connected in series. That is, the data input to the convolution group 410 is input to one convolution block 310 (ie, the left convolution block 310 in FIG. 3). Then, data output from one convolution block 310 is input to the other convolution block 310 (that is, the right convolution block 310 in FIG. 3). Then, data output from the right convolution block 310 is output from the convolution group 410.
  • two convolutional blocks 310 are connected in series, but three or more convolutional blocks 310 may be connected in series. Also, multiple convolutional blocks 310 may be connected in parallel. For example, three convolution blocks 310 corresponding to red, green and blue may be connected in parallel. Also, only one convolution block 310 may be used instead of the plurality of convolution blocks 310.
  • connection configuration of one or more convolutional blocks 310 is shown here, the connection configuration of one or more convolutional blocks 330 is also similar to the connection configuration of one or more convolutional blocks 310.
  • FIG. 4 is a block diagram showing a connection configuration of one or more residual blocks 320 shown in FIG.
  • One or more residual blocks 320 constitute residual groups 420.
  • Two residual blocks 320 in residual group 420 are shown in FIG.
  • two residual blocks 320 are connected in series. That is, the data input to residual group 420 is input to one residual block 320 (ie, left residual block 320 in FIG. 4). Then, the data output from one residual block 320 is input to the other residual block 320 (ie, the right residual block 320 in FIG. 4). Then, data output from the right residual block 320 is output from the residual group 420.
  • two residual blocks 320 are connected in series, but three or more residual blocks 320 may be connected in series. Also, multiple residual blocks 320 may be connected in parallel. For example, three residual blocks 320 corresponding to red, green and blue may be connected in parallel. Also, only one residual block 320 may be used instead of the plurality of residual blocks 320.
  • FIG. 5 is a block diagram showing a configuration of the convolution block 310 shown in FIG.
  • the configuration of one convolution block 310 is shown in FIG. 5, but the configuration of the other convolution blocks 310 is similar. Also, the configuration of each of the one or more convolutional blocks 330 is similar.
  • the convolution block 310 includes a convolution layer 311, a non-linear activation function 312, and a normalization layer 313.
  • data input to the convolutional block 310 is output from the convolutional block 310 via the convolutional layer 311, the non-linear activation function 312, and the normalization layer 313.
  • the convolution layer 311 is a processing layer that performs a convolution operation on the data input to the convolution block 310 and outputs the result of the convolution operation.
  • the nonlinear activation function 312 is a function that outputs an operation result using data output from the convolution layer 311 as an argument. For example, the non-linear activation function 312 controls the output of the non-linear activation function 312 according to the bias.
  • the normalization layer 313 normalizes the data output from the non-linear activation function 312 and outputs normalized data in order to suppress data bias.
  • FIG. 6 is a block diagram showing a configuration of residual block 320 shown in FIG.
  • the configuration of one residual block 320 is shown in FIG. 6, but the configuration of the other residual blocks 320 is similar.
  • residual block 320 includes two convolutional blocks 520 connected in series.
  • data input to residual block 320 is input to one convolutional block 520 (ie, left convolutional block 520 in FIG. 6).
  • the data output from one convolution block 520 is input to the other convolution block 520 (ie, the right convolution block 520 in FIG. 6).
  • data input to the residual block 320 is added to data output from the right convolution block 520 and output from the residual block 320. That is, the data input to the residual block 320 and the data output from the right convolution block 520 are summed and output from the residual block 320.
  • two convolutional blocks 520 are connected in series, but three or more convolutional blocks 520 may be connected in series. Also, only one convolution block 520 may be used instead of the plurality of convolution blocks 520.
  • the image processing apparatus 100 performs image processing for bringing the decompressed image closer to the original image, using a neural network including convolutional blocks and including residual blocks. That is, the image processing apparatus 100 according to the present embodiment performs image processing for bringing the decompressed image closer to the original image, using a convolutional neural network including residual connection.
  • a convolution operation in a convolutional neural network is effective for image processing because it is possible to appropriately extract image features based on spatial correlation of images. Further, by the above-described residual connection, appropriate learning can be performed based on the difference between the input information and the output information, and the input information can be appropriately reflected on the output information.
  • the decompressed image is an image obtained by compression and decompression of the original image.
  • An original image to be used as teacher data in learning for bringing a decompressed image closer to the original image can be easily prepared.
  • the image processing apparatus 100 reduces the compression artefacts of the decompressed image by performing image processing for bringing the decompressed image closer to the original image using a convolutional neural network including a residual connection, and the visual of the decompressed image Image quality can be properly improved.
  • a feedback structure may be applied, such as a Recurrent Neural Network or a Recursive Neural Network.
  • the output of one or more convolutional blocks may be used as the input of the one or more convolutional blocks.
  • the residual connection may then be used in the reverse direction.
  • FIG. 7 is a block diagram showing functional elements of the post-processing filter 300 shown in FIG.
  • the post-processing filter 300 includes feature extraction 610, feature transformation 620 and feature adjustment 630 as functional elements.
  • post-processing filter 300 extracts features from the decompressed image in feature extraction 610.
  • this feature may be represented by a set of feature vectors.
  • the post-processing filter 300 transforms the extracted features in the feature transformation 620.
  • the post-processing filter 300 transforms the plurality of feature vectors extracted from the decompressed image so as to roughly approximate the plurality of feature vectors corresponding to the original image.
  • the post-processing filter 300 adjusts the transformed feature in the feature adjustment 630.
  • the post-processing filter 300 adjusts the plurality of transformed feature vectors so as to exceed the quality of the decompressed image. Thereby, the post-processing filter 300 adjusts the image and outputs the adjusted image as an output image.
  • FIG. 8 is a block diagram showing an implementation example of the image processing apparatus 100.
  • the image processing apparatus 100 includes a circuit 110 and a memory 120.
  • the components that may be included in the image processing apparatus 100 illustrated in FIG. 2 are implemented by the circuit 110 and the memory 120 illustrated in FIG.
  • the circuit 110 is an electronic circuit that can access the memory 120 and performs information processing.
  • the circuit 110 is a dedicated or general-purpose electronic circuit that processes an image using the memory 120.
  • the circuit 110 may be a processor such as a CPU.
  • the circuit 110 may be an assembly of a plurality of electronic circuits.
  • the memory 120 is a dedicated or general-purpose memory in which information for the circuit 110 to process an image is stored.
  • the memory 120 may be an electronic circuit, may be connected to the circuit 110, or may be included in the circuit 110.
  • the memory 120 may be an assembly of a plurality of electronic circuits, or may be configured of a plurality of sub memories.
  • the memory 120 may be a magnetic disk or an optical disk, or may be expressed as a storage or a recording medium.
  • the memory 120 may be a non-volatile memory or a volatile memory.
  • the memory 120 may store a decompressed image before image processing or a decompressed image after image processing.
  • the memory 120 may also store a program for the circuit 110 to process the decompressed image.
  • a neural network model may be stored.
  • the memory 120 may store a plurality of parameters of the neural network model.
  • FIG. 9 is a flow chart showing an operation example of the image processing apparatus 100 shown in FIG.
  • the image processing apparatus 100 shown in FIG. 8 performs the operation shown in FIG.
  • the circuit 110 in the image processing apparatus 100 performs the following operation using the memory 120.
  • the circuit 110 performs processing for bringing the decompressed image close to the original image using a neural network model in which learning for bringing the uncompressed image, which is the result of compression and decompression on the original image, closer to the original image is performed.
  • the neural network model includes one or more convolutional blocks and includes one or more residual blocks.
  • each of the one or more convolutional blocks is a processing block that includes a convolutional layer.
  • each of the one or more residual blocks is a processing block that includes a convolution group comprised of at least one of the one or more convolutional blocks. Then, each of the one or more residual blocks inputs the data input to the residual block to the convolution group included in the residual block, and the data input to the residual block is the convolution group Add to the data output from.
  • the image processing apparatus 100 can appropriately bring the decompressed image close to the original image by using a neural network model suitable for processing for bringing the decompressed image close to the original image.
  • the one or more convolutional blocks may be two or more convolutional blocks.
  • the image processing apparatus 100 can appropriately bring the decompressed image close to the original image by using a neural network model capable of highly accurate learning and inference.
  • one or more residual blocks may be two or more residual blocks.
  • the image processing apparatus 100 can appropriately bring the decompressed image close to the original image by using a neural network model capable of learning and inference with higher accuracy.
  • the one or more convolutional blocks may be three or more convolutional blocks.
  • one or more residual blocks may constitute a residual group and may include at least one convolutional block of three or more convolutional blocks. Also, at least one convolution block not included in the residual group among the three or more convolution blocks may constitute the first convolution group. In addition, at least one convolutional block among the three or more convolutional blocks which is not included in either the residual group or the first convolutional group may constitute the second convolutional group.
  • the data output from the first convolutional group may then be input to the residual group. Also, data output from the residual group may be input to the second convolution group.
  • the image processing apparatus 100 can apply more sophisticated operations to the abstracted features of the image. Therefore, efficient processing is possible.
  • the neural network model may include processing groups comprised of one or more convolutional blocks and one or more residual blocks. Then, the data input to the neural network model is input to the processing group, and the data input to the neural network model is added to the data output from the processing group and may be output from the neural network model Good.
  • the image processing apparatus 100 can appropriately bring the decompressed image close to the original image by using a neural network model capable of efficient learning and inference.
  • the convolutional group included in each of the one or more residual blocks may be configured of at least two of the two or more convolutional blocks.
  • data input to a convolution group including at least two convolution blocks can be simply reflected in data output from the convolution group.
  • processing in at least two convolutional blocks may be streamlined together.
  • amplification of unnecessary errors (noises) is appropriately suppressed.
  • learning for bringing the decompressed image closer to the original image is performed using a plurality of other original images and a plurality of other decompressed images respectively corresponding to the plurality of other original images. It is also good. Specifically, using these, when the decompressed image corresponding to the original image is input to the neural network, the neural network outputs the image brought close to the original image from the decompressed image. Network parameters may be updated. Thereby, the parameters of the neural network can be properly adjusted.
  • the image processing apparatus 100 in the present embodiment may be used as an encoding apparatus including a component that encodes an image, or may be used as a decoding apparatus including a component that decodes an image.
  • the image processing apparatus 100 may also be used as an encoding / decoding apparatus including a component that encodes an image and a component that encodes / decodes an image.
  • the image processing apparatus 100 may be used as a moving image processing device, a moving image encoding device, a moving image decoding device, or a moving image encoding / decoding device that processes each image constituting a moving image.
  • the image processing apparatus 100 may also be used as a filter device.
  • At least a part of the present embodiment may be used as an image processing method, may be used as a decoding method, may be used as a filter method, or is used as another method. It is also good.
  • processing group, convolutional group, and residual group in the above description may also be expressed as a processing block set, a convolutional block set, and a residual block set, respectively.
  • each component may be configured by dedicated hardware or implemented by executing a software program suitable for each component.
  • Each component may be realized by a program execution unit such as a CPU or a processor reading and executing a software program recorded on a recording medium such as a hard disk or a semiconductor memory.
  • the image processing apparatus 100 may include a processing circuit (Processing Circuitry) and a storage device (Storage) electrically connected to the processing circuit and accessible from the processing circuit.
  • a processing circuit Processing Circuitry
  • a storage device Storage
  • the processing circuit corresponds to the circuit 110
  • the storage device corresponds to the memory 120.
  • the processing circuit includes at least one of dedicated hardware and a program execution unit, and executes processing using a storage device.
  • the storage device stores a software program executed by the program execution unit.
  • software for realizing the image processing apparatus 100 and the like of the present embodiment is a program as follows.
  • this program uses the computer a neural network model in which learning for bringing a decompressed image, which is the result of compression and decompression on an original image, closer to the original image to the original image is performed.
  • the neural network model including one or more convolutional blocks, and including one or more residual blocks, each of the one or more convolutional blocks including a convolutional layer
  • each of the one or more residual blocks includes a convolution group composed of at least one of the one or more convolutional blocks, and data remaining in the residual block is the residual Input to the convolutional group included in the difference block, and input to the residual block
  • That data image processing method may be run a processing block to be added to the data outputted from the convolutional group.
  • each component may be a circuit as described above. These circuits may constitute one circuit as a whole or may be separate circuits. Each component may be realized by a general purpose processor or a dedicated processor.
  • another component may execute the processing that a particular component performs. Further, the order of executing the processing may be changed, or a plurality of processing may be executed in parallel. Also, the first and second ordinal numbers may be given to the component etc. as appropriate.
  • the aspect of the image processing apparatus 100 was demonstrated based on embodiment, the aspect of the image processing apparatus 100 is not limited to this embodiment. As long as various modifications that can occur to those skilled in the art are made to the present embodiment or a form constructed by combining components in different embodiments without departing from the spirit of the present disclosure, the image processing apparatus 100 is also included. It may be included.
  • This aspect may be practiced in combination with at least some of the other aspects in this disclosure. Also, part of the processing or part of the configuration of this aspect may be implemented in combination with other aspects.
  • each of the functional blocks can usually be realized by an MPU, a memory, and the like. Further, the processing by each of the functional blocks is usually realized by a program execution unit such as a processor reading and executing software (program) recorded in a recording medium such as a ROM.
  • the software may be distributed by downloading or the like, or may be distributed by being recorded in a recording medium such as a semiconductor memory.
  • each embodiment may be realized by centralized processing using a single device (system), or may be realized by distributed processing using a plurality of devices. Good.
  • the processor that executes the program may be singular or plural. That is, centralized processing may be performed, or distributed processing may be performed.
  • the system is characterized by having an image coding apparatus using an image coding method, an image decoding apparatus using an image decoding method, and an image coding / decoding apparatus provided with both.
  • Other configurations in the system can be suitably modified as the case may be.
  • FIG. 10 is a diagram showing an overall configuration of a content supply system ex100 for realizing content distribution service.
  • the area for providing communication service is divided into desired sizes, and base stations ex106, ex107, ex108, ex109 and ex110, which are fixed wireless stations, are installed in each cell.
  • each device such as a computer ex111, a game machine ex112, a camera ex113, a home appliance ex114, and a smartphone ex115 via the Internet service provider ex102 or the communication network ex104 and the base stations ex106 to ex110 on the Internet ex101 Is connected.
  • the content supply system ex100 may connect any of the above-described elements in combination.
  • the respective devices may be connected to each other directly or indirectly via a telephone network, near-field radio, etc., not via the base stations ex106 to ex110 which are fixed wireless stations.
  • the streaming server ex103 is connected to each device such as the computer ex111, the game machine ex112, the camera ex113, the home appliance ex114, and the smartphone ex115 via the Internet ex101 or the like.
  • the streaming server ex103 is connected to a terminal or the like in a hotspot in the aircraft ex117 via the satellite ex116.
  • a radio access point or a hotspot may be used instead of base stations ex106 to ex110.
  • the streaming server ex103 may be directly connected to the communication network ex104 without the internet ex101 or the internet service provider ex102, or may be directly connected with the airplane ex117 without the satellite ex116.
  • the camera ex113 is a device capable of shooting a still image such as a digital camera and shooting a moving image.
  • the smartphone ex115 is a smartphone, a mobile phone, a PHS (Personal Handyphone System), or the like compatible with a mobile communication system generally called 2G, 3G, 3.9G, 4G, and 5G in the future.
  • the home appliance ex118 is a refrigerator or a device included in a home fuel cell cogeneration system.
  • a terminal having a photographing function when a terminal having a photographing function is connected to the streaming server ex103 through the base station ex106 or the like, live distribution and the like become possible.
  • a terminal (a computer ex111, a game machine ex112, a camera ex113, a home appliance ex114, a smartphone ex115, a terminal in an airplane ex117, etc.) transmits the still image or moving image content captured by the user using the terminal.
  • the encoding process described in each embodiment is performed, and video data obtained by the encoding and sound data obtained by encoding a sound corresponding to the video are multiplexed, and the obtained data is transmitted to the streaming server ex103. That is, each terminal functions as an image coding apparatus according to an aspect of the present disclosure.
  • the streaming server ex 103 streams the content data transmitted to the requested client.
  • the client is a computer ex111, a game machine ex112, a camera ex113, a home appliance ex114, a smartphone ex115, a terminal in the airplane ex117, or the like capable of decoding the above-described encoded data.
  • Each device that receives the distributed data decrypts and reproduces the received data. That is, each device functions as an image decoding device according to an aspect of the present disclosure.
  • the streaming server ex103 may be a plurality of servers or a plurality of computers, and may process, record, or distribute data in a distributed manner.
  • the streaming server ex103 may be realized by a CDN (Contents Delivery Network), and content delivery may be realized by a network connecting a large number of edge servers distributed around the world and the edge servers.
  • CDN Content Delivery Network
  • content delivery may be realized by a network connecting a large number of edge servers distributed around the world and the edge servers.
  • physically close edge servers are dynamically assigned according to clients. The delay can be reduced by caching and distributing the content to the edge server.
  • processing is distributed among multiple edge servers, or the distribution subject is switched to another edge server, or a portion of the network where a failure has occurred. Since the delivery can be continued bypassing, high-speed and stable delivery can be realized.
  • each terminal may perform encoding processing of captured data, or may perform processing on the server side, or may share processing with each other.
  • a processing loop is performed twice.
  • the first loop the complexity or code amount of the image in frame or scene units is detected.
  • the second loop processing is performed to maintain the image quality and improve the coding efficiency.
  • the terminal performs a first encoding process
  • the server receiving the content performs a second encoding process, thereby improving the quality and efficiency of the content while reducing the processing load on each terminal. it can.
  • the first encoded data made by the terminal can also be received and reproduced by another terminal, enabling more flexible real time delivery Become.
