WO2023158127A1 - 트랜스포머 기반 인루프 필터를 이용하는 비디오 코딩을 위한 방법 및 장치 - Google Patents

트랜스포머 기반 인루프 필터를 이용하는 비디오 코딩을 위한 방법 및 장치 Download PDF

Info

Publication number
WO2023158127A1
WO2023158127A1 PCT/KR2023/001180 KR2023001180W WO2023158127A1 WO 2023158127 A1 WO2023158127 A1 WO 2023158127A1 KR 2023001180 W KR2023001180 W KR 2023001180W WO 2023158127 A1 WO2023158127 A1 WO 2023158127A1
Authority
WO
WIPO (PCT)
Prior art keywords
attention
input
transformer
block
frame
Prior art date
Application number
PCT/KR2023/001180
Other languages
English (en)
French (fr)
Inventor
강제원
허진
박승욱
Original Assignee
현대자동차주식회사
기아 주식회사
이화여자대학교 산학협력단
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
Priority claimed from KR1020230007352A external-priority patent/KR20230125733A/ko
Application filed by 현대자동차주식회사, 기아 주식회사, 이화여자대학교 산학협력단 filed Critical 현대자동차주식회사
Publication of WO2023158127A1 publication Critical patent/WO2023158127A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/103—Selection of coding mode or of prediction mode
    • H04N19/105—Selection of the reference unit for prediction within a chosen coding or prediction mode, e.g. adaptive choice of position and number of pixels used for prediction
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/117—Filters, e.g. for pre-processing or post-processing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
    • H04N19/17—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object
    • H04N19/176—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object the region being a block, e.g. a macroblock
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
    • H04N19/503—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving temporal prediction
    • H04N19/51—Motion estimation or motion compensation
    • H04N19/513—Processing of motion vectors
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/80—Details of filtering operations specially adapted for video compression, e.g. for pixel interpolation
    • H04N19/82—Details of filtering operations specially adapted for video compression, e.g. for pixel interpolation involving filtering within a prediction loop

Definitions

  • the present disclosure relates to a video coding method and apparatus using a transformer-based in-loop filter.
  • video data Since video data has a large amount of data compared to audio data or still image data, it requires a lot of hardware resources including memory to store or transmit itself without processing for compression.
  • an encoder when video data is stored or transmitted, an encoder is used to compress and store or transmit the video data, and a decoder receives, decompresses, and reproduces the compressed video data.
  • video compression technologies include H.264/AVC, High Efficiency Video Coding (HEVC), and Versatile Video Coding (VVC), which has improved coding efficiency by about 30% or more compared to HEVC.
  • the present disclosure applies a current video block to an attention module of a transformer, which is a deep learning model, and uses a transformer-based in-loop filter according to the video block.
  • the purpose is to provide a coding method and device.
  • a method of improving the quality of a reconstructed frame performed by an image decoding apparatus obtaining an input area having a predetermined size from the reconstructed frame, wherein the reconstructed frame , a frame obtained by restoring an original frame, which is previously restored by the video decoding apparatus; and generating an improved video region approximating the original frame by inputting the input region to a deep learning-based inloop filter, wherein the inloop filter is K (where K is a natural number) consecutively.
  • the step of generating the improved video region converts the input image into final output characteristics based on an attention operation using the transformer blocks.
  • a method for improving the quality of a reconstructed frame which is performed by an image encoding apparatus, obtaining an input area having a predetermined size from the reconstructed frame, wherein, the reconstructed frame is a frame obtained by restoring an original frame, and is previously restored by the video encoding device; and generating an improved video region approximating the original frame by inputting the input region to a deep learning-based inloop filter, wherein the inloop filter is K (where K is a natural number) consecutively.
  • the step of generating the improved video region converts the input image into final output characteristics based on an attention operation using the transformer blocks.
  • a computer-readable recording medium storing a bitstream generated by an image encoding method, the image encoding method comprising the steps of obtaining an input area of a predetermined size from a restored frame, where:
  • the restored frame is a frame obtained by restoring an original frame, and is previously restored by the video encoding device; and generating an improved video region approximating the original frame by inputting the input region to a deep learning-based inloop filter, wherein the inloop filter is K (where K is a natural number) consecutively.
  • the step of generating the improved video region converts the input image into final output characteristics based on an attention operation using the transformer blocks.
  • the video encoding efficiency is improved by applying the current video block to the attention module of the transformer, which is a deep learning model, and providing a video coding method and apparatus using the transformer-based in-loop filter according to the current video block. This has the effect of making it possible to improve the video quality.
  • FIG. 1 is an exemplary block diagram of an image encoding apparatus capable of implementing the techniques of this disclosure.
  • FIG. 2 is a diagram for explaining a method of dividing a block using a QTBTTT structure.
  • 3A and 3B are diagrams illustrating a plurality of intra prediction modes including wide-angle intra prediction modes.
  • FIG. 4 is an exemplary diagram of neighboring blocks of a current block.
  • FIG. 5 is an exemplary block diagram of a video decoding apparatus capable of implementing the techniques of this disclosure.
  • FIG. 6 is an exemplary diagram illustrating an operation of a convolution layer.
  • FIG. 7 is an exemplary diagram illustrating a Single Image Super Resolution (SISR) network.
  • SISR Single Image Super Resolution
  • FIG. 8 is an exemplary diagram illustrating a residual block used for SISR.
  • CNN convolutional neural network
  • 10A and 10B are exemplary diagrams illustrating self attention of a vector.
  • 11A and 11B are exemplary diagrams illustrating self-attention of a matrix.
  • 12 is an exemplary diagram illustrating multi-head attention.
  • FIG. 13 is an exemplary view showing the structure of a transformer
  • FIG. 14 is an exemplary diagram illustrating input pre-processing of a vision transformer.
  • 15 is an exemplary diagram illustrating application of an attention process to a current video block according to an embodiment of the present disclosure.
  • 16 is an exemplary diagram illustrating an integrated area according to an embodiment of the present disclosure.
  • 17 is an exemplary diagram illustrating a case in which the attribution score is not continuously repeated according to an embodiment of the present disclosure.
  • FIG. 18 is an exemplary diagram illustrating a transformer-based in-loop filter according to an embodiment of the present disclosure.
  • 19A and 19B are exemplary diagrams illustrating a transformer block according to an embodiment of the present disclosure.
  • 20 is a flowchart illustrating a method of improving image quality according to an embodiment of the present disclosure.
  • 21 is a flowchart illustrating a method of improving image quality according to another embodiment of the present disclosure.
  • FIG. 1 is an exemplary block diagram of an image encoding apparatus capable of implementing the techniques of this disclosure.
  • an image encoding device and sub-components of the device will be described.
  • the image encoding apparatus includes a picture division unit 110, a prediction unit 120, a subtractor 130, a transform unit 140, a quantization unit 145, a rearrangement unit 150, an entropy encoding unit 155, and an inverse quantization unit. 160, an inverse transform unit 165, an adder 170, a loop filter unit 180, and a memory 190.
  • Each component of the image encoding device may be implemented as hardware or software, or as a combination of hardware and software. Also, the function of each component may be implemented as software, and the microprocessor may be implemented to execute the software function corresponding to each component.
  • One image is composed of one or more sequences including a plurality of pictures.
  • Each picture is divided into a plurality of areas and encoding is performed for each area.
  • one picture is divided into one or more tiles or/and slices.
  • one or more tiles may be defined as a tile group.
  • Each tile or/slice is divided into one or more Coding Tree Units (CTUs).
  • CTUs Coding Tree Units
  • each CTU is divided into one or more CUs (Coding Units) by a tree structure.
  • Information applied to each CU is coded as a CU syntax, and information commonly applied to CUs included in one CTU is coded as a CTU syntax.
  • information commonly applied to all blocks in one slice is coded as syntax of a slice header
  • information applied to all blocks constituting one or more pictures is a picture parameter set (PPS) or picture coded in the header.
  • PPS picture parameter set
  • information commonly referred to by a plurality of pictures is coded into a Sequence Parameter Set (SPS).
  • SPS Sequence Parameter Set
  • VPS video parameter set
  • information commonly applied to one tile or tile group may be encoded as syntax of a tile or tile group header. Syntax included in the SPS, PPS, slice header, tile or tile group header may be referred to as high level syntax.
  • the picture divider 110 determines the size of a coding tree unit (CTU).
  • CTU size Information on the size of the CTU (CTU size) is encoded as SPS or PPS syntax and transmitted to the video decoding apparatus.
  • the picture division unit 110 divides each picture constituting an image into a plurality of Coding Tree Units (CTUs) having a predetermined size, and then iteratively divides the CTUs using a tree structure. Divide (recursively). A leaf node in the tree structure becomes a coding unit (CU), which is a basic unit of encoding.
  • CTUs Coding Tree Units
  • a quad tree in which a parent node (or parent node) is divided into four subnodes (or child nodes) of the same size
  • a binary tree in which a parent node is divided into two subnodes , BT
  • a TernaryTree in which a parent node is split into three subnodes at a ratio of 1:2:1, or a structure in which two or more of these QT structures, BT structures, and TT structures are mixed.
  • QuadTree plus BinaryTree (QTBT) structure may be used, or a QuadTree plus BinaryTree TernaryTree (QTBTTT) structure may be used.
  • QTBTTT QuadTree plus BinaryTree TernaryTree
  • BTTT may be combined to be referred to as MTT (Multiple-Type Tree).
  • FIG. 2 is a diagram for explaining a method of dividing a block using a QTBTTT structure.
  • the CTU may first be divided into QT structures. Quadtree splitting can be repeated until the size of the splitting block reaches the minimum block size (MinQTSize) of leaf nodes allowed by QT.
  • a first flag (QT_split_flag) indicating whether each node of the QT structure is split into four nodes of a lower layer is encoded by the entropy encoder 155 and signaled to the video decoding device. If the leaf node of QT is not larger than the maximum block size (MaxBTSize) of the root node allowed in BT, it may be further divided into either a BT structure or a TT structure. A plurality of division directions may exist in the BT structure and/or the TT structure.
  • a second flag indicating whether nodes are split, and if split, a flag indicating additional split direction (vertical or horizontal) and/or split type (Binary or Ternary) is encoded by the entropy encoding unit 155 and signaled to the video decoding apparatus.
  • a CU split flag (split_cu_flag) indicating whether the node is split is coded. It could be.
  • the value of the CU split flag indicates that it is not split, the block of the corresponding node becomes a leaf node in the split tree structure and becomes a coding unit (CU), which is a basic unit of encoding.
  • the value of the CU split flag indicates splitting, the video encoding apparatus starts encoding from the first flag in the above-described manner.
  • the block of the corresponding node is divided into two blocks of the same size horizontally (i.e., symmetric horizontal splitting) and the type that splits vertically (i.e., symmetric vertical splitting).
  • Branches may exist.
  • a split flag (split_flag) indicating whether each node of the BT structure is split into blocks of a lower layer and split type information indicating a split type are encoded by the entropy encoder 155 and transmitted to the video decoding device.
  • split_flag split flag
  • a type in which a block of a corresponding node is divided into two blocks having an asymmetric shape may additionally exist.
  • the asymmetric form may include a form in which the block of the corresponding node is divided into two rectangular blocks having a size ratio of 1:3, or a form in which the block of the corresponding node is divided in a diagonal direction may be included.
  • a CU can have various sizes depending on the QTBT or QTBTTT split from the CTU.
  • a block corresponding to a CU to be encoded or decoded ie, a leaf node of QTBTTT
  • a 'current block' a block corresponding to a CU to be encoded or decoded
  • the shape of the current block may be rectangular as well as square.
  • the prediction unit 120 predicts a current block and generates a prediction block.
  • the prediction unit 120 includes an intra prediction unit 122 and an inter prediction unit 124 .
  • each current block in a picture can be coded predictively.
  • prediction of a current block uses an intra-prediction technique (using data from a picture containing the current block) or an inter-prediction technique (using data from a picture coded before the picture containing the current block). can be performed
  • Inter prediction includes both uni-prediction and bi-prediction.
  • the intra predictor 122 predicts pixels in the current block using pixels (reference pixels) located around the current block in the current picture including the current block.
  • a plurality of intra prediction modes exist according to the prediction direction.
  • the plurality of intra prediction modes may include two non-directional modes including a planar mode and a DC mode and 65 directional modes.
  • the neighboring pixels to be used and the arithmetic expression are defined differently.
  • directional modes For efficient directional prediction of the rectangular current block, directional modes (numbers 67 to 80 and -1 to -14 intra prediction modes) indicated by dotted arrows in FIG. 3B may be additionally used. These may be referred to as “wide angle intra-prediction modes”.
  • arrows indicate corresponding reference samples used for prediction and do not indicate prediction directions. The prediction direction is opposite to the direction the arrow is pointing.
  • Wide-angle intra prediction modes are modes that perform prediction in the opposite direction of a specific directional mode without additional bit transmission when the current block is rectangular. At this time, among the wide-angle intra prediction modes, some wide-angle intra prediction modes usable for the current block may be determined by the ratio of the width and height of the rectangular current block.
  • wide-angle intra prediction modes (67 to 80 intra prediction modes) having an angle smaller than 45 degrees are usable when the current block has a rectangular shape with a height smaller than a width, and a wide angle having an angle greater than -135 degrees.
  • Intra prediction modes (-1 to -14 intra prediction modes) are available when the current block has a rectangular shape where the width is greater than the height.
  • the intra prediction unit 122 may determine an intra prediction mode to be used for encoding the current block.
  • the intra prediction unit 122 may encode the current block using several intra prediction modes and select an appropriate intra prediction mode to be used from the tested modes.
  • the intra predictor 122 calculates rate-distortion values using rate-distortion analysis for several tested intra-prediction modes, and has the best rate-distortion characteristics among the tested modes. Intra prediction mode can also be selected.
  • the intra prediction unit 122 selects one intra prediction mode from among a plurality of intra prediction modes, and predicts a current block using neighboring pixels (reference pixels) determined according to the selected intra prediction mode and an arithmetic expression.
  • Information on the selected intra prediction mode is encoded by the entropy encoder 155 and transmitted to the video decoding apparatus.
  • the inter prediction unit 124 generates a prediction block for a current block using a motion compensation process.
  • the inter-prediction unit 124 searches for a block most similar to the current block in the encoded and decoded reference picture prior to the current picture, and generates a prediction block for the current block using the searched block. Then, a motion vector (MV) corresponding to displacement between the current block in the current picture and the prediction block in the reference picture is generated.
  • MV motion vector
  • motion estimation is performed on a luma component, and a motion vector calculated based on the luma component is used for both the luma component and the chroma component.
  • Motion information including reference picture information and motion vector information used to predict the current block is encoded by the entropy encoding unit 155 and transmitted to the video decoding apparatus.
  • the inter-prediction unit 124 may perform interpolation on a reference picture or reference block in order to increase prediction accuracy. That is, subsamples between two consecutive integer samples are interpolated by applying filter coefficients to a plurality of consecutive integer samples including the two integer samples.
  • the motion vector can be expressed with precision of decimal units instead of integer sample units.
  • the precision or resolution of the motion vector may be set differently for each unit of a target region to be encoded, for example, a slice, tile, CTU, or CU.
  • AMVR adaptive motion vector resolution
  • information on motion vector resolution to be applied to each target region must be signaled for each target region. For example, when the target region is a CU, information on motion vector resolution applied to each CU is signaled.
  • Information on the motion vector resolution may be information indicating the precision of differential motion vectors, which will be described later.
  • the inter prediction unit 124 may perform inter prediction using bi-prediction.
  • bi-directional prediction two reference pictures and two motion vectors representing positions of blocks most similar to the current block within each reference picture are used.
  • the inter prediction unit 124 selects a first reference picture and a second reference picture from reference picture list 0 (RefPicList0) and reference picture list 1 (RefPicList1), respectively, and searches for a block similar to the current block within each reference picture.
  • a first reference block and a second reference block are generated.
  • a prediction block for the current block is generated by averaging or weighted averaging the first reference block and the second reference block.
  • reference picture list 0 may include pictures prior to the current picture in display order among restored pictures
  • reference picture list 1 may include pictures after the current picture in display order among restored pictures.
  • ups and downs pictures subsequent to the current picture may be additionally included in reference picture list 0, and conversely, ups and downs pictures prior to the current picture may be additionally included in reference picture list 1. may also be included.
  • the motion information of the current block can be delivered to the video decoding apparatus by encoding information capable of identifying the neighboring block. This method is called 'merge mode'.
  • the inter prediction unit 124 selects a predetermined number of merge candidate blocks (hereinafter referred to as 'merge candidates') from neighboring blocks of the current block.
  • Neighboring blocks for deriving merge candidates include a left block (A0), a lower left block (A1), an upper block (B0), and an upper right block (B1) adjacent to the current block in the current picture, as shown in FIG. ), and all or part of the upper left block A2 may be used.
  • a block located in a reference picture (which may be the same as or different from a reference picture used to predict the current block) other than the current picture in which the current block is located may be used as a merge candidate.
  • a block co-located with the current block in the reference picture or blocks adjacent to the co-located block may be additionally used as a merge candidate. If the number of merge candidates selected by the method described above is less than the preset number, a 0 vector is added to the merge candidates.
  • the inter prediction unit 124 constructs a merge list including a predetermined number of merge candidates using these neighboring blocks. Among the merge candidates included in the merge list, a merge candidate to be used as motion information of the current block is selected, and merge index information for identifying the selected candidate is generated. The generated merge index information is encoded by the encoder 150 and transmitted to the video decoding apparatus.
  • Merge skip mode is a special case of merge mode. After performing quantization, when all transform coefficients for entropy encoding are close to zero, only neighboring block selection information is transmitted without transmitting a residual signal. By using the merge skip mode, it is possible to achieve a relatively high encoding efficiency in low-motion images, still images, screen content images, and the like.
  • merge mode and merge skip mode are collectively referred to as merge/skip mode.
  • AMVP Advanced Motion Vector Prediction
  • the inter prediction unit 124 derives predictive motion vector candidates for the motion vector of the current block using neighboring blocks of the current block.
  • Neighboring blocks used to derive predictive motion vector candidates include a left block A0, a lower left block A1, an upper block B0, and an upper right block adjacent to the current block in the current picture shown in FIG. B1), and all or part of the upper left block (A2) may be used.