  • the camera ex 113 or the like extracts a feature amount from an image, compresses data relating to the feature amount as metadata, and transmits the data to the server.
  • the server performs compression according to the meaning of the image, for example, determining the importance of the object from the feature amount and switching the quantization accuracy.
  • Feature amount data is particularly effective in improving the accuracy and efficiency of motion vector prediction at the time of second compression in the server.
  • the terminal may perform simple coding such as VLC (variable length coding) and the server may perform coding with a large processing load such as CABAC (context adaptive binary arithmetic coding method).
  • a plurality of video data in which substantially the same scenes are shot by a plurality of terminals.
  • a unit of GOP Group of Picture
  • a unit of picture or a tile into which a picture is divided, using a plurality of terminals for which photographing was performed and other terminals and servers which are not photographing as necessary.
  • the encoding process is allocated in units, etc. to perform distributed processing. This reduces delay and can realize more real time performance.
  • the server may manage and / or instruct the video data captured by each terminal to be mutually referred to.
  • the server may receive the encoded data from each terminal and change the reference relationship among a plurality of data, or may correct or replace the picture itself and re-encode it. This makes it possible to generate streams with enhanced quality and efficiency of each piece of data.
  • the server may deliver the video data after performing transcoding for changing the coding method of the video data.
  • the server may convert the encoding system of the MPEG system into the VP system, or the H.264 system. H.264. It may be converted to 265.
  • the encoding process can be performed by the terminal or one or more servers. Therefore, in the following, although the description such as “server” or “terminal” is used as the subject of processing, part or all of the processing performed by the server may be performed by the terminal, or the processing performed by the terminal Some or all may be performed on the server. In addition, with regard to these, the same applies to the decoding process.
  • the server not only encodes a two-dimensional moving image, but also automatically encodes a still image based on scene analysis of the moving image or at a time designated by the user and transmits it to the receiving terminal. It is also good. Furthermore, if the server can acquire relative positional relationship between the imaging terminals, the three-dimensional shape of the scene is not only determined based on the two-dimensional moving image but also the video of the same scene captured from different angles. Can be generated. Note that the server may separately encode three-dimensional data generated by a point cloud or the like, or an image to be transmitted to the receiving terminal based on a result of recognizing or tracking a person or an object using the three-dimensional data. Alternatively, it may be generated by selecting or reconfiguring from videos taken by a plurality of terminals.
  • the user can enjoy the scene by arbitrarily selecting each video corresponding to each photographing terminal, or from the three-dimensional data reconstructed using a plurality of images or videos, the video of the arbitrary viewpoint You can also enjoy the extracted content.
  • the sound may be picked up from a plurality of different angles as well as the video, and the server may multiplex the sound from a specific angle or space with the video and transmit it according to the video.
  • the server may create viewpoint images for the right eye and for the left eye, respectively, and may perform coding to allow reference between each viewpoint video using Multi-View Coding (MVC) or the like. It may be encoded as another stream without reference. At the time of decoding of another stream, reproduction may be performed in synchronization with each other so that a virtual three-dimensional space is reproduced according to the viewpoint of the user.
  • MVC Multi-View Coding
  • the server superimposes virtual object information in the virtual space on camera information in the real space based on the three-dimensional position or the movement of the user's viewpoint.
  • the decoding apparatus may acquire or hold virtual object information and three-dimensional data, generate a two-dimensional image according to the movement of the user's viewpoint, and create superimposed data by smoothly connecting.
  • the decoding device transmits the motion of the user's viewpoint to the server in addition to the request for virtual object information, and the server creates superimposed data in accordance with the motion of the viewpoint received from the three-dimensional data held in the server.
  • the superimposed data may be encoded and distributed to the decoding device.
  • the superimposed data has an ⁇ value indicating transparency as well as RGB
  • the server sets the ⁇ value of a portion other than the object created from the three-dimensional data to 0 etc., and the portion is transparent , May be encoded.
  • the server may set RGB values of predetermined values as a background, such as chroma key, and generate data in which the portion other than the object has a background color.
  • the decryption processing of the distributed data may be performed by each terminal which is a client, may be performed by the server side, or may be performed sharing each other.
  • one terminal may send a reception request to the server once, the content corresponding to the request may be received by another terminal and decoded, and the decoded signal may be transmitted to a device having a display. Data of high image quality can be reproduced by distributing processing and selecting appropriate content regardless of the performance of the communicable terminal itself.
  • a viewer's personal terminal may decode and display a partial area such as a tile in which a picture is divided. Thereby, it is possible to confirm at hand the area in which the user is in charge or the area to be checked in more detail while sharing the whole image.
  • encoded data over the network such as encoded data being cached on a server that can be accessed in a short time from a receiving terminal, or copied to an edge server in a content delivery service, etc. It is also possible to switch the bit rate of the received data based on ease.
  • the server may have a plurality of streams with the same content but different qualities as individual streams, but is temporally / spatial scalable which is realized by coding into layers as shown in the figure.
  • the configuration may be such that the content is switched using the feature of the stream. That is, the decoding side determines low-resolution content and high-resolution content by determining which layer to decode depending on the internal factor of performance and external factors such as the state of the communication band. It can be switched freely and decoded. For example, when it is desired to view the continuation of the video being watched by the smartphone ex115 while moving on a device such as the Internet TV after returning home, the device only has to decode the same stream to different layers, so the burden on the server side Can be reduced.
  • the picture is encoded for each layer, and the enhancement layer includes meta information based on statistical information of the image, etc., in addition to the configuration for realizing the scalability in which the enhancement layer exists above the base layer.
  • the decoding side may generate high-quality content by super-resolving a picture of the base layer based on the meta information.
  • the super resolution may be either an improvement in the SN ratio at the same resolution or an expansion of the resolution.
  • Meta information includes information for identifying linear or non-linear filter coefficients used for super-resolution processing, or information for identifying parameter values in filter processing used for super-resolution processing, machine learning or least squares operation, etc. .
  • the picture may be divided into tiles or the like according to the meaning of an object or the like in the image, and the decoding side may be configured to decode only a part of the area by selecting the tile to be decoded.
  • the decoding side can position the desired object based on the meta information And determine the tile that contains the object. For example, as shown in FIG. 12, meta-information is stored using a data storage structure different from pixel data, such as an SEI message in HEVC. This meta information indicates, for example, the position, size, or color of the main object.
  • meta information may be stored in units of a plurality of pictures, such as streams, sequences, or random access units.
  • the decoding side can acquire the time when a specific person appears in the video and the like, and can identify the picture in which the object exists and the position of the object in the picture by combining the information with the picture unit.
  • FIG. 13 is a diagram showing an example of a display screen of a web page in the computer ex111 and the like.
  • FIG. 14 is a diagram illustrating an example of a display screen of a web page in the smartphone ex115 or the like.
  • the web page may include a plurality of link images which are links to image content, and the appearance differs depending on the browsing device.
  • the display device When multiple link images are visible on the screen, the display device until the user explicitly selects the link image, or until the link image approaches near the center of the screen or the entire link image falls within the screen
  • the (decoding device) displays still images or I pictures of each content as link images, displays images such as gif animation with a plurality of still images or I pictures, etc., receives only the base layer Decode and display.
  • the display device decodes the base layer with the highest priority.
  • the display device may decode up to the enhancement layer if there is information indicating that the content is scalable in the HTML configuring the web page.
  • the display device decodes only forward referenced pictures (I picture, P picture, forward referenced only B picture) before the selection or when the communication band is very strict. And, by displaying, it is possible to reduce the delay between the decoding time of the leading picture and the display time (delay from the start of decoding of the content to the start of display).
  • the display device may roughly ignore the reference relationship of pictures and roughly decode all B pictures and P pictures with forward reference, and may perform normal decoding as time passes and the number of received pictures increases.
  • the receiving terminal when transmitting or receiving still image or video data such as two-dimensional or three-dimensional map information for automatic traveling or driving assistance of a car, the receiving terminal is added as image information belonging to one or more layers as meta information Information on weather or construction may also be received, and these may be correlated and decoded.
  • the meta information may belong to the layer or may be simply multiplexed with the image data.
  • the receiving terminal since a car including a receiving terminal, a drone or an airplane moves, the receiving terminal transmits the position information of the receiving terminal at the time of reception request to seamlessly receive and decode while switching the base stations ex106 to ex110. Can be realized.
  • the receiving terminal can dynamically switch how much meta information is received or how much map information is updated according to the user's selection, the user's situation or the state of the communication band. become.
  • the client can receive, decode, and reproduce the encoded information transmitted by the user in real time.
  • the server may perform the encoding process after performing the editing process. This can be realized, for example, with the following configuration.
  • the server performs recognition processing such as shooting error, scene search, meaning analysis, and object detection from the original image or encoded data after shooting in real time or by accumulation. Then, the server manually or automatically corrects out-of-focus or camera shake, etc. based on the recognition result, or a scene with low importance such as a scene whose brightness is low or out of focus compared with other pictures. Make edits such as deleting, emphasizing the edge of an object, or changing the color. The server encodes the edited data based on the edited result. It is also known that the audience rating drops when the shooting time is too long, and the server works not only with scenes with low importance as described above, but also moves as content becomes within a specific time range according to the shooting time. Scenes with a small amount of motion may be clipped automatically based on the image processing result. Alternatively, the server may generate and encode a digest based on the result of semantic analysis of the scene.
  • recognition processing such as shooting error, scene search, meaning analysis, and object detection from the original image or encoded data after shooting in real
  • the server may change and encode the face of a person at the periphery of the screen, or the inside of a house, etc. into an image out of focus.
  • the server recognizes whether or not the face of a person different from the person registered in advance appears in the image to be encoded, and if so, performs processing such as mosaicing the face portion. May be Alternatively, the user designates a person or background area desired to process an image from the viewpoint of copyright etc.
  • preprocessing or post-processing of encoding replaces the designated area with another video or blurs the focus. It is also possible to perform such processing. If it is a person, it is possible to replace the image of the face part while tracking the person in the moving image.
  • the decoding apparatus first receives the base layer with the highest priority, and performs decoding and reproduction, although it depends on the bandwidth.
  • the decoding device may receive the enhancement layer during this period, and may play back high-quality video including the enhancement layer if it is played back more than once, such as when playback is looped.
  • scalable coding it is possible to provide an experience in which the stream gradually becomes smart and the image becomes better although it is a rough moving image when it is not selected or when it starts watching.
  • the same experience can be provided even if the coarse stream played back first and the second stream coded with reference to the first moving image are configured as one stream .
  • these encoding or decoding processes are generally processed in an LSI ex 500 that each terminal has.
  • the LSI ex 500 may be a single chip or a plurality of chips.
  • Software for moving image encoding or decoding is incorporated in any recording medium (CD-ROM, flexible disk, hard disk, etc.) readable by computer ex111 or the like, and encoding or decoding is performed using the software. It is also good.
  • moving image data acquired by the camera may be transmitted. The moving image data at this time is data encoded by the LSI ex 500 included in the smartphone ex 115.
  • the LSI ex 500 may be configured to download and activate application software.
  • the terminal first determines whether the terminal corresponds to the content coding scheme or has the ability to execute a specific service. If the terminal does not support the content encoding method or does not have the ability to execute a specific service, the terminal downloads the codec or application software, and then acquires and reproduces the content.
  • the present invention is not limited to the content supply system ex100 via the Internet ex101, but also to a system for digital broadcasting at least a moving picture coding apparatus (image coding apparatus) or a moving picture decoding apparatus (image decoding apparatus) of the above embodiments. Can be incorporated. There is a difference in that it is multicast-oriented with respect to the configuration in which the content supply system ex100 can be easily unicasted, since multiplexed data in which video and sound are multiplexed is transmitted on broadcast radio waves using satellites etc. Similar applications are possible for the encoding process and the decoding process.
  • FIG. 15 is a diagram showing the smartphone ex115.
  • FIG. 16 is a diagram showing a configuration example of the smartphone ex115.
  • the smartphone ex115 receives an antenna ex450 for transmitting and receiving radio waves to and from the base station ex110, a camera unit ex465 capable of taking video and still images, a video taken by the camera unit ex465, and the antenna ex450 And a display unit ex ⁇ b> 458 for displaying data obtained by decoding an image or the like.
  • the smartphone ex115 further includes an operation unit ex466 that is a touch panel or the like, a voice output unit ex457 that is a speaker or the like for outputting voice or sound, a voice input unit ex456 that is a microphone or the like for inputting voice, Identify the user, the memory unit ex 467 capable of storing encoded video or still image, recorded voice, received video or still image, encoded data such as mail, or decoded data, and specify a network, etc. And a slot unit ex464 that is an interface unit with the SIM ex 468 for authenticating access to various data. Note that an external memory may be used instead of the memory unit ex467.
  • a main control unit ex460 that integrally controls the display unit ex458 and the operation unit ex466, a power supply circuit unit ex461, an operation input control unit ex462, a video signal processing unit ex455, a camera interface unit ex463, a display control unit ex459, / Demodulation unit ex452, multiplexing / demultiplexing unit ex453, audio signal processing unit ex454, slot unit ex464, and memory unit ex467 are connected via a bus ex470.
  • the power supply circuit unit ex461 activates the smartphone ex115 to an operable state by supplying power from the battery pack to each unit.
  • the smartphone ex115 performs processing such as call and data communication based on control of the main control unit ex460 having a CPU, a ROM, a RAM, and the like.
  • the audio signal collected by the audio input unit ex456 is converted to a digital audio signal by the audio signal processing unit ex454, spread spectrum processing is performed by the modulation / demodulation unit ex452, and digital analog conversion is performed by the transmission / reception unit ex451.
  • transmission is performed via the antenna ex450.
  • the received data is amplified and subjected to frequency conversion processing and analog-to-digital conversion processing, subjected to spectrum despreading processing by modulation / demodulation unit ex452, and converted to an analog sound signal by sound signal processing unit ex454.
  • Output from In the data communication mode text, still images, or video data are sent to the main control unit ex460 via the operation input control unit ex462 by the operation of the operation unit ex466 or the like of the main unit, and transmission and reception processing is similarly performed.
  • the video signal processing unit ex 455 executes the video signal stored in the memory unit ex 467 or the video signal input from the camera unit ex 465 as described above.
  • the video data is compressed and encoded by the moving picture encoding method shown in the form, and the encoded video data is sent to the multiplexing / demultiplexing unit ex453.
  • the audio signal processing unit ex454 encodes an audio signal collected by the audio input unit ex456 while capturing a video or a still image with the camera unit ex465, and sends the encoded audio data to the multiplexing / demultiplexing unit ex453.
  • the multiplexing / demultiplexing unit ex453 multiplexes the encoded video data and the encoded audio data according to a predetermined method, and performs modulation processing and conversion by the modulation / demodulation unit (modulation / demodulation circuit unit) ex452 and the transmission / reception unit ex451. It processes and transmits via antenna ex450.
  • the multiplexing / demultiplexing unit ex453 multiplexes in order to decode multiplexed data received via the antenna ex450.
  • the multiplexed data is divided into a bit stream of video data and a bit stream of audio data, and the encoded video data is supplied to the video signal processing unit ex455 via the synchronization bus ex470, and The converted audio data is supplied to the audio signal processing unit ex 454.
  • the video signal processing unit ex 455 decodes the video signal by the moving picture decoding method corresponding to the moving picture coding method described in each of the above embodiments, and is linked from the display unit ex 458 via the display control unit ex 459. An image or a still image included in the moving image file is displayed.
  • the audio signal processing unit ex 454 decodes the audio signal, and the audio output unit ex 457 outputs the audio. Furthermore, since real-time streaming is widespread, depending on the user's situation, it may happen that sound reproduction is not socially appropriate. Therefore, as an initial value, it is preferable to have a configuration in which only the video data is reproduced without reproducing the audio signal. Audio may be synchronized and played back only when the user performs an operation such as clicking on video data.
  • the smartphone ex115 has been described as an example, in addition to a transceiving terminal having both an encoder and a decoder as a terminal, a transmitting terminal having only the encoder and a receiver having only the decoder There are three possible implementation forms: terminals. Furthermore, in the digital broadcasting system, it has been described that multiplexed data in which audio data is multiplexed with video data is received or transmitted, but in multiplexed data, character data related to video other than audio data is also described. It may be multiplexed, or video data itself may be received or transmitted, not multiplexed data.
  • the terminal often includes a GPU. Therefore, a configuration in which a large area is collectively processed using the performance of the GPU may be performed using a memory shared by the CPU and the GPU, or a memory whose address is managed so as to be commonly used. As a result, coding time can be shortened, real time property can be secured, and low delay can be realized. In particular, it is efficient to perform processing of motion search, deblock filter, sample adaptive offset (SAO), and transform / quantization collectively in units of pictures or the like on the GPU instead of the CPU.
  • SAO sample adaptive offset
  • the present disclosure is applicable to, for example, a television receiver, a digital video recorder, a car navigation system, a mobile phone, a digital camera, a digital video camera, a video conference system, an electronic mirror, and the like.
  • DESCRIPTION OF SYMBOLS 100 image processing apparatus 110 circuit 120 memory 200 codec system 210 encoding apparatus 211 image encoding part 220 decoding apparatus 221 image decoding part 300 post-processing filter 310, 330, 520 convolution block 311 convolution layer 312 nonlinear activation function 313 normalization layer 320 residual block 410 convolution group 420 residual group 610 feature extraction 620 feature transformation 630 feature adjustment