  • a block located in a reference picture (which may be the same as or different from the reference picture used to predict the current block) other than the current picture where the current block is located will be used as a neighboring block used to derive motion vector candidates.
  • a collocated block co-located with the current block within the reference picture or blocks adjacent to the collocated block may be used. If the number of motion vector candidates is smaller than the preset number according to the method described above, a 0 vector is added to the motion vector candidates.
  • the inter-prediction unit 124 derives predicted motion vector candidates using the motion vectors of the neighboring blocks, and determines a predicted motion vector for the motion vector of the current block using the predicted motion vector candidates. Then, a differential motion vector is calculated by subtracting the predicted motion vector from the motion vector of the current block.
  • the predicted motion vector may be obtained by applying a predefined function (eg, median value, average value operation, etc.) to predicted motion vector candidates.
  • a predefined function eg, median value, average value operation, etc.
  • the video decoding apparatus also knows the predefined function.
  • the video decoding apparatus since a neighboring block used to derive a predicted motion vector candidate is a block that has already been encoded and decoded, the video decoding apparatus also knows the motion vector of the neighboring block. Therefore, the video encoding apparatus does not need to encode information for identifying a predictive motion vector candidate. Therefore, in this case, information on differential motion vectors and information on reference pictures used to predict the current block are encoded.
  • the predicted motion vector may be determined by selecting one of the predicted motion vector candidates.
  • information for identifying the selected predictive motion vector candidate is additionally encoded.
  • the subtractor 130 subtracts the prediction block generated by the intra prediction unit 122 or the inter prediction unit 124 from the current block to generate a residual block.
  • the transform unit 140 transforms the residual signal in the residual block having pixel values in the spatial domain into transform coefficients in the frequency domain.
  • the transform unit 140 may transform residual signals in the residual block by using the entire size of the residual block as a transform unit, or divide the residual block into a plurality of subblocks and use the subblocks as a transform unit to perform transformation. You may.
  • the residual signals may be divided into two subblocks, a transform region and a non-transform region, and transform the residual signals using only the transform region subblock as a transform unit.
  • the transformation region subblock may be one of two rectangular blocks having a size ratio of 1:1 based on a horizontal axis (or a vertical axis).
  • a flag (cu_sbt_flag) indicating that only subblocks have been transformed, directional (vertical/horizontal) information (cu_sbt_horizontal_flag), and/or location information (cu_sbt_pos_flag) are encoded by the entropy encoding unit 155 and signaled to the video decoding device.
  • the size of the transform region subblock may have a size ratio of 1:3 based on the horizontal axis (or vertical axis), and in this case, a flag (cu_sbt_quad_flag) for distinguishing the corresponding division is additionally encoded by the entropy encoder 155 to obtain an image It is signaled to the decryption device.
  • the transform unit 140 may individually transform the residual block in the horizontal direction and the vertical direction.
  • various types of transformation functions or transformation matrices may be used.
  • a pair of transformation functions for horizontal transformation and vertical transformation may be defined as a multiple transform set (MTS).
  • the transform unit 140 may select one transform function pair having the highest transform efficiency among the MTS and transform the residual blocks in the horizontal and vertical directions, respectively.
  • Information (mts_idx) on a pair of transform functions selected from the MTS is encoded by the entropy encoding unit 155 and signaled to the video decoding device.
  • the quantization unit 145 quantizes transform coefficients output from the transform unit 140 using a quantization parameter, and outputs the quantized transform coefficients to the entropy encoding unit 155 .
  • the quantization unit 145 may directly quantize a related residual block without transformation for a certain block or frame.
  • the quantization unit 145 may apply different quantization coefficients (scaling values) according to positions of transform coefficients in the transform block.
  • a quantization matrix applied to the two-dimensionally arranged quantized transform coefficients may be coded and signaled to the video decoding apparatus.
  • the rearrangement unit 150 may rearrange the coefficient values of the quantized residual values.
  • the reordering unit 150 may change a 2D coefficient array into a 1D coefficient sequence using coefficient scanning. For example, the reordering unit 150 may output a one-dimensional coefficient sequence by scanning DC coefficients to coefficients in a high frequency region using a zig-zag scan or a diagonal scan. .
  • zig-zag scan vertical scan that scans a 2D coefficient array in a column direction and horizontal scan that scans 2D block-shaped coefficients in a row direction may be used. That is, a scan method to be used among zig-zag scan, diagonal scan, vertical scan, and horizontal scan may be determined according to the size of the transform unit and the intra prediction mode.
  • the entropy encoding unit 155 uses various encoding schemes such as CABAC (Context-based Adaptive Binary Arithmetic Code) and Exponential Golomb to convert the one-dimensional quantized transform coefficients output from the reordering unit 150 to each other.
  • CABAC Context-based Adaptive Binary Arithmetic Code
  • Exponential Golomb Exponential Golomb to convert the one-dimensional quantized transform coefficients output from the reordering unit 150 to each other.
  • a bitstream is created by encoding the sequence.
  • the entropy encoding unit 155 encodes information such as CTU size, CU splitting flag, QT splitting flag, MTT splitting type, and MTT splitting direction related to block splitting so that the video decoding apparatus can divide the block in the same way as the video encoding apparatus. make it possible to divide
  • the entropy encoding unit 155 encodes information about a prediction type indicating whether the current block is encoded by intra prediction or inter prediction, and encodes intra prediction information (ie, intra prediction) according to the prediction type. mode) or inter prediction information (motion information encoding mode (merge mode or AMVP mode), merge index in case of merge mode, reference picture index and differential motion vector information in case of AMVP mode) are encoded.
  • the entropy encoding unit 155 encodes information related to quantization, that is, information about quantization parameters and information about quantization matrices.
  • the inverse quantization unit 160 inversely quantizes the quantized transform coefficients output from the quantization unit 145 to generate transform coefficients.
  • the inverse transform unit 165 transforms transform coefficients output from the inverse quantization unit 160 from a frequency domain to a spatial domain to restore a residual block.
  • the adder 170 restores the current block by adding the restored residual block and the predicted block generated by the predictor 120. Pixels in the reconstructed current block are used as reference pixels when intra-predicting the next block.
  • the loop filter unit 180 reconstructs pixels in order to reduce blocking artifacts, ringing artifacts, blurring artifacts, etc. caused by block-based prediction and transformation/quantization. perform filtering on The filter unit 180 is an in-loop filter and may include all or part of a deblocking filter 182, a sample adaptive offset (SAO) filter 184, and an adaptive loop filter (ALF) 186. .
  • a deblocking filter 182 a sample adaptive offset (SAO) filter 184
  • ALF adaptive loop filter
  • the deblocking filter 182 filters the boundary between reconstructed blocks to remove blocking artifacts caused by block-by-block encoding/decoding, and the SAO filter 184 and alf 186 perform deblocking filtering. Additional filtering is performed on the image.
  • the SAO filter 184 and the alf 186 are filters used to compensate for a difference between a reconstructed pixel and an original pixel caused by lossy coding.
  • the SAO filter 184 improves not only subjective picture quality but also coding efficiency by applying an offset in units of CTUs.
  • the ALF 186 performs block-by-block filtering. Distortion is compensated for by applying different filters by distinguishing the edge of the corresponding block and the degree of change.
  • Information on filter coefficients to be used for ALF may be coded and signaled to the video decoding apparatus.
  • the reconstruction block filtered through the deblocking filter 182, the SAO filter 184, and the ALF 186 is stored in the memory 190.
  • the reconstructed picture can be used as a reference picture for inter-prediction of blocks in the picture to be encoded later.
  • FIG. 5 is an exemplary block diagram of a video decoding apparatus capable of implementing the techniques of this disclosure.
  • a video decoding device and sub-elements of the device will be described.
  • the image decoding apparatus includes an entropy decoding unit 510, a rearrangement unit 515, an inverse quantization unit 520, an inverse transform unit 530, a prediction unit 540, an adder 550, a loop filter unit 560, and a memory ( 570) may be configured.
  • each component of the image decoding device may be implemented as hardware or software, or a combination of hardware and software.
  • the function of each component may be implemented as software, and the microprocessor may be implemented to execute the software function corresponding to each component.
  • the entropy decoding unit 510 determines a current block to be decoded by extracting information related to block division by decoding the bitstream generated by the video encoding apparatus, and provides prediction information and residual signals necessary for restoring the current block. extract information, etc.
  • the entropy decoding unit 510 determines the size of the CTU by extracting information about the CTU size from a sequence parameter set (SPS) or a picture parameter set (PPS), and divides the picture into CTUs of the determined size. Then, the CTU is divided using the tree structure by determining the CTU as the top layer of the tree structure, that is, the root node, and extracting division information for the CTU.
  • SPS sequence parameter set
  • PPS picture parameter set
  • a first flag (QT_split_flag) related to splitting of QT is first extracted and each node is split into four nodes of a lower layer.
  • QT_split_flag a second flag related to splitting of MTT and split direction (vertical / horizontal) and / or split type (binary / ternary) information are extracted and the corresponding leaf node is MTT split into structures Accordingly, each node below the leaf node of QT is recursively divided into a BT or TT structure.
  • a CU split flag (split_cu_flag) indicating whether the CU is split is first extracted, and when the corresponding block is split, a first flag (QT_split_flag) is extracted.
  • each node may have zero or more iterative MTT splits after zero or more repetitive QT splits.
  • the CTU may immediately undergo MTT splitting, or conversely, only QT splitting may occur multiple times.
  • a first flag (QT_split_flag) related to QT splitting is extracted and each node is split into four nodes of a lower layer. And, for a node corresponding to a leaf node of QT, a split flag (split_flag) indicating whether to further split into BTs and split direction information are extracted.
  • the entropy decoding unit 510 determines a current block to be decoded by using tree structure partitioning, it extracts information about a prediction type indicating whether the current block is intra-predicted or inter-predicted.
  • the prediction type information indicates intra prediction
  • the entropy decoding unit 510 extracts syntax elements for intra prediction information (intra prediction mode) of the current block.
  • the prediction type information indicates inter prediction
  • the entropy decoding unit 510 extracts syntax elements for the inter prediction information, that is, information indicating a motion vector and a reference picture to which the motion vector refers.
  • the entropy decoding unit 510 extracts quantization-related information and information about quantized transform coefficients of the current block as information about the residual signal.
  • the reordering unit 515 converts the sequence of 1-dimensional quantized transform coefficients entropy-decoded in the entropy decoding unit 510 into a 2-dimensional coefficient array (ie, in the reverse order of the coefficient scanning performed by the image encoding apparatus). block) can be changed.
  • the inverse quantization unit 520 inverse quantizes the quantized transform coefficients and inverse quantizes the quantized transform coefficients using a quantization parameter.
  • the inverse quantization unit 520 may apply different quantization coefficients (scaling values) to the two-dimensionally arranged quantized transform coefficients.
  • the inverse quantization unit 520 may perform inverse quantization by applying a matrix of quantization coefficients (scaling values) from the image encoding device to a 2D array of quantized transformation coefficients.
  • the inverse transform unit 530 inversely transforms the inverse quantized transform coefficients from the frequency domain to the spatial domain to restore residual signals, thereby generating a residual block for the current block.
  • the inverse transform unit 530 inverse transforms only a partial region (subblock) of a transform block, a flag (cu_sbt_flag) indicating that only a subblock of the transform block has been transformed, and direction information (vertical/horizontal) information (cu_sbt_horizontal_flag) of the transform block ) and/or the location information (cu_sbt_pos_flag) of the subblock, and inversely transforms the transform coefficients of the corresponding subblock from the frequency domain to the spatial domain to restore the residual signals. By filling , the final residual block for the current block is created.
  • the inverse transform unit 530 determines transform functions or transform matrices to be applied in the horizontal and vertical directions, respectively, using MTS information (mts_idx) signaled from the video encoding device, and uses the determined transform functions. Inverse transform is performed on the transform coefficients in the transform block in the horizontal and vertical directions.
  • the prediction unit 540 may include an intra prediction unit 542 and an inter prediction unit 544 .
  • the intra prediction unit 542 is activated when the prediction type of the current block is intra prediction
  • the inter prediction unit 544 is activated when the prediction type of the current block is inter prediction.
  • the intra prediction unit 542 determines the intra prediction mode of the current block among a plurality of intra prediction modes from the syntax element for the intra prediction mode extracted from the entropy decoding unit 510, and references the current block according to the intra prediction mode.
  • the current block is predicted using pixels.
  • the inter prediction unit 544 determines the motion vector of the current block and the reference picture referred to by the motion vector by using the syntax element for the inter prediction mode extracted from the entropy decoding unit 510, and converts the motion vector and the reference picture. to predict the current block.
  • the adder 550 restores the current block by adding the residual block output from the inverse transform unit and the prediction block output from the inter prediction unit or intra prediction unit. Pixels in the reconstructed current block are used as reference pixels when intra-predicting a block to be decoded later.
  • the loop filter unit 560 may include a deblocking filter 562, an SAO filter 564, and an ALF 566 as in-loop filters.
  • the deblocking filter 562 performs deblocking filtering on boundaries between reconstructed blocks in order to remove blocking artifacts generated by block-by-block decoding.
  • the SAO filter 564 and the ALF 566 perform additional filtering on the reconstructed block after deblocking filtering to compensate for the difference between the reconstructed pixel and the original pixel caused by lossy coding.
  • ALF filter coefficients are determined using information on filter coefficients decoded from the non-stream.
  • the reconstruction block filtered through the deblocking filter 562, the SAO filter 564, and the ALF 566 is stored in the memory 570.
  • the reconstructed picture is used as a reference picture for inter-prediction of blocks in the picture to be encoded later.
  • This embodiment relates to encoding and decoding of images (video) as described above. More specifically, a video coding method and apparatus are provided in which an input video block is applied to an attention module of a transformer, which is a deep learning model, and a transformer-based in-loop filter according to the application is applied.
  • the following embodiments may be performed by the loop filter unit 180 in a video encoding device. Also, it may be performed by the loop filter unit 542 in the video decoding device.
  • the video encoding apparatus may generate signaling information related to the present embodiment in terms of optimizing bit rate distortion in in-loop filtering of a restored frame.
  • the image encoding device may encode the image using the entropy encoding unit 155 and transmit it to the image decoding device.
  • the video decoding apparatus may decode signaling information related to in-loop filtering of a reconstructed frame from a bitstream using the entropy decoding unit 510 .
  • 'target block' may be used in the same meaning as a current block or a coding unit (CU, Coding Unit), or may mean a partial region of a coding unit.
  • a value of one flag being true indicates a case in which the flag is set to 1.
  • a false value of one flag indicates a case in which the flag is set to 0.
  • CNN refers to a neural network composed of a plurality of convolution layers and pooling layers, and is a deep learning technology known to be most suitable for image processing.
  • the convolutional layer extracts feature maps (used interchangeably with feature maps or 'features') using a plurality of kernels or filters.
  • a kernel coefficient constituting the filter is a parameter determined in the learning process.
  • the front layer close to the input extracts feature maps that respond to simple, lower-level image features such as lines, dots, or planes, and the next layer close to the output extracts texture, Extract feature maps that respond to higher levels, such as object parts.
  • FIG. 6 is an exemplary diagram illustrating an operation of a convolution layer according to an embodiment of the present disclosure.
  • the convolution layer creates a feature map from an input image using a convolution operation.
  • a kernel or filter
  • Kernel size is also referred to as kernel size or filter size.
  • the kernel has kernel parameters (kernel parameters or filter parameters), also called weights.
  • the kernel illustrated in FIG. 6 has a total of 9 kernel parameters. Kernel parameters are initially set to arbitrary values, and the values may be updated based on learning.
  • the convolution layer performs a convolution operation using blocks as large as the kernel size in the input image. At this time, a block equal to the kernel size in the input image is referred to as a window.
  • the movement size of a window is called a stride.
  • the stride is 1. If the stride is set to 2, the convolution operation is performed by dividing the window by 2 samples, and as a result, the width and height of the feature map become half of the width and height of the input image.
  • one convolutional layer may include multiple filters.
  • the number of filters/filters or the number of kernels/kernels is called a channel. That is, the number of channels is equal to the number of filters. Also, the number of filters determines the size of the dimension of the feature map.
  • Padding represents a method of extending input data by filling the periphery of input data with a specific value before performing a convolution operation. Padding is mainly used to adjust the spatial size of output data. Values used for padding may be determined by hyperparameters, but mainly zero-padding is used. When padding is not used, the spatial size of output data decreases each time it passes through the convolutional layer, and thus boundary information may disappear. Therefore, to prevent this problem, padding is used. That is, padding may be used to equalize the spatial size of output data and input data of the convolution layer.
  • Deconvolution layers do the opposite of convolution layers.
  • the deconvolution layer generates a desired data image as an output from a feature map as an input.
  • the pooling layer performs pooling, which is a process of sub-sampling the feature map generated by the convolutional layer.
  • the pooling layer uses a 2 ⁇ 2 window to select samples so that the output result is half of the width and half of the input. That is, the pooling layer is used to reduce the size of an input image or input feature map by aggregating a 2 ⁇ 2 region into one sample.
  • the opposite concept of a pooling layer is defined as an unpooling layer.
  • the unpooling layer serves to expand the dimension opposite to the pooling layer, and is mainly used after the deconvolution layer.
  • a convolutional encoder-decoder structure is a network structure composed of pairs of convolutional layers and deconvolutional layers.
  • a convolutional encoder is composed of a convolutional layer and a pooling layer, and outputs a feature map (or feature vector) from an input image.
  • the final output vector of the convolutional encoder is also referred to as a latent vector.
  • a convolutional decoder is composed of a deconvolution layer and an unpooling layer, and generates an output image from a feature map or latent vector.
  • the input and output of the convolutional encoder-decoder can be set in various ways according to the purpose of the application and network.
  • the input and output may be an optical flow map, a saliency map, an image frame, and the like.
  • FIG. 7 is an exemplary diagram illustrating a SISR network.
  • SISR Single Image Super Resolution
  • a SISR network may include multiple convolutional layers, as illustrated in FIG. 7 .
  • Each convolutional layer includes an activation function such as Rectified Linear Unit (ReLU).
  • ReLU Rectified Linear Unit
  • Parameters of the SISR network may be trained so that the generated Super Resolution (SR) image approximates Ground Truth (GT).