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)
  • Image Analysis (AREA)
  • Compression Of Band Width Or Redundancy In Fax (AREA)

Abstract

画像処理装置（１００）は、メモリ（１２０）と、回路（１１０）とを備え、回路（１１０）は、圧縮解除画像を原画像に近づけるための学習が行われたニューラルネットワークモデルを用いて、圧縮解除画像を原画像に近づける処理を行い、ニューラルネットワークモデルは、１つ以上の畳み込みブロックを含み、かつ、１つ以上の残差ブロックを含み、１つ以上の畳み込みブロックのそれぞれは、畳み込み層を含む処理ブロックであり、１つ以上の残差ブロックのそれぞれは、少なくとも１つの畳み込みブロックで構成される畳み込みグループを含み、残差ブロックに入力されるデータを残差ブロックに含まれる畳み込みグループに入力し、かつ、残差ブロックに入力されるデータを畳み込みグループから出力されるデータに加える処理ブロックである。

Description

画像処理装置及び画像処理方法
　本開示は、画像処理装置等に関する。
　従来、動画像を符号化するための規格として、ＨＥＶＣ（Ｈｉｇｈ　Ｅｆｆｉｃｉｅｎｃｙ　Ｖｉｄｅｏ　Ｃｏｄｉｎｇ）とも呼ばれるＨ．２６５が存在する（非特許文献１）。
Ｈ．２６５（ＩＳＯ／ＩＥＣ　２３００８－２　ＨＥＶＣ）／ＨＥＶＣ（Ｈｉｇｈ　Ｅｆｆｉｃｉｅｎｃｙ　Ｖｉｄｅｏ　Ｃｏｄｉｎｇ）
　しかしながら、原画像に対して圧縮及び圧縮解除を行うことで得られる圧縮解除画像の画質は、原画像の画質よりも劣化している可能性が高い。
　そこで、本開示は、圧縮解除画像を原画像に適切に近づけることができる画像処理装置等を提供する。
　本開示の一態様における画像処理装置は、メモリと、前記メモリにアクセス可能な回路とを備え、前記メモリにアクセス可能な前記回路は、原画像に対する圧縮及び圧縮解除の結果である圧縮解除画像を前記原画像に近づけるための学習が行われたニューラルネットワークモデルを用いて、前記圧縮解除画像を前記原画像に近づける処理を行い、前記ニューラルネットワークモデルは、１つ以上の畳み込みブロックを含み、かつ、１つ以上の残差ブロックを含み、前記１つ以上の畳み込みブロックのそれぞれは、畳み込み層を含む処理ブロックであり、前記１つ以上の残差ブロックのそれぞれは、前記１つ以上の畳み込みブロックのうちの少なくとも１つで構成される畳み込みグループを含み、当該残差ブロックに入力されるデータを当該残差ブロックに含まれる前記畳み込みグループに入力し、かつ、当該残差ブロックに入力されるデータを前記畳み込みグループから出力されるデータに加える処理ブロックである。
　なお、これらの包括的又は具体的な態様は、システム、装置、方法、集積回路、コンピュータプログラム、又は、コンピュータ読み取り可能なＣＤ－ＲＯＭなどの非一時的な記録媒体で実現されてもよく、システム、装置、方法、集積回路、コンピュータプログラム、及び、記録媒体の任意な組み合わせで実現されてもよい。
　本開示の一態様における画像処理装置等は、圧縮解除画像を原画像に適切に近づけることができる。
図１は、実施の形態１における後処理フィルタの構成を示すブロック図である。 図２は、実施の形態１におけるコーデックシステムの構成を示すブロック図である。 図３は、実施の形態１における複数の畳み込みブロックの接続構成を示すブロック図である。 図４は、実施の形態１における複数の残差ブロックの接続構成を示すブロック図である。 図５は、実施の形態１における畳み込みブロックの構成を示すブロック図である。 図６は、実施の形態１における残差ブロックの構成を示すブロック図である。 図７は、実施の形態１における後処理フィルタの機能要素を示すブロック図である。 図８は、実施の形態１における画像処理装置の実装例を示すブロック図である。 図９は、実施の形態１における画像処理装置の動作例を示すフローチャートである。 図１０は、コンテンツ配信サービスを実現するコンテンツ供給システムの全体構成図である。 図１１は、スケーラブル符号化時の符号化構造の一例を示す図である。 図１２は、スケーラブル符号化時の符号化構造の一例を示す図である。 図１３は、ｗｅｂページの表示画面例を示す図である。 図１４は、ｗｅｂページの表示画面例を示す図である。 図１５は、スマートフォンの一例を示す図である。 図１６は、スマートフォンの構成例を示すブロック図である。
　（本開示の基礎となった知見）
　画像を効率的に記録媒体に保管することは、有用である。画像データ量及び画質は、画像の保管に影響する。画像データ量は、損失のある（ｌｏｓｓｙ）コーデックで画像を圧縮することにより削減される。一方で、損失のあるコーデックで画像を圧縮することにより画質は劣化する。例えば、画像において乱れ（圧縮アーチファクトとも呼ばれる）が生じる。すなわち、原画像に対して圧縮及び圧縮解除を行うことで得られる圧縮解除画像の画質は、原画像の画質よりも劣化していると想定される。
　そこで、例えば、本開示の一態様に係る画像処理装置は、メモリと、前記メモリにアクセス可能な回路とを備え、前記メモリにアクセス可能な前記回路は、原画像に対する圧縮及び圧縮解除の結果である圧縮解除画像を前記原画像に近づけるための学習が行われたニューラルネットワークモデルを用いて、前記圧縮解除画像を前記原画像に近づける処理を行い、前記ニューラルネットワークモデルは、１つ以上の畳み込みブロックを含み、かつ、１つ以上の残差ブロックを含み、前記１つ以上の畳み込みブロックのそれぞれは、畳み込み層を含む処理ブロックであり、前記１つ以上の残差ブロックのそれぞれは、前記１つ以上の畳み込みブロックのうちの少なくとも１つで構成される畳み込みグループを含み、当該残差ブロックに入力されるデータを当該残差ブロックに含まれる前記畳み込みグループに入力し、かつ、当該残差ブロックに入力されるデータを前記畳み込みグループから出力されるデータに加える処理ブロックである。
　これにより、画像処理装置は、圧縮解除画像を原画像に近づける処理に適したニューラルネットワークモデルを用いて、圧縮解除画像を適切に原画像に近づけることができる。
　また、例えば、前記１つ以上の畳み込みブロックは、２つ以上の畳み込みブロックであってもよい。
　これにより、画像処理装置は、高精度の学習及び推論が可能なニューラルネットワークモデルを用いて、圧縮解除画像を適切に原画像に近づけることができる。
　また、例えば、前記１つ以上の残差ブロックは、２つ以上の残差ブロックであってもよい。
　これにより、画像処理装置は、より高精度の学習及び推論が可能なニューラルネットワークモデルを用いて、圧縮解除画像を適切に原画像に近づけることができる。
　また、例えば、前記１つ以上の畳み込みブロックは、３つ以上の畳み込みブロックであり、前記１つ以上の残差ブロックは、残差グループを構成し、前記３つ以上の畳み込みブロックのうちの少なくとも１つの畳み込みブロックを含み、前記３つ以上の畳み込みブロックのうち前記残差グループに含まれない少なくとも１つの畳み込みブロックは、第１畳み込みグループを構成し、前記３つ以上の畳み込みブロックのうち前記残差グループにも前記第１畳み込みグループにも含まれない少なくとも１つの畳み込みブロックは、第２畳み込みグループを構成し、前記第１畳み込みグループから出力されるデータは、前記残差グループに入力され、前記残差グループから出力されるデータは、前記第２畳み込みグループに入力されてもよい。
　これにより、画像処理装置は、画像の抽象化された特徴に対して、より高度な演算を適用することができる。したがって、効率的な処理が可能である。
　また、例えば、前記ニューラルネットワークモデルは、前記１つ以上の畳み込みブロック及び前記１つ以上の残差ブロックで構成される処理グループを含み、前記ニューラルネットワークモデルに入力されるデータは、前記処理グループに入力され、かつ、前記ニューラルネットワークモデルに入力されるデータは、前記処理グループから出力されるデータに加えられて、前記ニューラルネットワークモデルから出力されてもよい。
　これにより、ニューラルネットワークモデルに入力されるデータが、ニューラルネットワークモデルから出力されるデータにシンプルに反映され得る。したがって、画像処理装置は、効率的な学習及び推論が可能なニューラルネットワークモデルを用いて、圧縮解除画像を適切に原画像に近づけることができる。
　また、例えば、前記１つ以上の残差ブロックのそれぞれに含まれる前記畳み込みグループは、前記２つ以上の畳み込みブロックのうちの少なくとも２つで構成されてもよい。
　これにより、少なくとも２つ畳み込みブロックを含む畳み込みグループに入力されるデータが、畳み込みグループから出力されるデータにシンプルに反映され得る。したがって、少なくとも２つ畳み込みブロックにおける処理がまとめて効率化され得る。また、不必要な誤差（ノイズ）の増幅が適切に抑制される。
　また、例えば、原画像に対する圧縮及び圧縮解除の結果である圧縮解除画像を前記原画像に近づけるための学習が行われたニューラルネットワークモデルを用いて、前記圧縮解除画像を前記原画像に近づける処理を行い、前記ニューラルネットワークモデルは、１つ以上の畳み込みブロックを含み、かつ、１つ以上の残差ブロックを含み、前記１つ以上の畳み込みブロックのそれぞれは、畳み込み層を含む処理ブロックであり、前記１つ以上の残差ブロックのそれぞれは、前記１つ以上の畳み込みブロックのうちの少なくとも１つで構成される畳み込みグループを含み、当該残差ブロックに入力されるデータを当該残差ブロックに含まれる前記畳み込みグループに入力し、かつ、当該残差ブロックに入力されるデータを前記畳み込みグループから出力されるデータに加える処理ブロックであってもよい。
　これにより、圧縮解除画像を原画像に近づける処理に適したニューラルネットワークモデルを用いて、圧縮解除画像を適切に原画像に近づけることが可能である。
　さらに、これらの包括的又は具体的な態様は、システム、装置、方法、集積回路、コンピュータプログラム、又は、コンピュータ読み取り可能なＣＤ－ＲＯＭなどの非一時的な記録媒体で実現されてもよく、システム、装置、方法、集積回路、コンピュータプログラム、及び、記録媒体の任意な組み合わせで実現されてもよい。
　以下、実施の形態について図面を参照しながら具体的に説明する。
　なお、以下で説明する実施の形態は、いずれも包括的または具体的な例を示すものである。以下の実施の形態で示される数値、形状、材料、構成要素、構成要素の配置位置及び接続形態、ステップ、ステップの順序などは、一例であり、請求の範囲を限定する主旨ではない。また、以下の実施の形態における構成要素のうち、最上位概念を示す独立請求項に記載されていない構成要素については、任意の構成要素として説明される。
　（実施の形態１）
　まず、後述する本開示の各態様で説明する処理および／または構成を適用可能な画像処理装置の一例として、実施の形態１の概要を説明する。ただし、実施の形態１は、本開示の各態様で説明する処理および／または構成を適用可能な画像処理装置の一例にすぎず、本開示の各態様で説明する処理および／または構成は、実施の形態１とは異なる画像処理装置においても実施可能である。
　実施の形態１に対して本開示の各態様で説明する処理および／または構成を適用する場合、例えば以下のいずれかを行ってもよい。
　（１）実施の形態１の画像処理装置に対して、当該画像処理装置を構成する複数の構成要素のうち、本開示の各態様で説明する構成要素に対応する構成要素を、本開示の各態様で説明する構成要素に置き換えること
　（２）実施の形態１の画像処理装置に対して、当該画像処理装置を構成する複数の構成要素のうち一部の構成要素について機能または実施する処理の追加、置き換え、削除などの任意の変更を施した上で、本開示の各態様で説明する構成要素に対応する構成要素を、本開示の各態様で説明する構成要素に置き換えること
　（３）実施の形態１の画像処理装置が実施する方法に対して、処理の追加、および／または当該方法に含まれる複数の処理のうちの一部の処理について置き換え、削除などの任意の変更を施した上で、本開示の各態様で説明する処理に対応する処理を、本開示の各態様で説明する処理に置き換えること
　（４）実施の形態１の画像処理装置を構成する複数の構成要素のうちの一部の構成要素を、本開示の各態様で説明する構成要素、本開示の各態様で説明する構成要素が備える機能の一部を備える構成要素、または本開示の各態様で説明する構成要素が実施する処理の一部を実施する構成要素と組み合わせて実施すること
　（５）実施の形態１の画像処理装置を構成する複数の構成要素のうちの一部の構成要素が備える機能の一部を備える構成要素、または実施の形態１の画像処理装置を構成する複数の構成要素のうちの一部の構成要素が実施する処理の一部を実施する構成要素を、本開示の各態様で説明する構成要素、本開示の各態様で説明する構成要素が備える機能の一部を備える構成要素、または本開示の各態様で説明する構成要素が実施する処理の一部を実施する構成要素と組み合わせて実施すること
　（６）実施の形態１の画像処理装置が実施する方法に対して、当該方法に含まれる複数の処理のうち、本開示の各態様で説明する処理に対応する処理を、本開示の各態様で説明する処理に置き換えること
　（７）実施の形態１の画像処理装置が実施する方法に含まれる複数の処理のうちの一部の処理を、本開示の各態様で説明する処理と組み合わせて実施すること
　なお、本開示の各態様で説明する処理および／または構成の実施の仕方は、上記の例に限定されるものではない。例えば、実施の形態１において開示する画像処理装置または画像処理装置とは異なる目的で利用される装置において実施されてもよいし、各態様において説明した処理および／または構成を単独で実施してもよい。また、異なる態様において説明した処理および／または構成を組み合わせて実施してもよい。
　［画像処理装置の概要］
　まず、本実施の形態における画像処理装置の概要を説明する。画像処理装置は、原画像に対する圧縮及び圧縮解除の結果である圧縮解除画像における乱れを抑制するため、圧縮解除画像に対して後処理を行う。
　画像処理装置は、復号装置を含んでいてもよい。復号装置は、符号化された画像を復号する。すなわち、復号装置は、原画像に対する圧縮の結果である圧縮画像に対して圧縮解除を行うことにより、圧縮画像に対する圧縮解除の結果である圧縮解除画像を出力する。また、画像処理装置は、符号化装置を含んでいてもよい。符号化装置は、画像を符号化する。すなわち、符号化装置は、原画像に対して圧縮を行うことにより、原画像に対する圧縮の結果である圧縮画像を出力する。
　あるいは、画像処理装置は、復号装置に含まれていてもよいし、符号化装置に含まれていてもよいし、符号化装置と復号装置とを含む符号化復号装置に含まれていてもよい。例えば、画像処理装置が符号化装置に含まれ、画像処理装置は、符号化装置において予測画像を生成するための処理を行ってもよい。具体的には、符号化装置において、符号化画像が復号されることにより復号画像が生成され、画像処理装置が復号画像に対して後処理を行うことにより予測画像を生成してもよい。
　また、画像処理装置は、ニューラルネットワークモデルを用いて、圧縮解除画像に対して後処理を行う。ニューラルネットワークモデルは、人間の脳の組織的な原理に基づいてパラメータ化された数理モデルである。ニューラルネットワークモデルは、単に、ニューラルネットワークとも呼ばれる。以下の説明において、便宜上、画像処理装置がニューラルネットワークを用いて処理を行うことを、ニューラルネットワークが処理を行うとして説明する場合がある。
　また、多層構造のニューラルネットワークは、ディープニューラルネットワークとも呼ばれる。例えば、ニューラルネットワークは、入力層、中間層及び出力層で構成される。そして、データが、入力層に入力され、中間層を介して、出力層から出力される。中間層は、隠れ層とも呼ばれる。ニューラルネットワークは、複数の中間層を含んでいてもよい。また、入力層、中間層及び出力層のそれぞれは、複数のノードで構成される。
　各ノードは、ニューロンとも呼ばれる。例えば、ニューロンへ重み付け入力と呼ばれるデータが入力され、非線形の活性化関数が適用され、その結果が出力される。この非線形は、一次式でないことを意味する。また、重み付け入力は、前段の層における複数のノードの出力データに対して、重み付け行列を用いて、重み付けを行うことにより構築される。重み付け入力には、バイアスが加えられてもよい。
　ニューラルネットワークは、十分な性能を有する場合、万能関数近似器の性質を有する。つまり、ニューラルネットワークによって、様々なパターンがモデル化され得る。このような性質に基づいて、ニューラルネットワークは、識別、制御及び生成を含む様々な処理に用いられ得る。例えば、ニューラルネットワークは、入力の分布を他の分布へ変換することに用いられ得る。つまり、ニューラルネットワークは、入力データを他のデータへ変換することに用いられ得る。
　本実施の形態における画像処理装置は、圧縮解除画像を原画像により近い画像へ変換することにニューラルネットワークを適用する。上述した通り、圧縮解除画像は、圧縮アーチファクトを含む。原画像は、非圧縮画像であり、圧縮アーチファクトを含まない。すなわち、画像処理装置は、ニューラルネットワークを用いて、圧縮アーチファクトを含む圧縮解除画像を、圧縮アーチファクトを含まない非圧縮画像により近い画像へ変換する。
　具体的には、ニューラルネットワークへ圧縮解除画像が入力され、原画像に近づくように変換された圧縮解除画像がニューラルネットワークから出力される。
　また、例えば、ニューラルネットワークは、バックプロパゲーション（誤差逆伝搬法）と呼ばれる勾配降下アルゴリズムを用いて訓練される。具体的には、まず、ニューラルネットワークは、訓練データを入力データとして用いて順方向（前方向とも呼ばれる）に処理を行う。そして、ニューラルネットワークは、損失関数に従って、出力データと正解データとの間の誤差を算出する。例えば、損失関数として、平均二乗誤差又はＬ２損失関数と呼ばれる以下の関数が用いられる。
Figure JPOXMLDOC01-appb-M000001
　ここで、ｙｉは、訓練データに対する正解データである。また、
Figure JPOXMLDOC01-appb-M000002
は、訓練データに対するニューラルネットワークの出力データである。
　ニューラルネットワークは、逆方向（後方向とも呼ばれる）に誤差の伝搬を行い、重み等のパラメータに関する損失関数の勾配を算出する。そして、ニューラルネットワークは、誤差が最小になるように、つまり、より高精度の推論が行われるように、算出された勾配を用いてパラメータを更新する。
　例えば、訓練データに対応する入力データとして、原画像に対する圧縮及び圧縮解除の結果である圧縮解除画像が用いられ、正解データとして、非圧縮の原画像が用いられる。そして、訓練は、複数のパターンで行われる。具体的には、訓練は、複数の原画像、及び、その複数の原画像にそれぞれ対応する複数の圧縮解除画像を用いて行われる。
　すなわち、コーデックの後処理のための生成ニューラルネットワークの訓練において、２つの画像セットが用いられる。１つの画像セットは、非圧縮画像で構成される。他方の画像セットは、ＪＰＥＧ又はＨＥＶＣ／Ｈ．２６５のようなコーデックを用いて非圧縮画像に対して圧縮及び圧縮解除が行われた圧縮解除画像で構成される。
　訓練に用いられる画像は、処理量を削減するため、大きなサイズの画像から抽出された画像サムネイル又は部分画像であってもよい。例えば、画像サイズは、３２×３２画素から２５６×２５６画素までの間のサイズであってもよい。