  • the residual block includes a skip path in addition to a path for applying a convolution operation to the input feature x l .
  • the residual block may select a path to which a convolution operation is applied or a skip path based on learning efficiency when generating an output x l+1 .
  • the residual block includes a Batch Normalization (BN) layer.
  • VDSR Visual Geometry Group
  • a CNN may be used as an in-loop filter in an image encoding device or an image decoding device.
  • the deep learning-based in-loop filter may be applied to any position within the existing loop filter units 180 and 560 composed of the deblocking filter, the SAO filter, and the ALF.
  • the fixed-coefficient deep learning in-loop filter uses the same CNN kernel parameters stored on the side of the video encoding device and the video decoding device.
  • FIG. 9 is an exemplary diagram illustrating a CNN-based fixed coefficient in-loop filter.
  • An input block passes through a normalized QP map and then is passed to a subsequent step.
  • the normalized QP map is used to reduce inference error when quantization noise of different intensities is mixed in the learning and inference processes.
  • Kernel parameters constituting a Dense Residual Unit (DRU) and a convolution layer may be equally stored and used in an image encoding device and an image decoding device.
  • each DRU may include all or part of a convolution layer, a ReLU layer, and a depth-wise separable convolutional (DSC) layer.
  • the fixed-coefficient deep learning in-loop filter has a disadvantage in that the number of layers of the CNN becomes deep and the computation time accordingly increases because it must provide general performance for various video frames.
  • a transformer is a model proposed to perform a sequence-to-sequence task such as machine translation in natural language processing.
  • Existing sequence-to-sequence models include an encoder-decoder structure that sequentially outputs output words when an input word is input using a recurrent neural network (RNN) or long short-term memory (LSTM).
  • RNN recurrent neural network
  • LSTM long short-term memory
  • the RNN-based model has a limitation in that the length of the input vector is limited.
  • RNN models have limitations in processing complex sentences. In order to compensate for this, even though a context vector is generated based on the attention mechanism that identifies the relationship between the output of the decoder at a specific time and the output of the encoder, the RNN model cannot overcome the above-mentioned limitations. .
  • 10A and 10B are exemplary diagrams illustrating self attention of a vector.
  • the attention module multiplies a word vector corresponding to each word initially input to the transformer by a weight matrix, so that the Q (Query) vector, K (Key) vector, and V ( Value) vector.
  • the weight matrices W Q , W K and W V are the learned parameters. Also, for the input word 'student', Q student , K student , and V student represent Q vector, K vector, and V vector, respectively.
  • the attention module calculates attention scores with all K vectors for a given Q vector. Then, the attention module uses the corresponding similarity, that is, the attention score, as a weight, and applies it to each K vector and the mapped V vector. Finally, the attention module may calculate an attention value for the input word by weighting all V vectors in which the degree of similarity is reflected.
  • the attention score may be calculated by scaled dot-product attention using the dot product of two vectors, as shown in the example of FIG. 10B.
  • Scaled dot-product attention can be expressed as in Equation 1.
  • d k is a constant defined in advance.
  • the attention score function expresses the degree of association between the q vector and the k vector.
  • the score function uses a dot product, but similarity between two vectors such as cosine similarity and correlation may also be used.
  • the above operation may be applied in parallel to all of 'I', 'am', and 'a' in addition to 'student', as shown in the examples of FIGS. 11A and 11B .
  • Q, K, and V denote a Q matrix, a K matrix, and a V matrix, respectively, for the input sentence “I am a student”.
  • the final attention value matrix can be calculated as in Equation 2.
  • B is a matrix of positional encoding values and is defined in advance. In the example of FIG. 11B, B is omitted.
  • 12 is an exemplary diagram illustrating multi-head attention.
  • parallel attention is more effective in generalizing learning than one-time attention. This is because information can be collected at different times for each word vector using different weights. In transformers, parallel attention is expressed as multi-head attention.
  • weight matrices W Q , W K , and W V may be learned as many as the number of attention heads (num_heads). As illustrated in FIG. 12 , parallel attention may be performed using weight matrices W Q 0...num_head-1 , W K 0...num_head-1 , and W V 0...num_head-1 . Thereafter, the final attention may be generated by concatenating the attention outputs from each head and multiplying by a weight matrix.
  • 13 is an exemplary view showing the structure of a transformer.
  • a transformer includes N encoders and N decoders.
  • An encoder includes N layers.
  • One layer includes two sublayers, self-attention and feed forward neural networks.
  • self-attention represents a case where Q, K, and V are the same.
  • the self-attention layer of the encoder performs multi-head attention as described above.
  • positional encoding is applied to the input sentence of the encoder.
  • Transformers may not receive words sequentially. Therefore, in order to represent the positional information of words, positional information is added in order of tokens using a sinusoid function.
  • 'input embedding' represents an input sentence expressed in an embedding form.
  • a decoder like an encoder, includes N layers. One layer includes three sub-layers. Like the encoder, the sentence matrix after positional encoding is input to the decoder. In the example of FIG. 13, 'output embedding' represents an input sentence of a decoder expressed in an embedding form.
  • the first sublayer of the decoder is trained based on teacher forcing with GT as the next input to the decoder, so the decoder is trained to take the target sentence matrix and predict words at each time point. do. In the matrix based on the input sentence, masking is applied so that future words are not referred to, so that words themselves and previous words are referenced.
  • the first sublayer of the decoder is structurally identical to the first sublayer of the encoder in that it is self-attention and performs multihead attention. The operation of the first sub-layer of the decoder is called look-ahead attention.
  • the second sub-layer of the decoder uses the output of the first self-attention layer as the Q matrix and calculates the attention score matrix using the K matrix and the V matrix from the last layer of the encoder.
  • the second sub-layer of the decoder is called encoder-decoder attention.
  • the third sub-layer is a feed forward neural network.
  • CNN structures are widely used in the field of vision. Based on the performance of using transformers in natural language processing, after modifying the standard transformer to a minimum, the modified transformer can be directly applied to the image. To do this, we divide the image into patches, and the patches can be treated in the same way as tokens in NLP. That is, a linear embedding sequence of these patches may be input to the transformer.
  • a transformer used in the field of vision is called a vision transformer.
  • FIG. 14 is an exemplary diagram illustrating input pre-processing of a vision transformer.
  • Standard transformers take as input a one-dimensional sequence of token embeddings.
  • a 2D image must be pre-processed to input a 1D sequence to the vision transformer.
  • the two-dimensional input image x ⁇ R W ⁇ H ⁇ C is transformed into a sequence of flattened patches, x p ⁇ R N ⁇ P ⁇ P ⁇ C .
  • the size of each patch in which the 2D input image is divided is P ⁇ P.
  • N is the number of patches
  • C represents the dimension of color information.
  • feature maps of CNNs may be used as an input sequence.
  • 15 is an exemplary diagram illustrating application of an attention process to a current video block according to an embodiment of the present disclosure.
  • a video frame of size W ⁇ H is divided into video blocks.
  • the current video block (hereinafter referred to as 'current block') outputs an attention score for itself and other blocks in the frame using the attention function shown in Equations 1 and 2.
  • the attention function uses a dot product, but similarities between two blocks such as cosine similarity, correlation, mean squared error (MSE), and sum of absolute difference (SAD) may also be used.
  • the input blocks entering the attention function as inputs are located on an N ⁇ M grid and do not overlap each other. Alternatively, the input blocks may overlap, leaving them off the grid.
  • an attention value vector of the current block can be finally output.
  • a step of changing the 2D current block into a 1D vector may be required.
  • the second vector from the top represents the self-attention score of the current block itself, and the others represent attention scores of neighboring blocks.
  • a video block applied to the attention module that calculates the attention function may be defined as follows.
  • a video block may be used as a basic unit of encoding such as a CTU, CU, or PU (Prediction Unit).
  • the width and height of the video blocks are the same. Alternatively, the width and height of the video block may be set differently.
  • a video block may be used while being divided into subblocks.
  • Subblocks can be used with fixed widths and heights, such as 4x4.
  • the size may be set to A/S using a scale factor S.
  • A represents the width or height of the video block before division.
  • one region may be created by integrating a plurality of video blocks.
  • the corresponding area (window in the example of FIG. 16) may be divided into blocks having an arbitrary size.
  • Two video blocks used for the attention operation shown in Equation 1 have the same size.
  • padding is used so that the sizes of the two video blocks are the same.
  • an existing video block After downsampling the existing video block, it can be used as an input of the attention function.
  • an existing video block may be upsampled and then used as an input of an attention function.
  • the existing video block may be downsampled and upsampled, and then used as an input of the attention function.
  • the attention score is not calculated.
  • the attention score is not calculated.
  • VPDU is a data unit that can be processed by the virtual pipeline.
  • a VPDU is a maximum unit capable of performing encoding and decoding at one time, and can be used to reduce hardware implementation costs due to an increase in the size of a CTU.
  • a VPDU refers to a data processing unit for encoding and decoding, but is not necessarily limited to the term VPDU.
  • an attention score between the corresponding block and the current block may not be calculated.
  • An image encoding apparatus may apply an image restoration and noise removal technology using a vision transformer to in-loop filtering in order to improve the quality of a restored frame.