　圧縮解除画像の画像セットは、ニューラルネットワークに入力される。そして、ニューラルネットワークは、推論を行い、非圧縮画像に対応する画像を出力する。例えば、ニューラルネットワークにおける１つ以上の層は、圧縮解除画像に対する特徴抽出を行う。つまり、圧縮解除画像の特徴が抽出される。そして、ニューラルネットワークにおける１つ以上の層は、圧縮解除画像の構造に対応する特徴が抽出されるように、学習される。また、ニューラルネットワークにおけるより深い層は、より抽象的な特徴を処理する。
　ニューラルネットワークの性能は、ニューラルネットワークの設計において定められたアーキテクチャに依存する。ニューラルネットワークの一態様である畳み込みニューラルネットワーク（ＣＮＮ：Ｃｏｎｖｏｌｕｔｉｏｎａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）は、視覚に関連する処理において、より改良された性能を有する。具体的には、畳み込みニューラルネットワークは、畳み込み演算を行うフィードフォワードネットワークであって、他の全結合ネットワークよりも高い性能を有すると想定される。
　例えば、畳み込みニューラルネットワークは、少ない数の重みを有する。これにより、規模が大きく性能が高い畳み込みニューラルネットワークが、少ない処理量で訓練され得る。また、畳み込みニューラルネットワークは、畳み込み演算によって、視覚的な処理において有用な空間不変性を有する特徴を用いて処理を行うことができる。
　具体的には、畳み込みニューラルネットワークは、畳み込み層を含む処理ブロックである畳み込みブロックを含む。畳み込み層は、ニューラルネットワークにおける中間層の一態様であって、畳み込み演算を行う処理層である。例えば、画像処理において、畳み込みブロックは、高さ、幅及びチャネルの３次元テンソルを入力として取得する。そして、畳み込みブロックは、アフィン変換及び非線形変換等を適宜適用して、入力の３次元テンソルとはサイズ及び内容が異なり得る３次元テンソルを出力する。
　例えば、畳み込みニューラルネットワークにおいて、複数の畳み込みブロックがそれぞれ複数の層としてスタックされる。そして、複数の畳み込みブロックが、特徴の抽出、検出及び分類等の複雑な処理を行う。
　また、畳み込みニューラルネットワークにおいて、残差接続と呼ばれるアーキテクチャが適用されてもよい。残差接続は、スキップ接続とも呼ばれる。残差接続によって、一連の１つ以上の畳み込み層がグループ化される。すなわち、残差接続によって、一連の１つ以上の畳み込みブロックがグループ化される。ここで、グループ化される一連の１つ以上の畳み込みブロックを畳み込みグループと呼ぶ場合がある。
　グループ化された１つ以上の畳み込み層を含む処理ブロックは、残差ブロックとも呼ばれる。つまり、残差ブロックは、１つ以上の畳み込みブロックを含む。さらに言い換えれば、残差ブロックは、畳み込みグループを含む。
　例えば、残差接続によって、残差ブロックへ入力されるデータが、残差ブロックから出力されるデータに加えられる。具体的には、加算処理が行われる。これにより、残差ブロックの入力ｘと、残差ブロックの出力Ｆ（ｘ）とが、相互に関連する。そして、残差ブロック全体として、Ｆ（ｘ）－ｘの学習が行われる。
　すなわち、入力と出力との差の適切な学習が可能である。入力と出力との差の学習は、０に近い特徴の学習を意味する。残差接続は、このような有用な学習を可能にする。また、残差接続が用いられない場合、各層の情報処理によって、不必要な誤差（ノイズ）が増幅される可能性がある。残差接続が用いられることによって、このような不必要な誤差の増幅が抑制される。また、誤差逆伝搬における損失関数の勾配の消失が、残差結合によって抑制される。
　また、ニューラルネットワークとして敵対的生成ネットワーク（ＧＡＮ：Ｇｅｎｅｒａｔｉｖｅ　Ａｄｖｅｒｓａｒｉａｌ　Ｎｅｔｗｏｒｋ）が適用され得る。敵対的生成ネットワークは、２つのサブニューラルネットワークで構成される。
　１つのサブニューラルネットワークは、生成器（Ｇｅｎｅｒａｔｏｒ）と呼ばれる。生成器は、本物のデータに似ているデータを生成する役割を果たす。もう１つのサブニューラルネットワークは、識別器（Ｄｉｓｃｒｉｍｉｎａｔｏｒ）と呼ばれる。この識別器は、敵又は鑑定器とも呼ばれる。識別器は、本物と偽物とを識別する役割を果たす。
　例えば、２つのサブニューラルネットワークは、ミニマックス法及びゼロ和ゲームに基づいて、共同で訓練される。この場合の評価関数として次の関数が用いられてもよい。
Figure JPOXMLDOC01-appb-M000003
　ここで、Ｄ（ｘ）は、識別器を表し、Ｇ（ｚ）は、生成器を表し、Ｐ（ｘ）は、入力分布を表し、Ｐ（ｚ）は、出力分布を表す。また、右辺の第１項（つまり、右辺の左の項）は、識別器が本物のデータを本物と識別する期待値に対応する。右辺の第２項（つまり、右辺の右の項）は、識別器が偽物のデータを偽物と識別する期待値に対応する。このような評価関数を最大化するＤが導出され、かつ、導出されたＤによって最大化された評価関数を最小化するＧが導出されることにより、識別器及び生成器が導出されてもよい。
　本実施の形態における画像処理装置は、ニューラルネットワークとして上記のような敵対的生成ネットワークを用いてもよい。具体的には、圧縮解除画像から原画像に近い画像を生成するサブニューラルネットワークである生成器と、原画像か、圧縮解除画像から生成された画像かを識別するサブニューラルネットワークである識別器とが用いられてもよい。
　また、本実施の形態における画像処理装置は、画像に関する情報の次元を圧縮し、圧縮された次元を復元するオートエンコーダ等のアーキテクチャをニューラルネットワークとして用いてもよい。
　［画像処理装置の具体例］
　図１は、本実施の形態における画像処理装置に含まれる後処理フィルタの構成を示すブロック図である。
　例えば、コーデックシステム２００は、原画像である入力画像に対して、コーデックを適用する。つまり、コーデックシステム２００は、入力画像に対して、圧縮及び圧縮解除を行う。そして、コーデックシステム２００は、入力画像に対する圧縮及び圧縮解除の結果である圧縮解除画像を出力する。コーデックシステム２００は、Ｈ．２６５／ＨＥＶＣのアーキテクチャを用いてもよいし、ＪＰＥＧのアーキテクチャを用いてもよい。
　あるいは、コーデックシステム２００は、ニューラルネットワーク等の機械学習に基づくアーキテクチャを用いてもよい。例えば、コーデックシステム２００は、オートエンコーダのアーキテクチャを用いてもよい。
　基本的に、コーデックシステム２００における損失のあるコーデックによって、圧縮解除画像は、入力画像よりも劣化する。
　そこで、後処理フィルタ３００は、圧縮解除画像を入力画像に近づけるための画像処理を行う。そして、後処理フィルタ３００は、画像処理が行われた圧縮解除画像を出力画像として出力する。
　具体的には、後処理フィルタ３００は、圧縮解除画像を原画像に近づけるための学習が行われたニューラルネットワークを有する。そして、後処理フィルタ３００は、ニューラルネットワークを用いて、圧縮解除画像を原画像に近づけるための画像処理を行う。また、後処理フィルタ３００が有するニューラルネットワークは、１つ以上の畳み込みブロックを含む。また、ニューラルネットワークは、１つ以上の残差ブロックを含む。
　図１の例において、ニューラルネットワークは、１つ以上の畳み込みブロック３１０を含み、１つ以上の畳み込みブロック３１０の後に１つ以上の残差ブロック３２０を含み、１つ以上の残差ブロック３２０の後に１つ以上の畳み込みブロック３３０を含む。また、ニューラルネットワークへ入力されるデータは、ニューラルネットワークから出力されるデータに加えられる。
　つまり、ニューラルネットワークへ入力されるデータから１つ以上の畳み込みブロック３１０、１つ以上の残差ブロック３２０、及び、１つ以上の畳み込みブロック３３０を介して得られる結果と、ニューラルネットワークへ入力されるデータとが合計される。そして、合計結果が、出力画像として、ニューラルネットワークから出力される。
　なお、ニューラルネットワークの構成は、図１に示された構成に限られない。１つ以上の畳み込みブロック、及び、１つ以上の残差ブロックがどのように構成されていてもよい。例えば、全ての畳み込みブロックのそれぞれが、いずれかの残差ブロックに含まれていてもよい。また、例えば、残差ブロックに含まれない畳み込みブロックが、複数の残差ブロックの間に挟まれて存在していてもよい。また、ニューラルネットワークの入力をニューラルネットワークの出力に繋げる残差接続は存在しなくてもよい。
　また、ニューラルネットワークモデルに含まれる１つ以上の畳み込みブロック及び１つ以上の残差ブロックで構成されるグループは、処理グループと表現される場合がある。図１の例において、１つ以上の畳み込みブロック３１０、１つ以上の残差ブロック３２０、及び、１つ以上の畳み込みブロック３３０は、処理グループを構成する。
　図２は、図１に示されたコーデックシステム２００の構成を示すブロック図である。例えば、コーデックシステム２００は、符号化装置２１０及び復号装置２２０を備える。また、後処理フィルタ３００は、画像処理装置１００に含まれる。
　符号化装置２１０は、画像符号化部２１１を備える。画像符号化部２１１は、入力画像を符号化することにより、入力画像に対して圧縮を行い、入力画像の圧縮結果である圧縮画像を符号化された画像として出力する。
　復号装置２２０は、画像復号部２２１を備える。画像復号部２２１は、符号化された画像を復号することにより、圧縮画像に対して圧縮解除を行い、圧縮画像の圧縮解除結果である圧縮解除画像を出力する。
　後処理フィルタ３００は、圧縮解除画像に対して、圧縮解除画像を入力画像に近づけるための画像処理を行う。そして、後処理フィルタ３００は、画像処理が行われた圧縮解除画像を出力画像として出力する。
　画像処理装置１００は、復号装置２２０又は画像復号部２２１を備えていてもよい。さらに、画像処理装置１００は、符号化装置２１０又は画像符号化部２１１を備えていてもよい。
　図３は、図１に示された１つ以上の畳み込みブロック３１０の接続構成を示すブロック図である。１つ以上の畳み込みブロック３１０は、畳み込みグループ４１０を構成する。図３には、畳み込みグループ４１０における２つの畳み込みブロック３１０が示されている。
　図３の例において、２つの畳み込みブロック３１０は、直列に接続される。つまり、畳み込みグループ４１０へ入力されるデータが１つの畳み込みブロック３１０（つまり、図３において左の畳み込みブロック３１０）に入力される。そして、１つの畳み込みブロック３１０から出力されるデータが他の畳み込みブロック３１０（つまり、図３において右の畳み込みブロック３１０）に入力される。そして、右の畳み込みブロック３１０から出力されるデータが畳み込みグループ４１０から出力される。
　ここでは、２つの畳み込みブロック３１０が直列に接続されているが、３つ以上の畳み込みブロック３１０が直列に接続されていてもよい。また、複数の畳み込みブロック３１０が並列に接続されてもよい。例えば、赤と緑と青とに対応する３つの畳み込みブロック３１０が並列に接続されてもよい。また、複数の畳み込みブロック３１０ではなく、１つの畳み込みブロック３１０のみが用いられてもよい。
　また、ここでは、１つ以上の畳み込みブロック３１０の接続構成が示されているが、１つ以上の畳み込みブロック３３０の接続構成も、１つ以上の畳み込みブロック３１０の接続構成と同様である。
　図４は、図１に示された１つ以上の残差ブロック３２０の接続構成を示すブロック図である。１つ以上の残差ブロック３２０は、残差グループ４２０を構成する。図４には、残差グループ４２０における２つの残差ブロック３２０が示されている。
　図４の例において、２つの残差ブロック３２０は、直列に接続される。つまり、残差グループ４２０へ入力されるデータが１つの残差ブロック３２０（つまり、図４において左の残差ブロック３２０）に入力される。そして、１つの残差ブロック３２０から出力されるデータが他の残差ブロック３２０（つまり、図４において右の残差ブロック３２０）に入力される。そして、右の残差ブロック３２０から出力されるデータが残差グループ４２０から出力される。
　ここでは、２つの残差ブロック３２０が直列に接続されているが、３つ以上の残差ブロック３２０が直列に接続されていてもよい。また、複数の残差ブロック３２０が並列に接続されてもよい。例えば、赤と緑と青とに対応する３つの残差ブロック３２０が並列に接続されてもよい。また、複数の残差ブロック３２０ではなく、１つの残差ブロック３２０のみが用いられてもよい。
　図５は、図１に示された畳み込みブロック３１０の構成を示すブロック図である。図５には、１つの畳み込みブロック３１０の構成が示されているが、他の畳み込みブロック３１０の構成も同様である。また、１つ以上の畳み込みブロック３３０のそれぞれの構成も同様である。
　図５の例において、畳み込みブロック３１０は、畳み込み層３１１、非線形活性化関数３１２、及び、正規化層３１３を含む。この例では、畳み込みブロック３１０に入力されたデータが、畳み込み層３１１、非線形活性化関数３１２、及び、正規化層３１３を介して、畳み込みブロック３１０から出力される。
　畳み込み層３１１は、畳み込みブロック３１０に入力されたデータに対して畳み込み演算を行って、畳み込み演算の結果を出力する処理層である。非線形活性化関数３１２は、畳み込み層３１１から出力されるデータを引数として用いて演算結果を出力する関数である。例えば、非線形活性化関数３１２は、バイアスに従って、非線形活性化関数３１２の出力を制御する。正規化層３１３は、データの偏りを抑制するため、非線形活性化関数３１２から出力されるデータを正規化し、正規化されたデータを出力する。
　図６は、図１に示された残差ブロック３２０の構成を示すブロック図である。図６には、１つの残差ブロック３２０の構成が示されているが、他の残差ブロック３２０の構成も同様である。
　図６の例において、残差ブロック３２０は、直列に接続された２つの畳み込みブロック５２０を含む。例えば、残差ブロック３２０へ入力されるデータが１つの畳み込みブロック５２０（つまり、図６において左の畳み込みブロック５２０）に入力される。そして、１つの畳み込みブロック５２０から出力されるデータが他の畳み込みブロック５２０（つまり、図６において右の畳み込みブロック５２０）に入力される。
　また、残差ブロック３２０へ入力されるデータが、右の畳み込みブロック５２０から出力されるデータに加えられて、残差ブロック３２０から出力される。つまり、残差ブロック３２０へ入力されるデータと、右の畳み込みブロック５２０から出力されるデータとが、合計されて残差ブロック３２０から出力される。
　ここでは、２つの畳み込みブロック５２０が直列に接続されているが、３つ以上の畳み込みブロック５２０が直列に接続されていてもよい。また、複数の畳み込みブロック５２０ではなく、１つの畳み込みブロック５２０のみが用いられてもよい。
　本実施の形態における画像処理装置１００は、畳み込みブロックを含み、かつ、残差ブロックを含むニューラルネットワークを用いて、圧縮解除画像を原画像に近づけるための画像処理を行う。すなわち、本実施の形態における画像処理装置１００は、残差接続を含む畳み込みニューラルネットワークを用いて、圧縮解除画像を原画像に近づけるための画像処理を行う。
　畳み込みニューラルネットワークにおける畳み込み演算は、画像の空間的な相関に基づいて、画像の特徴を適切に抽出することが可能であるため、画像処理に有効である。また、上述した残差接続によって、入力の情報と出力の情報との差に基づく適切な学習が可能であり、入力の情報を出力の情報に適切に反映させることが可能である。
　また、圧縮解除画像は、原画像の圧縮及び圧縮解除によって得られる画像である。圧縮解除画像を原画像に近づけるための学習において教師データとして用いられる原画像が容易に準備され得る。
　したがって、圧縮解除画像を原画像に近づけるための画像処理において、残差接続を含む畳み込みニューラルネットワークを適用することは有効である。画像処理装置１００は、残差接続を含む畳み込みニューラルネットワークを用いて、圧縮解除画像を原画像に近づけるための画像処理を行うことにより、圧縮解除画像の圧縮アーチファクトを削減し、圧縮解除画像の視覚的な画質を適切に改善することができる。
　なお、残差接続を含む畳み込みニューラルネットワークの例が示されているが、ニューラルネットワークにその他のアーキテクチャが適用されてもよい。
　例えば、リカレントニューラルネットワーク（Ｒｅｃｕｒｒｅｎｔ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）又はリカーシブニューラルネットワーク（Ｒｅｃｕｒｓｉｖｅ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）のように、フィードバック構造が適用されてもよい。具体的には、１つ以上の畳み込みブロックの出力が、その１つ以上の畳み込みブロックの入力に用いられてもよい。そして、残差接続が逆向きに用いられてもよい。
　図７は、図１に示された後処理フィルタ３００の機能要素を示すブロック図である。後処理フィルタ３００は、特徴抽出６１０、特徴変換６２０及び特徴調整６３０を機能要素として含む。
　具体的には、後処理フィルタ３００は、特徴抽出６１０において、圧縮解除画像から特徴を抽出する。例えば、この特徴は、複数の特徴ベクトルの組で表現され得る。
　また、後処理フィルタ３００は、特徴変換６２０において、抽出された特徴を変換する。例えば、後処理フィルタ３００は、圧縮解除画像から抽出された複数の特徴ベクトルを、原画像に対応する複数の特徴ベクトルに大まかに近づくように、変換する。
　そして、後処理フィルタ３００は、特徴調整６３０において、変換された特徴を調整する。例えば、後処理フィルタ３００は、圧縮解除画像の画質を上回るように、変換された複数の特徴ベクトルを調整する。これにより、後処理フィルタ３００は、画像を調整し、調整された画像を出力画像として出力する。
　［画像処理装置の実装例］
　図８は、画像処理装置１００の実装例を示すブロック図である。画像処理装置１００は、回路１１０及びメモリ１２０を備える。例えば、図２に示された画像処理装置１００に含まれ得る構成要素は、図８に示された回路１１０及びメモリ１２０によって実装される。
　回路１１０は、メモリ１２０にアクセス可能な電子回路であって、情報処理を行う。例えば、回路１１０は、メモリ１２０を用いて画像を処理する専用又は汎用の電子回路である。回路１１０は、ＣＰＵのようなプロセッサであってもよい。また、回路１１０は、複数の電子回路の集合体であってもよい。
　メモリ１２０は、回路１１０が画像を処理するための情報が記憶される専用又は汎用のメモリである。メモリ１２０は、電子回路であってもよく、回路１１０に接続されていてもよいし、回路１１０に含まれていてもよい。
　また、メモリ１２０は、複数の電子回路の集合体であってもよいし、複数のサブメモリで構成されていてもよい。また、メモリ１２０は、磁気ディスク又は光ディスク等であってもよいし、ストレージ又は記録媒体等と表現されてもよい。また、メモリ１２０は、不揮発性メモリでもよいし、揮発性メモリでもよい。
　また、メモリ１２０には、画像処理前の圧縮解除画像が記憶されてもよいし、画像処理後の圧縮解除画像が記憶されてもよい。また、メモリ１２０には、回路１１０が圧縮解除画像を処理するためのプログラムが記憶されていてもよい。また、メモリ１２０には、ニューラルネットワークモデルが記憶されていてもよい。例えば、メモリ１２０には、ニューラルネットワークモデルの複数のパラメータが記憶されていてもよい。