  • FIG. 18 is an exemplary diagram illustrating a transformer-based in-loop filter according to an embodiment of the present disclosure.
  • the transformer-based in-loop filter uses one of the input or output of the deblocking filter 182, the SAO filter 184, or the ALF 186 as an input image.
  • the video encoding apparatus selects an input area x ⁇ R w ⁇ h ⁇ C from an input image.
  • w and h represent the width and height of the input area.
  • C represents the dimension of color information.
  • the in-loop filter can directly use the corresponding block as the input of the transformer.
  • the in-loop filter may extract a video feature f 0 ⁇ R w ⁇ h ⁇ C using a CNN and then use the extracted feature as an input. Thereafter, the in-loop filter generates characteristics f 1 to characteristics f K using K consecutive transformer blocks. At this time, the dimension of feature f 1 to feature f K is the same as the dimension of f 0 .
  • An image encoding apparatus generates an improved video region corresponding to an input region x ⁇ R w ⁇ h ⁇ C by inputting the characteristic f K to a neural network that performs arbitrary image restoration.
  • a neural network used for image restoration, EDSR, VDSR, and the like as described above may be used.
  • 19A and 19B are exemplary diagrams illustrating a transformer block according to an embodiment of the present disclosure.
  • a transformer block may include successive transformer layers.
  • the last convolutional layer may be selectively disposed.
  • the transformer block may be configured in the form of a residual block of successive transformer layers using skip connection.
  • the last convolutional layer may be selectively disposed.
  • the residual block form of the convolution layer as illustrated in FIGS. 8 and 9 is applied to the transformer layers.
  • one transformer layer illustrated in FIG. 19A may be implemented according to the transformer structure illustrated in FIG. 13 .
  • N 1 is set, so that the transformer layer has one encoder layer and one decoder layer.
  • the input area x ⁇ R w ⁇ h ⁇ C may be used instead of f 0 as an input of the first transformer block.
  • the transformer block divides the corresponding input into overlapping or non-overlapping patches, and converts each divided patch into a characteristic. That is, the input of each transformer block corresponds to the window illustrated in FIG. 16, and the patches may be video blocks in which the window is divided. In this case, each patch may have a P ⁇ P size, as shown in the example of FIG. 15 . Alternatively, the patches may be of any different size.
  • the transformer block may calculate characteristics of each patch using self-attention calculation according to FIGS. 10A and 10B and Equation 1.
  • the self-attention of the corresponding patch is not calculated. If a part of the divided patch is outside the boundary, self-attention may not be calculated for the region by using a mask displaying the partial region out of the boundary.
  • the self-attention of the corresponding patch is not calculated.
  • self-attention may not be calculated for the corresponding region using a mask indicating the partial region existing in the lower order.
  • the transformer-based in-loop filter may be a fixed-coefficient in-loop filter. Therefore, the CNN included in the in-loop filter and the parameters constituting each transformer block may be trained in advance and then stored and used in the same way in the image encoding device and the image decoding device.
  • a computing device denotes an image encoding device or an image decoding device.
  • 20 is a flowchart illustrating a method of improving image quality according to an embodiment of the present disclosure.
  • the computing device obtains an input area having a predetermined size from the restored frame (S2000).
  • the restored frame is a frame obtained by restoring an original frame, and is previously restored by the computing device.
  • the computing device generates an improved video region approximating the original frame by inputting the input region to a deep learning-based in-loop filter (S2002).
  • S2002 deep learning-based in-loop filter
  • the in-loop filter includes K (where K is a natural number) consecutive transformer blocks and a second CNN.
  • the computing device may perform the step of generating the improved video area (step S2002) as follows.
  • the input image is converted into final output characteristics based on the attention operation (S2010).
  • the computing device divides the input characteristics of each transformer block into patches, applies an attention operation to each patch, and generates output characteristics for the input characteristics of each transformer block.
  • the computing device sets each patch as a query, and calculates a self-attention score for each patch and attention scores between each patch and other patches based on the similarity between the two patches used for the attention calculation. Thereafter, the computing device may generate an attention value of each patch by weighting the attention scores.
  • the computing device generates an improved video region by inputting the final output characteristics to the second CNN (S2012).
  • 21 is a flowchart illustrating a method of improving image quality according to another embodiment of the present disclosure.
  • the computing device acquires an input area of a preset size from the restored frame (S2100).
  • the restored frame is a frame obtained by restoring the original frame, and is previously restored by the computing device.
  • the computing device generates an improved video region approximating the original frame by inputting the input region to a deep learning-based in-loop filter (S2102).
  • the in-loop filter includes a first CNN, K (where K is a natural number) consecutive transformer blocks, and a second CNN.
  • the computing device may perform the step of generating the enhanced video area, that is, step S2102, as follows.
  • the computing device generates input features by inputting the input area into the first CNN (S2110).
  • the computing device converts the input characteristics into final output characteristics based on the attention operation using the transformer blocks (S2112).
  • the computing device generates an improved video region by inputting the final output characteristics to the second CNN (S2114).
  • Non-transitory recording media include, for example, all types of recording devices in which data is stored in a form readable by a computer system.
  • the non-transitory recording medium includes storage media such as an erasable programmable read only memory (EPROM), a flash drive, an optical drive, a magnetic hard drive, and a solid state drive (SSD).
  • EPROM erasable programmable read only memory
  • SSD solid state drive

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

트랜스포머 기반 인루프 필터를 이용하는 비디오 코딩방법 및 장치에 관한 개시로서, 본 실시예는, 현재 비디오 블록을 딥러닝 모델인 트랜스포머(transformer)의 어텐션 모듈(attention module)에 적용하고, 이에 따른 트랜스포머 기반 인루프 필터를 이용하는 비디오 코딩방법 및 장치를 제공한다.

Description

트랜스포머 기반 인루프 필터를 이용하는 비디오 코딩을 위한 방법 및 장치
본 개시는 트랜스포머 기반 인루프 필터를 이용하는 비디오 코딩방법 및 장치에 관한 것이다.
이하에 기술되는 내용은 단순히 본 발명과 관련되는 배경 정보만을 제공할 뿐 종래기술을 구성하는 것이 아니다.
비디오 데이터는 음성 데이터나 정지 영상 데이터 등에 비하여 많은 데이터량을 가지기 때문에, 압축을 위한 처리 없이 그 자체를 저장하거나 전송하기 위해서는 메모리를 포함하여 많은 하드웨어 자원을 필요로 한다.
따라서, 통상적으로 비디오 데이터를 저장하거나 전송할 때에는 부호화기를 사용하여 비디오 데이터를 압축하여 저장하거나 전송하며, 복호화기에서는 압축된 비디오 데이터를 수신하여 압축을 해제하고 재생한다. 이러한 비디오 압축 기술로는 H.264/AVC, HEVC(High Efficiency Video Coding) 등을 비롯하여, HEVC에 비해 약 30% 이상의 부호화 효율을 향상시킨 VVC(Versatile Video Coding)가 존재한다.
그러나, 영상의 크기 및 해상도, 프레임률이 점차 증가하고 있고, 이에 따라 부호화해야 하는 데이터량도 증가하고 있으므로 기존의 압축 기술보다 더 부호화 효율이 좋고 화질 개선 효과도 높은 새로운 압축 기술이 요구된다. 최근 비디오 프레임의 화질의 개선하기 위해 딥러닝 기술인 CNN(Convolutional Neural Network) 외에도 트랜스포머(transformer)가 활용되고 있다. 특히, 인루프 필터링(loop filtering)에 있어서, 비디오 부호화 효율을 향상시키고 화질을 개선하기 위해, 딥러닝 기술의 효율적인 활용이 고려될 필요가 있다.
본 개시는, 비디오 부호화 효율을 향상시키고 비디오 화질을 개선하기 위해, 현재 비디오 블록을 딥러닝 모델인 트랜스포머(transformer)의 어텐션 모듈(attention module)에 적용하고, 이에 따른 트랜스포머 기반 인루프 필터를 이용하는 비디오 코딩방법 및 장치를 제공하는 데 목적이 있다.
본 개시의 실시예에 따르면, 영상 복호화 장치가 수행하는, 복원(reconstructed) 프레임의 화질을 개선하는 방법에 있어서, 상기 복원 프레임으로부터 기설정된 크기의 입력 영역을 획득하는 단계, 여기서, 상기 복원 프레임은, 원본(original) 프레임을 복원한 프레임으로서, 상기 영상 복호화 장치에 의해 사전에 복원됨; 및 상기 입력 영역을 딥러닝 기반 인루프 필터(inloop filter)에 입력하여 상기 원본 프레임을 근사하는 개선 비디오 영역을 생성하는 단계를 포함하되, 상기 인루프 필터는 K(여기서, K는 자연수) 개의 연속된 트랜스포머(transformer) 블록들을 포함하고, 상기 개선 비디오 영역을 생성하는 단계는, 상기 트랜스포머 블록들을 이용하여, 어텐션 연산(attention operation)을 기반으로 상기 입력 영상을 최종 출력 특성으로 변환하는 것을 특징으로 하는, 방법을 제공한다.
본 개시의 다른 실시예에 따르면, 영상 부호화 장치가 수행하는, 복원(reconstructed) 프레임의 화질을 개선하는 방법에 있어서, 상기 복원 프레임으로부터 기설정된 크기의 입력 영역을 획득하는 단계, 여기서, 상기 복원 프레임은, 원본(original) 프레임을 복원한 프레임으로서, 상기 영상 부호화 장치에 의해 사전에 복원됨; 및 상기 입력 영역을 딥러닝 기반 인루프 필터(inloop filter)에 입력하여 상기 원본 프레임을 근사하는 개선 비디오 영역을 생성하는 단계를 포함하되, 상기 인루프 필터는 K(여기서, K는 자연수) 개의 연속된 트랜스포머(transformer) 블록들을 포함하고, 상기 개선 비디오 영역을 생성하는 단계는, 상기 트랜스포머 블록들을 이용하여, 어텐션 연산(attention operation)을 기반으로 상기 입력 영상을 최종 출력 특성으로 변환하는 것을 특징으로 하는, 방법을 제공한다.
본 개시의 다른 실시예에 따르면, 영상 부호화 방법에 의해 생성된 비트스트림을 저장하는 컴퓨터 판독 가능한 기록매체로서, 상기 영상 부호화 방법은, 복원 프레임으로부터 기설정된 크기의 입력 영역을 획득하는 단계, 여기서, 상기 복원 프레임은, 원본(original) 프레임을 복원한 프레임으로서, 상기 영상 부호화 장치에 의해 사전에 복원됨; 및 상기 입력 영역을 딥러닝 기반 인루프 필터(inloop filter)에 입력하여 상기 원본 프레임을 근사하는 개선 비디오 영역을 생성하는 단계를 포함하되, 상기 인루프 필터는 K(여기서, K는 자연수) 개의 연속된 트랜스포머(transformer) 블록들을 포함하고, 상기 개선 비디오 영역을 생성하는 단계는, 상기 트랜스포머 블록들을 이용하여, 어텐션 연산(attention operation)을 기반으로 상기 입력 영상을 최종 출력 특성으로 변환하는 것을 특징으로 하는, 기록매체를 제공한다.
이상에서 설명한 바와 같이 본 실시예에 따르면, 현재 비디오 블록을 딥러닝 모델인 트랜스포머의 어텐션 모듈에 적용하고, 이에 따른 트랜스포머 기반 인루프 필터를 이용하는 비디오 코딩방법 및 장치를 제공함으로써, 비디오 부호화 효율을 향상시키고 비디오 화질을 개선하는 것이 가능해지는 효과가 있다.
도 1은 본 개시의 기술들을 구현할 수 있는 영상 부호화 장치에 대한 예시적인 블록도이다.
도 2는 QTBTTT 구조를 이용하여 블록을 분할하는 방법을 설명하기 위한 도면이다.
도 3a 및 도 3b는 광각 인트라 예측모드들을 포함한 복수의 인트라 예측모드들을 나타낸 도면이다.
도 4는 현재블록의 주변블록에 대한 예시도이다.
도 5는 본 개시의 기술들을 구현할 수 있는 영상 복호화 장치의 예시적인 블록도이다.
도 6은 콘볼루션 레이어의 연산을 나타내는 예시도이다.
도 7은 SISR(Single Image Super Resolution) 네트워크를 나타내는 예시도이다.
도 8은 SISR에 이용되는 잔차 블록을 나타내는 예시도이다.
도 9는 CNN(Convolutional Neural Network) 기반 고정 계수 인루프 필터를 나타내는 예시도이다.
도 10a 및 도 10b는 벡터의 셀프 어텐션을 나타내는 예시도이다.
도 11a 및 도 11b는 행렬의 셀프 어텐션을 나타내는 예시도이다.
도 12는 멀티헤드 어텐션을 나타내는 예시도이다.
도 13은 트랜스포머의 구조를 나타내는 예시도이다
도 14는 비전 트랜스포머의 입력 전처리를 나타내는 예시도이다.
도 15는 본 개시의 일 실시예에 따른, 현재 비디오 블록에 대해 어텐션 과정의 적용을 나타내는 예시도이다.
도 16은 본 개시의 일 실시예에 따른, 통합된 영역을 나타내는 예시도이다.
도 17은 본 개시의 일 실시예에 따른, 어테션 스코어가 연사되지 않는 경우를 나타내는 예시도이다.
도 18은 본 개시의 일 실시예에 따른, 트랜스포머 기반 인루프 필터를 나타내는 예시도이다.
도 19a 및 도 19b는 본 개시의 일 실시예에 따른, 트랜스포머 블록을 나타내는 예시도이다.
도 20은 본 개시의 일 실시예에 따른, 화질을 개선하는 방법을 나타내는 순서도이다.
도 21은 본 개시의 다른 실시예에 따른, 화질을 개선하는 방법을 나타내는 순서도이다.
이하, 본 발명의 실시예들을 예시적인 도면을 참조하여 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 실시예들을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 실시예들의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
도 1은 본 개시의 기술들을 구현할 수 있는 영상 부호화 장치에 대한 예시적인 블록도이다. 이하에서는 도 1의 도시를 참조하여 영상 부호화 장치와 이 장치의 하위 구성들에 대하여 설명하도록 한다.
영상 부호화 장치는 픽처 분할부(110), 예측부(120), 감산기(130), 변환부(140), 양자화부(145), 재정렬부(150), 엔트로피 부호화부(155), 역양자화부(160), 역변환부(165), 가산기(170), 루프 필터부(180) 및 메모리(190)를 포함하여 구성될 수 있다.
영상 부호화 장치의 각 구성요소는 하드웨어 또는 소프트웨어로 구현되거나, 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, 각 구성요소의 기능이 소프트웨어로 구현되고 마이크로프로세서가 각 구성요소에 대응하는 소프트웨어의 기능을 실행하도록 구현될 수도 있다.
하나의 영상(비디오)은 복수의 픽처들을 포함하는 하나 이상의 시퀀스로 구성된다. 각 픽처들은 복수의 영역으로 분할되고 각 영역마다 부호화가 수행된다. 예를 들어, 하나의 픽처는 하나 이상의 타일(Tile) 또는/및 슬라이스(Slice)로 분할된다. 여기서, 하나 이상의 타일을 타일 그룹(Tile Group)으로 정의할 수 있다. 각 타일 또는/슬라이스는 하나 이상의 CTU(Coding Tree Unit)로 분할된다. 그리고 각 CTU는 트리 구조에 의해 하나 이상의 CU(Coding Unit)들로 분할된다. 각 CU에 적용되는 정보들은 CU의 신택스로서 부호화되고, 하나의 CTU에 포함된 CU들에 공통적으로 적용되는 정보는 CTU의 신택스로서 부호화된다. 또한, 하나의 슬라이스 내의 모든 블록들에 공통적으로 적용되는 정보는 슬라이스 헤더의 신택스로서 부호화되며, 하나 이상의 픽처들을 구성하는 모든 블록들에 적용되는 정보는 픽처 파라미터 셋(PPS, Picture Parameter Set) 혹은 픽처 헤더에 부호화된다. 나아가, 복수의 픽처가 공통으로 참조하는 정보들은 시퀀스 파라미터 셋(SPS, Sequence Parameter Set)에 부호화된다. 그리고, 하나 이상의 SPS가 공통으로 참조하는 정보들은 비디오 파라미터 셋(VPS, Video Parameter Set)에 부호화된다. 또한, 하나의 타일 또는 타일 그룹에 공통으로 적용되는 정보는 타일 또는 타일 그룹 헤더의 신택스로서 부호화될 수도 있다. SPS, PPS, 슬라이스 헤더, 타일 또는 타일 그룹 헤더에 포함되는 신택스들은 상위수준(high level) 신택스로 칭할 수 있다.
픽처 분할부(110)는 CTU(Coding Tree Unit)의 크기를 결정한다. CTU의 크기에 대한 정보(CTU size)는 SPS 또는 PPS의 신택스로서 부호화되어 영상 복호화 장치로 전달된다.
픽처 분할부(110)는 영상을 구성하는 각 픽처(picture)를 미리 결정된 크기를 가지는 복수의 CTU(Coding Tree Unit)들로 분할한 이후에, 트리 구조(tree structure)를 이용하여 CTU를 반복적으로(recursively) 분할한다. 트리 구조에서의 리프 노드(leaf node)가 부호화의 기본 단위인 CU(coding unit)가 된다.
트리 구조로는 상위 노드(혹은 부모 노드)가 동일한 크기의 네 개의 하위 노드(혹은 자식 노드)로 분할되는 쿼드트리(QuadTree, QT), 또는 상위 노드가 두 개의 하위 노드로 분할되는 바이너리트리(BinaryTree, BT), 또는 상위 노드가 1:2:1 비율로 세 개의 하위 노드로 분할되는 터너리트리(TernaryTree, TT), 또는 이러한 QT 구조, BT 구조 및 TT 구조 중 둘 이상을 혼용한 구조일 수 있다. 예컨대, QTBT(QuadTree plus BinaryTree) 구조가 사용될 수 있고, 또는 QTBTTT(QuadTree plus BinaryTree TernaryTree) 구조가 사용될 수 있다. 여기서, BTTT를 합쳐서 MTT(Multiple-Type Tree)라 지칭될 수 있다.