　図９は、図８に示された画像処理装置１００の動作例を示すフローチャートである。例えば、図８に示された画像処理装置１００は、図９に示された動作を行う。具体的には、画像処理装置１００における回路１１０は、メモリ１２０を用いて次の動作を行う。
　すなわち、回路１１０は、原画像に対する圧縮及び圧縮解除の結果である圧縮解除画像を原画像に近づけるための学習が行われたニューラルネットワークモデルを用いて、圧縮解除画像を原画像に近づける処理を行う（Ｓ１０１）。ここで、ニューラルネットワークモデルは、１つ以上の畳み込みブロックを含み、かつ、１つ以上の残差ブロックを含む。
　また、１つ以上の畳み込みブロックのそれぞれは、畳み込み層を含む処理ブロックである。また、１つ以上の残差ブロックのそれぞれは、１つ以上の畳み込みブロックのうちの少なくとも１つで構成される畳み込みグループを含む処理ブロックである。そして、１つ以上の残差ブロックのそれぞれは、その残差ブロックに入力されるデータをその残差ブロックに含まれる畳み込みグループに入力し、かつ、その残差ブロックに入力されるデータを畳み込みグループから出力されるデータに加える。
　これにより、画像処理装置１００は、圧縮解除画像を原画像に近づける処理に適したニューラルネットワークモデルを用いて、圧縮解除画像を適切に原画像に近づけることができる。
　例えば、１つ以上の畳み込みブロックは、２つ以上の畳み込みブロックであってもよい。これにより、画像処理装置１００は、高精度の学習及び推論が可能なニューラルネットワークモデルを用いて、圧縮解除画像を適切に原画像に近づけることができる。
　また、例えば、１つ以上の残差ブロックは、２つ以上の残差ブロックであってもよい。これにより、画像処理装置１００は、より高精度の学習及び推論が可能なニューラルネットワークモデルを用いて、圧縮解除画像を適切に原画像に近づけることができる。
　また、例えば、１つ以上の畳み込みブロックは、３つ以上の畳み込みブロックであってもよい。
　そして、１つ以上の残差ブロックは、残差グループを構成し、３つ以上の畳み込みブロックのうちの少なくとも１つの畳み込みブロックを含んでいてもよい。また、３つ以上の畳み込みブロックのうち残差グループに含まれない少なくとも１つの畳み込みブロックは、第１畳み込みグループを構成していてもよい。また、３つ以上の畳み込みブロックのうち残差グループにも第１畳み込みグループにも含まれない少なくとも１つの畳み込みブロックは、第２畳み込みグループを構成していてもよい。
　そして、第１畳み込みグループから出力されるデータは、残差グループに入力されてもよい。また、残差グループから出力されるデータは、第２畳み込みグループに入力されてもよい。
　これにより、画像処理装置１００は、画像の抽象化された特徴に対して、より高度な演算を適用することができる。したがって、効率的な処理が可能である。
　また、例えば、ニューラルネットワークモデルは、１つ以上の畳み込みブロック及び１つ以上の残差ブロックで構成される処理グループを含んでいてもよい。そして、ニューラルネットワークモデルに入力されるデータは、処理グループに入力され、かつ、ニューラルネットワークモデルに入力されるデータは、処理グループから出力されるデータに加えられて、ニューラルネットワークモデルから出力されてもよい。
　これにより、ニューラルネットワークモデルに入力されるデータが、ニューラルネットワークモデルから出力されるデータにシンプルに反映され得る。したがって、画像処理装置１００は、効率的な学習及び推論が可能なニューラルネットワークモデルを用いて、圧縮解除画像を適切に原画像に近づけることができる。
　また、例えば、１つ以上の残差ブロックのそれぞれに含まれる畳み込みグループは、２つ以上の畳み込みブロックのうちの少なくとも２つで構成されていてもよい。
　これにより、少なくとも２つ畳み込みブロックを含む畳み込みグループに入力されるデータが、畳み込みグループから出力されるデータにシンプルに反映され得る。したがって、少なくとも２つ畳み込みブロックにおける処理がまとめて効率化され得る。また、不必要な誤差（ノイズ）の増幅が適切に抑制される。
　また、例えば、圧縮解除画像を原画像に近づけるための学習は、複数の他の原画像、及び、その複数の他の原画像にそれぞれ対応する複数の他の圧縮解除画像を用いて行われてもよい。具体的には、これらを用いて、原画像に対応する圧縮解除画像がニューラルネットワークに入力された場合に、圧縮解除画像から原画像へ近づけられた画像がニューラルネットワークから出力されるように、ニューラルネットワークのパラメータが更新されてもよい。これにより、ニューラルネットワークのパラメータが適切に調整され得る。
　［補足］
　本実施の形態における画像処理装置１００は、画像を符号化する構成要素を含む符号化装置として利用されてもよいし、画像を復号する構成要素を含む復号装置として利用されてもよい。また、画像処理装置１００は、画像を符号化する構成要素、及び、画像を符復号する構成要素を含む符号化復号装置として利用されてもよい。
　また、画像処理装置１００は、動画像を構成する各画像を処理する動画像処理装置、動画像符号化装置、動画像復号装置、又は、動画像符号化復号装置として利用されてもよい。また、画像処理装置１００は、フィルタ装置として利用されてもよい。
　また、本実施の形態の少なくとも一部が、画像処理方法として利用されてもよいし、復号方法として利用されてもよいし、フィルタ方法として利用されてもよいし、その他の方法として利用されてもよい。
　また、上記の説明における処理グループ、畳み込みグループ及び残差グループは、それぞれ、処理ブロックセット、畳み込みブロックセット及び残差ブロックセットとも表現され得る。
　また、本実施の形態において、各構成要素は、専用のハードウェアで構成されるか、各構成要素に適したソフトウェアプログラムを実行することによって実現されてもよい。各構成要素は、ＣＰＵ又はプロセッサなどのプログラム実行部が、ハードディスク又は半導体メモリなどの記録媒体に記録されたソフトウェアプログラムを読み出して実行することによって実現されてもよい。
　具体的には、画像処理装置１００は、処理回路（Ｐｒｏｃｅｓｓｉｎｇ　Ｃｉｒｃｕｉｔｒｙ）と、当該処理回路に電気的に接続された、当該処理回路からアクセス可能な記憶装置（Ｓｔｏｒａｇｅ）とを備えていてもよい。例えば、処理回路は回路１１０に対応し、記憶装置はメモリ１２０に対応する。
　処理回路は、専用のハードウェア及びプログラム実行部の少なくとも一方を含み、記憶装置を用いて処理を実行する。また、記憶装置は、処理回路がプログラム実行部を含む場合には、当該プログラム実行部により実行されるソフトウェアプログラムを記憶する。
　ここで、本実施の形態の画像処理装置１００などを実現するソフトウェアは、次のようなプログラムである。
　すなわち、このプログラムは、コンピュータに、原画像に対する圧縮及び圧縮解除の結果である圧縮解除画像を前記原画像に近づけるための学習が行われたニューラルネットワークモデルを用いて、前記圧縮解除画像を前記原画像に近づける処理を行い、前記ニューラルネットワークモデルは、１つ以上の畳み込みブロックを含み、かつ、１つ以上の残差ブロックを含み、前記１つ以上の畳み込みブロックのそれぞれは、畳み込み層を含む処理ブロックであり、前記１つ以上の残差ブロックのそれぞれは、前記１つ以上の畳み込みブロックのうちの少なくとも１つで構成される畳み込みグループを含み、当該残差ブロックに入力されるデータを当該残差ブロックに含まれる前記畳み込みグループに入力し、かつ、当該残差ブロックに入力されるデータを前記畳み込みグループから出力されるデータに加える処理ブロックである画像処理方法を実行させてもよい。
　また、各構成要素は、上述の通り、回路であってもよい。これらの回路は、全体として１つの回路を構成してもよいし、それぞれ別々の回路であってもよい。また、各構成要素は、汎用的なプロセッサで実現されてもよいし、専用のプロセッサで実現されてもよい。
　また、特定の構成要素が実行する処理を別の構成要素が実行してもよい。また、処理を実行する順番が変更されてもよいし、複数の処理が並行して実行されてもよい。また、第１及び第２等の序数が、適宜、構成要素などに対して与えられてもよい。
　以上、画像処理装置１００の態様について、実施の形態に基づいて説明したが、画像処理装置１００の態様は、この実施の形態に限定されるものではない。本開示の趣旨を逸脱しない限り、当業者が思いつく各種変形を本実施の形態に施したものや、異なる実施の形態における構成要素を組み合わせて構築される形態も、画像処理装置１００の範囲内に含まれてもよい。
　本態様は、本開示における他の態様の少なくとも一部と組み合わせて実施されてもよい。また、本態様の一部の処理又は一部の構成などが、他の態様と組み合わせて実施されてもよい。
　（実施の形態２）
　以上の各実施の形態において、機能ブロックの各々は、通常、ＭＰＵ及びメモリ等によって実現可能である。また、機能ブロックの各々による処理は、通常、プロセッサなどのプログラム実行部が、ＲＯＭ等の記録媒体に記録されたソフトウェア（プログラム）を読み出して実行することで実現される。当該ソフトウェアはダウンロード等により配布されてもよいし、半導体メモリなどの記録媒体に記録して配布されてもよい。なお、各機能ブロックをハードウェア（専用回路）によって実現することも、当然、可能である。
　また、各実施の形態において説明した処理は、単一の装置（システム）を用いて集中処理することによって実現してもよく、又は、複数の装置を用いて分散処理することによって実現してもよい。また、上記プログラムを実行するプロセッサは、単数であってもよく、複数であってもよい。すなわち、集中処理を行ってもよく、又は分散処理を行ってもよい。
　本開示の態様は、以上の実施例に限定されることなく、種々の変更が可能であり、それらも本開示の態様の範囲内に包含される。
　さらにここで、上記各実施の形態で示した動画像符号化方法（画像符号化方法）又は動画像復号化方法（画像復号方法）の応用例とそれを用いたシステムを説明する。当該システムは、画像符号化方法を用いた画像符号化装置、画像復号方法を用いた画像復号装置、及び両方を備える画像符号化復号装置を有することを特徴とする。システムにおける他の構成について、場合に応じて適切に変更することができる。
　［使用例］
　図１０は、コンテンツ配信サービスを実現するコンテンツ供給システムｅｘ１００の全体構成を示す図である。通信サービスの提供エリアを所望の大きさに分割し、各セル内にそれぞれ固定無線局である基地局ｅｘ１０６、ｅｘ１０７、ｅｘ１０８、ｅｘ１０９、ｅｘ１１０が設置されている。
　このコンテンツ供給システムｅｘ１００では、インターネットｅｘ１０１に、インターネットサービスプロバイダｅｘ１０２又は通信網ｅｘ１０４、及び基地局ｅｘ１０６～ｅｘ１１０を介して、コンピュータｅｘ１１１、ゲーム機ｅｘ１１２、カメラｅｘ１１３、家電ｅｘ１１４、及びスマートフォンｅｘ１１５などの各機器が接続される。当該コンテンツ供給システムｅｘ１００は、上記のいずれかの要素を組合せて接続するようにしてもよい。固定無線局である基地局ｅｘ１０６～ｅｘ１１０を介さずに、各機器が電話網又は近距離無線等を介して直接的又は間接的に相互に接続されていてもよい。また、ストリーミングサーバｅｘ１０３は、インターネットｅｘ１０１等を介して、コンピュータｅｘ１１１、ゲーム機ｅｘ１１２、カメラｅｘ１１３、家電ｅｘ１１４、及びスマートフォンｅｘ１１５などの各機器と接続される。また、ストリーミングサーバｅｘ１０３は、衛星ｅｘ１１６を介して、飛行機ｅｘ１１７内のホットスポット内の端末等と接続される。
　なお、基地局ｅｘ１０６～ｅｘ１１０の代わりに、無線アクセスポイント又はホットスポット等が用いられてもよい。また、ストリーミングサーバｅｘ１０３は、インターネットｅｘ１０１又はインターネットサービスプロバイダｅｘ１０２を介さずに直接通信網ｅｘ１０４と接続されてもよいし、衛星ｅｘ１１６を介さず直接飛行機ｅｘ１１７と接続されてもよい。
　カメラｅｘ１１３はデジタルカメラ等の静止画撮影、及び動画撮影が可能な機器である。また、スマートフォンｅｘ１１５は、一般に２Ｇ、３Ｇ、３．９Ｇ、４Ｇ、そして今後は５Ｇと呼ばれる移動通信システムの方式に対応したスマートフォン機、携帯電話機、又はＰＨＳ（Ｐｅｒｓｏｎａｌ　Ｈａｎｄｙｐｈｏｎｅ　Ｓｙｓｔｅｍ）等である。
　家電ｅｘ１１８は、冷蔵庫、又は家庭用燃料電池コージェネレーションシステムに含まれる機器等である。
　コンテンツ供給システムｅｘ１００では、撮影機能を有する端末が基地局ｅｘ１０６等を通じてストリーミングサーバｅｘ１０３に接続されることで、ライブ配信等が可能になる。ライブ配信では、端末（コンピュータｅｘ１１１、ゲーム機ｅｘ１１２、カメラｅｘ１１３、家電ｅｘ１１４、スマートフォンｅｘ１１５、及び飛行機ｅｘ１１７内の端末等）は、ユーザが当該端末を用いて撮影した静止画又は動画コンテンツに対して上記各実施の形態で説明した符号化処理を行い、符号化により得られた映像データと、映像に対応する音を符号化した音データと多重化し、得られたデータをストリーミングサーバｅｘ１０３に送信する。即ち、各端末は、本開示の一態様に係る画像符号化装置として機能する。
　一方、ストリーミングサーバｅｘ１０３は要求のあったクライアントに対して送信されたコンテンツデータをストリーム配信する。クライアントは、上記符号化処理されたデータを復号化することが可能な、コンピュータｅｘ１１１、ゲーム機ｅｘ１１２、カメラｅｘ１１３、家電ｅｘ１１４、スマートフォンｅｘ１１５、又は飛行機ｅｘ１１７内の端末等である。配信されたデータを受信した各機器は、受信したデータを復号化処理して再生する。即ち、各機器は、本開示の一態様に係る画像復号装置として機能する。
　［分散処理］
　また、ストリーミングサーバｅｘ１０３は複数のサーバ又は複数のコンピュータであって、データを分散して処理したり記録したり配信するものであってもよい。例えば、ストリーミングサーバｅｘ１０３は、ＣＤＮ（Ｃｏｎｔｅｎｔｓ　Ｄｅｌｉｖｅｒｙ　Ｎｅｔｗｏｒｋ）により実現され、世界中に分散された多数のエッジサーバとエッジサーバ間をつなぐネットワークによりコンテンツ配信が実現されていてもよい。ＣＤＮでは、クライアントに応じて物理的に近いエッジサーバが動的に割り当てられる。そして、当該エッジサーバにコンテンツがキャッシュ及び配信されることで遅延を減らすことができる。また、何らかのエラーが発生した場合又はトラフィックの増加などにより通信状態が変わる場合に複数のエッジサーバで処理を分散したり、他のエッジサーバに配信主体を切り替えたり、障害が生じたネットワークの部分を迂回して配信を続けることができるので、高速かつ安定した配信が実現できる。
　また、配信自体の分散処理にとどまらず、撮影したデータの符号化処理を各端末で行ってもよいし、サーバ側で行ってもよいし、互いに分担して行ってもよい。一例として、一般に符号化処理では、処理ループが２度行われる。１度目のループでフレーム又はシーン単位での画像の複雑さ、又は、符号量が検出される。また、２度目のループでは画質を維持して符号化効率を向上させる処理が行われる。例えば、端末が１度目の符号化処理を行い、コンテンツを受け取ったサーバ側が２度目の符号化処理を行うことで、各端末での処理負荷を減らしつつもコンテンツの質と効率を向上させることができる。この場合、ほぼリアルタイムで受信して復号する要求があれば、端末が行った一度目の符号化済みデータを他の端末で受信して再生することもできるので、より柔軟なリアルタイム配信も可能になる。
　他の例として、カメラｅｘ１１３等は、画像から特徴量抽出を行い、特徴量に関するデータをメタデータとして圧縮してサーバに送信する。サーバは、例えば特徴量からオブジェクトの重要性を判断して量子化精度を切り替えるなど、画像の意味に応じた圧縮を行う。特徴量データはサーバでの再度の圧縮時の動きベクトル予測の精度及び効率向上に特に有効である。また、端末でＶＬＣ（可変長符号化）などの簡易的な符号化を行い、サーバでＣＡＢＡＣ（コンテキスト適応型二値算術符号化方式）など処理負荷の大きな符号化を行ってもよい。
　さらに他の例として、スタジアム、ショッピングモール、又は工場などにおいては、複数の端末によりほぼ同一のシーンが撮影された複数の映像データが存在する場合がある。この場合には、撮影を行った複数の端末と、必要に応じて撮影をしていない他の端末及びサーバを用いて、例えばＧＯＰ（Ｇｒｏｕｐ　ｏｆ　Ｐｉｃｔｕｒｅ）単位、ピクチャ単位、又はピクチャを分割したタイル単位などで符号化処理をそれぞれ割り当てて分散処理を行う。これにより、遅延を減らし、よりリアルタイム性を実現できる。
　また、複数の映像データはほぼ同一シーンであるため、各端末で撮影された映像データを互いに参照し合えるように、サーバで管理及び／又は指示をしてもよい。または、各端末からの符号化済みデータを、サーバが受信し複数のデータ間で参照関係を変更、又はピクチャ自体を補正或いは差し替えて符号化しなおしてもよい。これにより、一つ一つのデータの質と効率を高めたストリームを生成できる。
　また、サーバは、映像データの符号化方式を変更するトランスコードを行ったうえで映像データを配信してもよい。例えば、サーバは、ＭＰＥＧ系の符号化方式をＶＰ系に変換してもよいし、Ｈ．２６４をＨ．２６５に変換してもよい。
　このように、符号化処理は、端末、又は１以上のサーバにより行うことが可能である。よって、以下では、処理を行う主体として「サーバ」又は「端末」等の記載を用いるが、サーバで行われる処理の一部又は全てが端末で行われてもよいし、端末で行われる処理の一部又は全てがサーバで行われてもよい。また、これらに関しては、復号処理についても同様である。
　［３Ｄ、マルチアングル］
　近年では、互いにほぼ同期した複数のカメラｅｘ１１３及び／又はスマートフォンｅｘ１１５などの端末により撮影された異なるシーン、又は、同一シーンを異なるアングルから撮影した画像或いは映像を統合して利用することも増えてきている。各端末で撮影した映像は、別途取得した端末間の相対的な位置関係、又は、映像に含まれる特徴点が一致する領域などに基づいて統合される。
　サーバは、２次元の動画像を符号化するだけでなく、動画像のシーン解析などに基づいて自動的に、又は、ユーザが指定した時刻において、静止画を符号化し、受信端末に送信してもよい。サーバは、さらに、撮影端末間の相対的な位置関係を取得できる場合には、２次元の動画像だけでなく、同一シーンが異なるアングルから撮影された映像に基づき、当該シーンの３次元形状を生成できる。なお、サーバは、ポイントクラウドなどにより生成した３次元のデータを別途符号化してもよいし、３次元データを用いて人物又はオブジェクトを認識或いは追跡した結果に基づいて、受信端末に送信する映像を、複数の端末で撮影した映像から選択、又は、再構成して生成してもよい。
　このようにして、ユーザは、各撮影端末に対応する各映像を任意に選択してシーンを楽しむこともできるし、複数画像又は映像を用いて再構成された３次元データから任意視点の映像を切り出したコンテンツを楽しむこともできる。さらに、映像と同様に音も複数の相異なるアングルから収音され、サーバは、映像に合わせて特定のアングル又は空間からの音を映像と多重化して送信してもよい。
　また、近年ではＶｉｒｔｕａｌ　Ｒｅａｌｉｔｙ（ＶＲ）及びＡｕｇｍｅｎｔｅｄ　Ｒｅａｌｉｔｙ（ＡＲ）など、現実世界と仮想世界とを対応付けたコンテンツも普及してきている。ＶＲの画像の場合、サーバは、右目用及び左目用の視点画像をそれぞれ作成し、Ｍｕｌｔｉ－Ｖｉｅｗ　Ｃｏｄｉｎｇ（ＭＶＣ）などにより各視点映像間で参照を許容する符号化を行ってもよいし、互いに参照せずに別ストリームとして符号化してもよい。別ストリームの復号時には、ユーザの視点に応じて仮想的な３次元空間が再現されるように互いに同期させて再生するとよい。
　ＡＲの画像の場合には、サーバは、現実空間のカメラ情報に、仮想空間上の仮想物体情報を、３次元的位置又はユーザの視点の動きに基づいて重畳する。復号装置は、仮想物体情報及び３次元データを取得又は保持し、ユーザの視点の動きに応じて２次元画像を生成し、スムーズにつなげることで重畳データを作成してもよい。または、復号装置は仮想物体情報の依頼に加えてユーザの視点の動きをサーバに送信し、サーバは、サーバに保持される３次元データから受信した視点の動きに合わせて重畳データを作成し、重畳データを符号化して復号装置に配信してもよい。なお、重畳データは、ＲＧＢ以外に透過度を示すα値を有し、サーバは、３次元データから作成されたオブジェクト以外の部分のα値が０などに設定し、当該部分が透過する状態で、符号化してもよい。もしくは、サーバは、クロマキーのように所定の値のＲＧＢ値を背景に設定し、オブジェクト以外の部分は背景色にしたデータを生成してもよい。
　同様に配信されたデータの復号処理はクライアントである各端末で行っても、サーバ側で行ってもよいし、互いに分担して行ってもよい。一例として、ある端末が、一旦サーバに受信リクエストを送り、そのリクエストに応じたコンテンツを他の端末で受信し復号処理を行い、ディスプレイを有する装置に復号済みの信号が送信されてもよい。通信可能な端末自体の性能によらず処理を分散して適切なコンテンツを選択することで画質のよいデータを再生することができる。また、他の例として大きなサイズの画像データをＴＶ等で受信しつつ、鑑賞者の個人端末にピクチャが分割されたタイルなど一部の領域が復号されて表示されてもよい。これにより、全体像を共有化しつつ、自身の担当分野又はより詳細に確認したい領域を手元で確認することができる。
　また今後は、屋内外にかかわらず近距離、中距離、又は長距離の無線通信が複数使用可能な状況下で、ＭＰＥＧ－ＤＡＳＨなどの配信システム規格を利用して、接続中の通信に対して適切なデータを切り替えながらシームレスにコンテンツを受信することが予想される。これにより、ユーザは、自身の端末のみならず屋内外に設置されたディスプレイなどの復号装置又は表示装置を自由に選択しながらリアルタイムで切り替えられる。また、自身の位置情報などに基づいて、復号する端末及び表示する端末を切り替えながら復号を行うことができる。これにより、目的地への移動中に、表示可能なデバイスが埋め込まれた隣の建物の壁面又は地面の一部に地図情報を表示させながら移動することも可能になる。また、符号化データが受信端末から短時間でアクセスできるサーバにキャッシュされている、又は、コンテンツ・デリバリー・サービスにおけるエッジサーバにコピーされている、などの、ネットワーク上での符号化データへのアクセス容易性に基づいて、受信データのビットレートを切り替えることも可能である。
　［スケーラブル符号化］
　コンテンツの切り替えに関して、図１１に示す、上記各実施の形態で示した動画像符号化方法を応用して圧縮符号化されたスケーラブルなストリームを用いて説明する。サーバは、個別のストリームとして内容は同じで質の異なるストリームを複数有していても構わないが、図示するようにレイヤに分けて符号化を行うことで実現される時間的／空間的スケーラブルなストリームの特徴を活かして、コンテンツを切り替える構成であってもよい。つまり、復号側が性能という内的要因と通信帯域の状態などの外的要因とに応じてどのレイヤまで復号するかを決定することで、復号側は、低解像度のコンテンツと高解像度のコンテンツとを自由に切り替えて復号できる。例えば移動中にスマートフォンｅｘ１１５で視聴していた映像の続きを、帰宅後にインターネットＴＶ等の機器で視聴したい場合には、当該機器は、同じストリームを異なるレイヤまで復号すればよいので、サーバ側の負担を軽減できる。
　さらに、上記のように、レイヤ毎にピクチャが符号化されており、ベースレイヤの上位にエンハンスメントレイヤが存在するスケーラビリティを実現する構成以外に、エンハンスメントレイヤが画像の統計情報などに基づくメタ情報を含み、復号側が、メタ情報に基づきベースレイヤのピクチャを超解像することで高画質化したコンテンツを生成してもよい。超解像とは、同一解像度におけるＳＮ比の向上、及び、解像度の拡大のいずれであってもよい。メタ情報は、超解像処理に用いる線形或いは非線形のフィルタ係数を特定するため情報、又は、超解像処理に用いるフィルタ処理、機械学習或いは最小２乗演算におけるパラメータ値を特定する情報などを含む。
　または、画像内のオブジェクトなどの意味合いに応じてピクチャがタイル等に分割されており、復号側が、復号するタイルを選択することで一部の領域だけを復号する構成であってもよい。また、オブジェクトの属性（人物、車、ボールなど）と映像内の位置（同一画像における座標位置など）とをメタ情報として格納することで、復号側は、メタ情報に基づいて所望のオブジェクトの位置を特定し、そのオブジェクトを含むタイルを決定できる。例えば、図１２に示すように、メタ情報は、ＨＥＶＣにおけるＳＥＩメッセージなど画素データとは異なるデータ格納構造を用いて格納される。このメタ情報は、例えば、メインオブジェクトの位置、サイズ、又は色彩などを示す。
　また、ストリーム、シーケンス又はランダムアクセス単位など、複数のピクチャから構成される単位でメタ情報が格納されてもよい。これにより、復号側は、特定人物が映像内に出現する時刻などが取得でき、ピクチャ単位の情報と合わせることで、オブジェクトが存在するピクチャ、及び、ピクチャ内でのオブジェクトの位置を特定できる。
　［Ｗｅｂページの最適化］
　図１３は、コンピュータｅｘ１１１等におけるｗｅｂページの表示画面例を示す図である。図１４は、スマートフォンｅｘ１１５等におけるｗｅｂページの表示画面例を示す図である。図１３及び図１４に示すようにｗｅｂページが、画像コンテンツへのリンクであるリンク画像を複数含む場合があり、閲覧するデバイスによってその見え方は異なる。画面上に複数のリンク画像が見える場合には、ユーザが明示的にリンク画像を選択するまで、又は画面の中央付近にリンク画像が近付く或いはリンク画像の全体が画面内に入るまでは、表示装置（復号装置）は、リンク画像として各コンテンツが有する静止画又はＩピクチャを表示したり、複数の静止画又はＩピクチャ等でｇｉｆアニメのような映像を表示したり、ベースレイヤのみ受信して映像を復号及び表示したりする。
　ユーザによりリンク画像が選択された場合、表示装置は、ベースレイヤを最優先にして復号する。なお、ｗｅｂページを構成するＨＴＭＬにスケーラブルなコンテンツであることを示す情報があれば、表示装置は、エンハンスメントレイヤまで復号してもよい。また、リアルタイム性を担保するために、選択される前又は通信帯域が非常に厳しい場合には、表示装置は、前方参照のピクチャ（Ｉピクチャ、Ｐピクチャ、前方参照のみのＢピクチャ）のみを復号及び表示することで、先頭ピクチャの復号時刻と表示時刻との間の遅延（コンテンツの復号開始から表示開始までの遅延）を低減できる。また、表示装置は、ピクチャの参照関係を敢えて無視して全てのＢピクチャ及びＰピクチャを前方参照にして粗く復号し、時間が経ち受信したピクチャが増えるにつれて正常の復号を行ってもよい。
　［自動走行］
　また、車の自動走行又は走行支援のため２次元又は３次元の地図情報などの静止画又は映像データを送受信する場合、受信端末は、１以上のレイヤに属する画像データに加えて、メタ情報として天候又は工事の情報なども受信し、これらを対応付けて復号してもよい。なお、メタ情報は、レイヤに属してもよいし、単に画像データと多重化されてもよい。
　この場合、受信端末を含む車、ドローン又は飛行機などが移動するため、受信端末は、当該受信端末の位置情報を受信要求時に送信することで、基地局ｅｘ１０６～ｅｘ１１０を切り替えながらシームレスな受信及び復号を実現できる。また、受信端末は、ユーザの選択、ユーザの状況又は通信帯域の状態に応じて、メタ情報をどの程度受信するか、又は地図情報をどの程度更新していくかを動的に切り替えることが可能になる。
　以上のようにして、コンテンツ供給システムｅｘ１００では、ユーザが送信した符号化された情報をリアルタイムでクライアントが受信して復号し、再生することができる。
　［個人コンテンツの配信］
　また、コンテンツ供給システムｅｘ１００では、映像配信業者による高画質で長時間のコンテンツのみならず、個人による低画質で短時間のコンテンツのユニキャスト、又はマルチキャスト配信が可能である。また、このような個人のコンテンツは今後も増加していくと考えられる。個人コンテンツをより優れたコンテンツにするために、サーバは、編集処理を行ってから符号化処理を行ってもよい。これは例えば、以下のような構成で実現できる。
　撮影時にリアルタイム又は蓄積して撮影後に、サーバは、原画又は符号化済みデータから撮影エラー、シーン探索、意味の解析、及びオブジェクト検出などの認識処理を行う。そして、サーバは、認識結果に基いて手動又は自動で、ピントずれ又は手ブレなどを補正したり、明度が他のピクチャに比べて低い又は焦点が合っていないシーンなどの重要性の低いシーンを削除したり、オブジェクトのエッジを強調したり、色合いを変化させるなどの編集を行う。サーバは、編集結果に基いて編集後のデータを符号化する。また撮影時刻が長すぎると視聴率が下がることも知られており、サーバは、撮影時間に応じて特定の時間範囲内のコンテンツになるように上記のように重要性が低いシーンのみならず動きが少ないシーンなどを、画像処理結果に基き自動でクリップしてもよい。または、サーバは、シーンの意味解析の結果に基づいてダイジェストを生成して符号化してもよい。
　なお、個人コンテンツには、そのままでは著作権、著作者人格権、又は肖像権等の侵害となるものが写り込んでいるケースもあり、共有する範囲が意図した範囲を超えてしまうなど個人にとって不都合な場合もある。よって、例えば、サーバは、画面の周辺部の人の顔、又は家の中などを敢えて焦点が合わない画像に変更して符号化してもよい。また、サーバは、符号化対象画像内に、予め登録した人物とは異なる人物の顔が映っているかどうかを認識し、映っている場合には、顔の部分にモザイクをかけるなどの処理を行ってもよい。または、符号化の前処理又は後処理として、著作権などの観点からユーザが画像を加工したい人物又は背景領域を指定し、サーバは、指定された領域を別の映像に置き換える、又は焦点をぼかすなどの処理を行うことも可能である。人物であれば、動画像において人物をトラッキングしながら、顔の部分の映像を置き換えることができる。
　また、データ量の小さい個人コンテンツの視聴はリアルタイム性の要求が強いため、帯域幅にもよるが、復号装置は、まずベースレイヤを最優先で受信して復号及び再生を行う。復号装置は、この間にエンハンスメントレイヤを受信し、再生がループされる場合など２回以上再生される場合に、エンハンスメントレイヤも含めて高画質の映像を再生してもよい。このようにスケーラブルな符号化が行われているストリームであれば、未選択時又は見始めた段階では粗い動画だが、徐々にストリームがスマートになり画像がよくなるような体験を提供することができる。スケーラブル符号化以外にも、１回目に再生される粗いストリームと、１回目の動画を参照して符号化される２回目のストリームとが１つのストリームとして構成されていても同様の体験を提供できる。
　［その他の使用例］
　また、これらの符号化又は復号処理は、一般的に各端末が有するＬＳＩｅｘ５００において処理される。ＬＳＩｅｘ５００は、ワンチップであっても複数チップからなる構成であってもよい。なお、動画像符号化又は復号用のソフトウェアをコンピュータｅｘ１１１等で読み取り可能な何らかの記録メディア（ＣＤ－ＲＯＭ、フレキシブルディスク、又はハードディスクなど）に組み込み、そのソフトウェアを用いて符号化又は復号処理を行ってもよい。さらに、スマートフォンｅｘ１１５がカメラ付きである場合には、そのカメラで取得した動画データを送信してもよい。このときの動画データはスマートフォンｅｘ１１５が有するＬＳＩｅｘ５００で符号化処理されたデータである。
　なお、ＬＳＩｅｘ５００は、アプリケーションソフトをダウンロードしてアクティベートする構成であってもよい。この場合、端末は、まず、当該端末がコンテンツの符号化方式に対応しているか、又は、特定サービスの実行能力を有するかを判定する。端末がコンテンツの符号化方式に対応していない場合、又は、特定サービスの実行能力を有さない場合、端末は、コーデック又はアプリケーションソフトをダウンロードし、その後、コンテンツ取得及び再生する。
　また、インターネットｅｘ１０１を介したコンテンツ供給システムｅｘ１００に限らず、デジタル放送用システムにも上記各実施の形態の少なくとも動画像符号化装置（画像符号化装置）又は動画像復号化装置（画像復号装置）のいずれかを組み込むことができる。衛星などを利用して放送用の電波に映像と音が多重化された多重化データを載せて送受信するため、コンテンツ供給システムｅｘ１００のユニキャストがし易い構成に対してマルチキャスト向きであるという違いがあるが符号化処理及び復号処理に関しては同様の応用が可能である。
　［ハードウェア構成］
　図１５は、スマートフォンｅｘ１１５を示す図である。また、図１６は、スマートフォンｅｘ１１５の構成例を示す図である。スマートフォンｅｘ１１５は、基地局ｅｘ１１０との間で電波を送受信するためのアンテナｅｘ４５０と、映像及び静止画を撮ることが可能なカメラ部ｅｘ４６５と、カメラ部ｅｘ４６５で撮像した映像、及びアンテナｅｘ４５０で受信した映像等が復号されたデータを表示する表示部ｅｘ４５８とを備える。スマートフォンｅｘ１１５は、さらに、タッチパネル等である操作部ｅｘ４６６と、音声又は音響を出力するためのスピーカ等である音声出力部ｅｘ４５７と、音声を入力するためのマイク等である音声入力部ｅｘ４５６と、撮影した映像或いは静止画、録音した音声、受信した映像或いは静止画、メール等の符号化されたデータ、又は、復号化されたデータを保存可能なメモリ部ｅｘ４６７と、ユーザを特定し、ネットワークをはじめ各種データへのアクセスの認証をするためのＳＩＭｅｘ４６８とのインタフェース部であるスロット部ｅｘ４６４とを備える。なお、メモリ部ｅｘ４６７の代わりに外付けメモリが用いられてもよい。
　また、表示部ｅｘ４５８及び操作部ｅｘ４６６等を統括的に制御する主制御部ｅｘ４６０と、電源回路部ｅｘ４６１、操作入力制御部ｅｘ４６２、映像信号処理部ｅｘ４５５、カメラインタフェース部ｅｘ４６３、ディスプレイ制御部ｅｘ４５９、変調／復調部ｅｘ４５２、多重／分離部ｅｘ４５３、音声信号処理部ｅｘ４５４、スロット部ｅｘ４６４、及びメモリ部ｅｘ４６７とがバスｅｘ４７０を介して接続されている。
　電源回路部ｅｘ４６１は、ユーザの操作により電源キーがオン状態にされると、バッテリパックから各部に対して電力を供給することによりスマートフォンｅｘ１１５を動作可能な状態に起動する。
　スマートフォンｅｘ１１５は、ＣＰＵ、ＲＯＭ及びＲＡＭ等を有する主制御部ｅｘ４６０の制御に基づいて、通話及データ通信等の処理を行う。通話時は、音声入力部ｅｘ４５６で収音した音声信号を音声信号処理部ｅｘ４５４でデジタル音声信号に変換し、これを変調／復調部ｅｘ４５２でスペクトラム拡散処理し、送信／受信部ｅｘ４５１でデジタルアナログ変換処理及び周波数変換処理を施した後にアンテナｅｘ４５０を介して送信する。また受信データを増幅して周波数変換処理及びアナログデジタル変換処理を施し、変調／復調部ｅｘ４５２でスペクトラム逆拡散処理し、音声信号処理部ｅｘ４５４でアナログ音声信号に変換した後、これを音声出力部ｅｘ４５７から出力する。データ通信モード時は、本体部の操作部ｅｘ４６６等の操作によってテキスト、静止画、又は映像データが操作入力制御部ｅｘ４６２を介して主制御部ｅｘ４６０に送出され、同様に送受信処理が行われる。データ通信モード時に映像、静止画、又は映像と音声を送信する場合、映像信号処理部ｅｘ４５５は、メモリ部ｅｘ４６７に保存されている映像信号又はカメラ部ｅｘ４６５から入力された映像信号を上記各実施の形態で示した動画像符号化方法によって圧縮符号化し、符号化された映像データを多重／分離部ｅｘ４５３に送出する。また、音声信号処理部ｅｘ４５４は、映像又は静止画等をカメラ部ｅｘ４６５で撮像中に音声入力部ｅｘ４５６で収音した音声信号を符号化し、符号化された音声データを多重／分離部ｅｘ４５３に送出する。多重／分離部ｅｘ４５３は、符号化済み映像データと符号化済み音声データを所定の方式で多重化し、変調／復調部（変調／復調回路部）ｅｘ４５２、及び送信／受信部ｅｘ４５１で変調処理及び変換処理を施してアンテナｅｘ４５０を介して送信する。
　電子メール又はチャットに添付された映像、又はウェブページ等にリンクされた映像を受信した場合、アンテナｅｘ４５０を介して受信された多重化データを復号するために、多重／分離部ｅｘ４５３は、多重化データを分離することにより、多重化データを映像データのビットストリームと音声データのビットストリームとに分け、同期バスｅｘ４７０を介して符号化された映像データを映像信号処理部ｅｘ４５５に供給するとともに、符号化された音声データを音声信号処理部ｅｘ４５４に供給する。映像信号処理部ｅｘ４５５は、上記各実施の形態で示した動画像符号化方法に対応した動画像復号化方法によって映像信号を復号し、ディスプレイ制御部ｅｘ４５９を介して表示部ｅｘ４５８から、リンクされた動画像ファイルに含まれる映像又は静止画が表示される。また音声信号処理部ｅｘ４５４は、音声信号を復号し、音声出力部ｅｘ４５７から音声が出力される。なおリアルタイムストリーミングが普及しているため、ユーザの状況によっては音声の再生が社会的にふさわしくない場も起こりえる。そのため、初期値としては、音声信号は再生せず映像データのみを再生する構成の方が望ましい。ユーザが映像データをクリックするなど操作を行った場合にのみ音声を同期して再生してもよい。
　またここではスマートフォンｅｘ１１５を例に説明したが、端末としては符号化器及び復号化器を両方持つ送受信型端末の他に、符号化器のみを有する送信端末、及び、復号化器のみを有する受信端末という３通りの実装形式が考えられる。さらに、デジタル放送用システムにおいて、映像データに音声データなどが多重化された多重化データを受信又は送信するとして説明したが、多重化データには、音声データ以外に映像に関連する文字データなどが多重化されてもよいし、多重化データではなく映像データ自体が受信又は送信されてもよい。
　なお、ＣＰＵを含む主制御部ｅｘ４６０が符号化又は復号処理を制御するとして説明したが、端末はＧＰＵを備えることも多い。よって、ＣＰＵとＧＰＵで共通化されたメモリ、又は共通に使用できるようにアドレスが管理されているメモリにより、ＧＰＵの性能を活かして広い領域を一括して処理する構成でもよい。これにより符号化時間を短縮でき、リアルタイム性を確保し、低遅延を実現できる。特に動き探索、デブロックフィルタ、ＳＡＯ（Ｓａｍｐｌｅ　Ａｄａｐｔｉｖｅ　Ｏｆｆｓｅｔ）、及び変換・量子化の処理を、ＣＰＵではなく、ＧＰＵでピクチャなどの単位で一括して行うと効率的である。
　本開示は、例えば、テレビジョン受像機、デジタルビデオレコーダー、カーナビゲーション、携帯電話、デジタルカメラ、デジタルビデオカメラ、テレビ会議システム、又は、電子ミラー等に利用可能である。
　　１００　画像処理装置
　　１１０　回路
　　１２０　メモリ
　　２００　コーデックシステム
　　２１０　符号化装置
　　２１１　画像符号化部
　　２２０　復号装置
　　２２１　画像復号部
　　３００　後処理フィルタ
　　３１０、３３０、５２０　畳み込みブロック
　　３１１　畳み込み層
　　３１２　非線形活性化関数
　　３１３　正規化層
　　３２０　残差ブロック
　　４１０　畳み込みグループ
　　４２０　残差グループ
　　６１０　特徴抽出
　　６２０　特徴変換
　　６３０　特徴調整

Claims (7)

  1. 　メモリと、
    　前記メモリにアクセス可能な回路とを備え、
    　前記メモリにアクセス可能な前記回路は、原画像に対する圧縮及び圧縮解除の結果である圧縮解除画像を前記原画像に近づけるための学習が行われたニューラルネットワークモデルを用いて、前記圧縮解除画像を前記原画像に近づける処理を行い、
    　前記ニューラルネットワークモデルは、１つ以上の畳み込みブロックを含み、かつ、１つ以上の残差ブロックを含み、
    　前記１つ以上の畳み込みブロックのそれぞれは、畳み込み層を含む処理ブロックであり、
    　前記１つ以上の残差ブロックのそれぞれは、前記１つ以上の畳み込みブロックのうちの少なくとも１つで構成される畳み込みグループを含み、当該残差ブロックに入力されるデータを当該残差ブロックに含まれる前記畳み込みグループに入力し、かつ、当該残差ブロックに入力されるデータを前記畳み込みグループから出力されるデータに加える処理ブロックである
    　画像処理装置。
  2. 　前記１つ以上の畳み込みブロックは、２つ以上の畳み込みブロックである
    　請求項１に記載の画像処理装置。
  3. 　前記１つ以上の残差ブロックは、２つ以上の残差ブロックである
    　請求項２に記載の画像処理装置。
  4. 　前記１つ以上の畳み込みブロックは、３つ以上の畳み込みブロックであり、
    　前記１つ以上の残差ブロックは、残差グループを構成し、前記３つ以上の畳み込みブロックのうちの少なくとも１つの畳み込みブロックを含み、
    　前記３つ以上の畳み込みブロックのうち前記残差グループに含まれない少なくとも１つの畳み込みブロックは、第１畳み込みグループを構成し、
    　前記３つ以上の畳み込みブロックのうち前記残差グループにも前記第１畳み込みグループにも含まれない少なくとも１つの畳み込みブロックは、第２畳み込みグループを構成し、
    　前記第１畳み込みグループから出力されるデータは、前記残差グループに入力され、
    　前記残差グループから出力されるデータは、前記第２畳み込みグループに入力される
    　請求項１～３のいずれか１項に記載の画像処理装置。
  5. 　前記ニューラルネットワークモデルは、前記１つ以上の畳み込みブロック及び前記１つ以上の残差ブロックで構成される処理グループを含み、
    　前記ニューラルネットワークモデルに入力されるデータは、前記処理グループに入力され、かつ、前記ニューラルネットワークモデルに入力されるデータは、前記処理グループから出力されるデータに加えられて、前記ニューラルネットワークモデルから出力される
    　請求項１～４のいずれか１項に記載の画像処理装置。
  6. 　前記１つ以上の残差ブロックのそれぞれに含まれる前記畳み込みグループは、前記２つ以上の畳み込みブロックのうちの少なくとも２つで構成される
    　請求項２に記載の画像処理装置。
  7. 　原画像に対する圧縮及び圧縮解除の結果である圧縮解除画像を前記原画像に近づけるための学習が行われたニューラルネットワークモデルを用いて、前記圧縮解除画像を前記原画像に近づける処理を行い、
    　前記ニューラルネットワークモデルは、１つ以上の畳み込みブロックを含み、かつ、１つ以上の残差ブロックを含み、
    　前記１つ以上の畳み込みブロックのそれぞれは、畳み込み層を含む処理ブロックであり、
    　前記１つ以上の残差ブロックのそれぞれは、前記１つ以上の畳み込みブロックのうちの少なくとも１つで構成される畳み込みグループを含み、当該残差ブロックに入力されるデータを当該残差ブロックに含まれる前記畳み込みグループに入力し、かつ、当該残差ブロックに入力されるデータを前記畳み込みグループから出力されるデータに加える処理ブロックである
    　画像処理方法。
PCT/JP2018/040999 2017-11-08 2018-11-05 画像処理装置及び画像処理方法 WO2019093268A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201880071077.4A CN111295884B (zh) 2017-11-08 2018-11-05 图像处理装置及图像处理方法
US16/866,954 US11057646B2 (en) 2017-11-08 2020-05-05 Image processor and image processing method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201762583148P 2017-11-08 2017-11-08
US62/583,148 2017-11-08

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US16/866,954 Continuation US11057646B2 (en) 2017-11-08 2020-05-05 Image processor and image processing method

Publications (1)

Publication Number Publication Date
WO2019093268A1 true WO2019093268A1 (ja) 2019-05-16

Family

ID=66437765

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/040999 WO2019093268A1 (ja) 2017-11-08 2018-11-05 画像処理装置及び画像処理方法

Country Status (3)

Country Link
US (1) US11057646B2 (ja)
CN (1) CN111295884B (ja)
WO (1) WO2019093268A1 (ja)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019208677A1 (ja) * 2018-04-27 2019-10-31 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
JP2019213156A (ja) * 2018-06-08 2019-12-12 日本放送協会 画像復元装置、学習装置及びプログラム
US11418676B2 (en) 2020-03-25 2022-08-16 Toshiba Tec Kabushiki Kaisha Image forming apparatus with cloud processing and control method therefor
US20230362042A1 (en) * 2020-03-12 2023-11-09 Nokia Solutions And Networks Oy Radio Receiver
JP7406654B2 (ja) 2020-04-20 2023-12-27 コンチネンタル・オートナマス・モビリティ・ジャーマニー・ゲゼルシャフト・ミト・ベシュレンクテル・ハフツング 実際の場所の仮想環境復元を作成するための方法
JP7446797B2 (ja) 2019-12-03 2024-03-11 キヤノン株式会社 画像処理装置、撮像装置、画像処理方法およびプログラム

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110933429B (zh) * 2019-11-13 2021-11-12 南京邮电大学 基于深度神经网络的视频压缩感知与重构方法和装置
CN111931770B (zh) * 2020-09-16 2021-02-12 腾讯科技（深圳）有限公司 图像处理方法、装置、设备及存储介质
CN112348743B (zh) * 2020-11-06 2023-01-31 天津大学 一种融合判别式网络和生成式网络的图像超分辨率方法
CN112560760B (zh) * 2020-12-24 2023-03-10 上海交通大学 一种注意力辅助的无监督视频摘要系统
CN112509071B (zh) * 2021-01-29 2021-04-30 电子科技大学 一种亮度信息辅助的色度信息压缩重建方法
JP2022174948A (ja) * 2021-05-12 2022-11-25 横河電機株式会社 装置、監視システム、方法およびプログラム
WO2023137710A1 (zh) * 2022-01-21 2023-07-27 深圳市大疆创新科技有限公司 神经网络的训练方法、图像处理方法、装置、系统及介质
CN114598886B (zh) * 2022-05-09 2022-09-13 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种图像编码的方法、解码的方法及相关装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05191796A (ja) * 1992-01-10 1993-07-30 Sharp Corp ブロック歪補正器
WO2017178827A1 (en) * 2016-04-15 2017-10-19 Magic Pony Technology Limited In-loop post filtering for video encoding and decoding

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11221990B2 (en) * 2015-04-03 2022-01-11 The Mitre Corporation Ultra-high compression of images based on deep learning
ES2853700T3 (es) * 2016-04-15 2021-09-17 Magic Pony Tech Limited Compensación de movimiento utilizando interpolación de imagen temporal
EP3298782B1 (en) * 2016-04-15 2022-12-21 Pony Technology Limited Magic Motion compensation using machine learning
CN106683067B (zh) * 2017-01-20 2020-06-23 福建帝视信息科技有限公司 一种基于残差子图像的深度学习超分辨率重建方法
CN106874898B (zh) * 2017-04-08 2021-03-30 复旦大学 基于深度卷积神经网络模型的大规模人脸识别方法
US10721471B2 (en) * 2017-10-26 2020-07-21 Intel Corporation Deep learning based quantization parameter estimation for video encoding

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05191796A (ja) * 1992-01-10 1993-07-30 Sharp Corp ブロック歪補正器
WO2017178827A1 (en) * 2016-04-15 2017-10-19 Magic Pony Technology Limited In-loop post filtering for video encoding and decoding

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HE, KAIMING ET AL.: "Deep Residual Learning for Image Recognition", COMPUTER VISION AND PATTERN RECOGNITION 2016, 30 June 2016 (2016-06-30), pages 770 - 778, XP055536240, DOI: doi:10.1109/CVPR.2016.90 *
TAI, YING ET AL.: "Image Super-Resolution via Deep Recursive Residual Network", COMPUTER VISION AND PATTERN RECOGNITION WORKSHOPS 2017, 26 July 2017 (2017-07-26), pages 3147 - 3155, XP033249624 *
WANG, YINGBIN ET AL.: "AHG9: Dense Residual Convolutional Neural Network based In-Loop Filter", JOINT VIDEO EXPERTS TEAM (JVET) 11TH MEETING, 10 July 2018 (2018-07-10), Ljubljana *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019208677A1 (ja) * 2018-04-27 2019-10-31 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
JP2019213156A (ja) * 2018-06-08 2019-12-12 日本放送協会 画像復元装置、学習装置及びプログラム
JP7071880B2 (ja) 2018-06-08 2022-05-19 日本放送協会 画像復元装置、学習装置及びプログラム
JP7446797B2 (ja) 2019-12-03 2024-03-11 キヤノン株式会社 画像処理装置、撮像装置、画像処理方法およびプログラム
US20230362042A1 (en) * 2020-03-12 2023-11-09 Nokia Solutions And Networks Oy Radio Receiver
US11418676B2 (en) 2020-03-25 2022-08-16 Toshiba Tec Kabushiki Kaisha Image forming apparatus with cloud processing and control method therefor
JP7406654B2 (ja) 2020-04-20 2023-12-27 コンチネンタル・オートナマス・モビリティ・ジャーマニー・ゲゼルシャフト・ミト・ベシュレンクテル・ハフツング 実際の場所の仮想環境復元を作成するための方法

Also Published As

Publication number Publication date
CN111295884B (zh) 2022-08-16
US11057646B2 (en) 2021-07-06
US20200267416A1 (en) 2020-08-20
CN111295884A (zh) 2020-06-16

Similar Documents

Publication Publication Date Title
CN111295884B (zh) 图像处理装置及图像处理方法
WO2017164297A1 (ja) 信号依存型適応量子化を用いて動画像を符号化及び復号するための方法及び装置
WO2019093234A1 (ja) 符号化装置、復号装置、符号化方法及び復号方法
WO2019208677A1 (ja) 符号化装置、復号装置、符号化方法および復号方法
WO2018212110A1 (ja) 符号化装置、復号装置、符号化方法及び復号方法
CN114979647A (zh) 编码装置及解码装置
WO2018021374A1 (ja) 符号化装置、復号装置、符号化方法及び復号方法
WO2018101288A1 (ja) 符号化装置、符号化方法、復号装置および復号方法
WO2019065444A1 (ja) 符号化装置、復号装置、符号化方法及び復号方法
JP7373597B2 (ja) 画像復号装置
WO2019208372A1 (ja) 符号化装置、復号装置、符号化方法及び復号方法
WO2018097115A1 (ja) 符号化装置、復号装置、符号化方法及び復号方法
WO2019013235A1 (ja) 符号化装置、符号化方法、復号装置及び復号方法
WO2019221103A1 (ja) 符号化装置、復号装置、符号化方法及び復号方法
WO2019013236A1 (ja) 符号化装置、符号化方法、復号装置及び復号方法
JP2017103744A (ja) 画像復号方法、画像符号化方法、画像復号装置、画像符号化装置、及び画像符号化復号装置
WO2019009129A1 (ja) 符号化装置、復号装置、符号化方法及び復号方法
JP2022093625A (ja) 符号化装置、復号装置、符号化方法、及び復号方法
WO2019009314A1 (ja) 符号化装置、復号装置、符号化方法および復号方法
WO2018021373A1 (ja) 符号化装置、復号装置、符号化方法及び復号方法
JPWO2018074291A1 (ja) 画像符号化方法、伝送方法および画像符号化装置
JP7403128B2 (ja) 符号化装置、復号装置、符号化方法、および復号方法
JPWO2020004593A1 (ja) データ生成装置およびデータ生成方法
WO2022050166A1 (ja) 再生装置、送信装置、再生方法、及び、送信方法
WO2019069902A1 (ja) 符号化装置、復号装置、符号化方法および復号方法

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: 18876454

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: 18876454

Country of ref document: EP

Kind code of ref document: A1