도 2는 QTBTTT 구조를 이용하여 블록을 분할하는 방법을 설명하기 위한 도면이다.
도 2에 도시된 바와 같이, CTU는 먼저 QT 구조로 분할될 수 있다. 쿼드트리 분할은 분할 블록(splitting block)의 크기가 QT에서 허용되는 리프 노드의 최소 블록 크기(MinQTSize)에 도달할 때까지 반복될 수 있다. QT 구조의 각 노드가 하위 레이어의 4개의 노드들로 분할되는지 여부를 지시하는 제1 플래그(QT_split_flag)는 엔트로피 부호화부(155)에 의해 부호화되어 영상 복호화 장치로 시그널링된다. QT의 리프 노드가 BT에서 허용되는 루트 노드의 최대 블록 크기(MaxBTSize)보다 크지 않은 경우, BT 구조 또는 TT 구조 중 어느 하나 이상으로 더 분할될 수 있다. BT 구조 및/또는 TT 구조에서는 복수의 분할 방향이 존재할 수 있다. 예컨대, 해당 노드의 블록이 가로로 분할되는 방향과 세로로 분할되는 방향 두 가지가 존재할 수 있다. 도 2의 도시와 같이, MTT 분할이 시작되면, 노드들이 분할되었는지 여부를 지시하는 제2 플래그(mtt_split_flag)와, 분할이 되었다면 추가적으로 분할 방향(vertical 혹은 horizontal)을 나타내는 플래그 및/또는 분할 타입(Binary 혹은 Ternary)을 나타내는 플래그가 엔트로피 부호화부(155)에 의해 부호화되어 영상 복호화 장치로 시그널링된다.
대안적으로, 각 노드가 하위 레이어의 4개의 노드들로 분할되는지 여부를 지시하는 제1 플래그(QT_split_flag)를 부호화하기에 앞서, 그 노드가 분할되는지 여부를 지시하는 CU 분할 플래그(split_cu_flag)가 부호화될 수도 있다. CU 분할 플래그(split_cu_flag) 값이 분할되지 않았음을 지시하는 경우, 해당 노드의 블록이 분할 트리 구조에서의 리프 노드(leaf node)가 되어 부호화의 기본 단위인 CU(coding unit)가 된다. CU 분할 플래그(split_cu_flag) 값이 분할됨을 지시하는 경우, 영상 부호화 장치는 전술한 방식으로 제1 플래그부터 부호화를 시작한다.
트리 구조의 다른 예시로서 QTBT가 사용되는 경우, 해당 노드의 블록을 동일 크기의 두 개 블록으로 가로로 분할하는 타입(즉, symmetric horizontal splitting)과 세로로 분할하는 타입(즉, symmetric vertical splitting) 두 가지가 존재할 수 있다. BT 구조의 각 노드가 하위 레이어의 블록으로 분할되는지 여부를 지시하는 분할 플래그(split_flag) 및 분할되는 타입을 지시하는 분할 타입 정보가 엔트로피 부호화부(155)에 의해 부호화되어 영상 복호화 장치로 전달된다. 한편, 해당 노드의 블록을 서로 비대칭 형태의 두 개의 블록으로 분할하는 타입이 추가로 더 존재할 수도 있다. 비대칭 형태에는 해당 노드의 블록을 1:3의 크기 비율을 가지는 두 개의 직사각형 블록으로 분할하는 형태가 포함될 수 있고, 혹은 해당 노드의 블록을 대각선 방향으로 분할하는 형태가 포함될 수도 있다.
CU는 CTU로부터의 QTBT 또는 QTBTTT 분할에 따라 다양한 크기를 가질 수 있다. 이하에서는, 부호화 또는 복호화하고자 하는 CU(즉, QTBTTT의 리프 노드)에 해당하는 블록을 '현재블록'이라 칭한다. QTBTTT 분할의 채용에 따라, 현재블록의 모양은 정사각형뿐만 아니라 직사각형일 수도 있다.
예측부(120)는 현재블록을 예측하여 예측블록을 생성한다. 예측부(120)는 인트라 예측부(122)와 인터 예측부(124)를 포함한다.
일반적으로, 픽처 내 현재블록들은 각각 예측적으로 코딩될 수 있다. 일반적으로 현재블록의 예측은 (현재블록을 포함하는 픽처로부터의 데이터를 사용하는) 인트라 예측 기술 또는 (현재블록을 포함하는 픽처 이전에 코딩된 픽처로부터의 데이터를 사용하는) 인터 예측 기술을 사용하여 수행될 수 있다. 인터 예측은 단방향 예측과 양방향 예측 모두를 포함한다.
인트라 예측부(122)는 현재블록이 포함된 현재 픽처 내에서 현재블록의 주변에 위치한 픽셀(참조 픽셀)들을 이용하여 현재블록 내의 픽셀들을 예측한다. 예측 방향에 따라 복수의 인트라 예측모드가 존재한다. 예컨대, 도 3a에서 보는 바와 같이, 복수의 인트라 예측모드는 planar 모드와 DC 모드를 포함하는 2개의 비방향성 모드와 65개의 방향성 모드를 포함할 수 있다. 각 예측모드에 따라 사용할 주변 픽셀과 연산식이 다르게 정의된다.
직사각형 모양의 현재블록에 대한 효율적인 방향성 예측을 위해, 도 3b에 점선 화살표로 도시된 방향성 모드들(67 ~ 80번, -1 ~ -14 번 인트라 예측모드들)이 추가로 사용될 수 있다. 이들은 "광각 인트라 예측모드들(wide angle intra-prediction modes)"로 지칭될 수 있다. 도 3b에서 화살표들은 예측에 사용되는 대응하는 참조샘플들을 가리키는 것이며, 예측 방향을 나타내는 것이 아니다. 예측 방향은 화살표가 가리키는 방향과 반대이다. 광각 인트라 예측모드들은 현재블록이 직사각형일 때 추가적인 비트 전송 없이 특정 방향성 모드를 반대방향으로 예측을 수행하는 모드이다. 이때 광각 인트라 예측모드들 중에서, 직사각형의 현재블록의 너비와 높이의 비율에 의해, 현재블록에 이용 가능한 일부 광각 인트라 예측모드들이 결정될 수 있다. 예컨대, 45도보다 작은 각도를 갖는 광각 인트라 예측모드들(67 ~ 80번 인트라 예측모드들)은 현재블록이 높이가 너비보다 작은 직사각형 형태일 때 이용 가능하고, -135도보다 큰 각도를 갖는 광각 인트라 예측모드들(-1 ~ -14 번 인트라 예측모드들)은 현재블록이 너비가 높이보다 큰 직사각형 형태일 때 이용 가능하다.
인트라 예측부(122)는 현재블록을 부호화하는데 사용할 인트라 예측모드를 결정할 수 있다. 일부 예들에서, 인트라 예측부(122)는 여러 인트라 예측모드들을 사용하여 현재블록을 인코딩하고, 테스트된 모드들로부터 사용할 적절한 인트라 예측모드를 선택할 수도 있다. 예를 들어, 인트라 예측부(122)는 여러 테스트된 인트라 예측모드들에 대한 비트율 왜곡(rate-distortion) 분석을 사용하여 비트율 왜곡 값들을 계산하고, 테스트된 모드들 중 최선의 비트율 왜곡 특징들을 갖는 인트라 예측모드를 선택할 수도 있다.
인트라 예측부(122)는 복수의 인트라 예측모드 중에서 하나의 인트라 예측모드를 선택하고, 선택된 인트라 예측모드에 따라 결정되는 주변 픽셀(참조 픽셀)과 연산식을 사용하여 현재블록을 예측한다. 선택된 인트라 예측모드에 대한 정보는 엔트로피 부호화부(155)에 의해 부호화되어 영상 복호화 장치로 전달된다.
인터 예측부(124)는 움직임 보상 과정을 이용하여 현재블록에 대한 예측블록을 생성한다. 인터 예측부(124)는 현재 픽처보다 먼저 부호화 및 복호화된 참조픽처 내에서 현재블록과 가장 유사한 블록을 탐색하고, 그 탐색된 블록을 이용하여 현재블록에 대한 예측블록을 생성한다. 그리고, 현재 픽처 내의 현재블록과 참조픽처 내의 예측블록 간의 변위(displacement)에 해당하는 움직임벡터(Motion Vector: MV)를 생성한다. 일반적으로, 움직임 추정은 루마(luma) 성분에 대해 수행되고, 루마 성분에 기초하여 계산된 움직임벡터는 루마 성분 및 크로마 성분 모두에 대해 사용된다. 현재블록을 예측하기 위해 사용된 참조픽처에 대한 정보 및 움직임벡터에 대한 정보를 포함하는 움직임 정보는 엔트로피 부호화부(155)에 의해 부호화되어 영상 복호화 장치로 전달된다.
인터 예측부(124)는, 예측의 정확성을 높이기 위해, 참조픽처 또는 참조 블록에 대한 보간을 수행할 수도 있다. 즉, 연속한 두 정수 샘플 사이의 서브 샘플들은 그 두 정수 샘플을 포함한 연속된 복수의 정수 샘플들에 필터 계수들을 적용하여 보간된다. 보간된 참조픽처에 대해서 현재블록과 가장 유사한 블록을 탐색하는 과정을 수행하면, 움직임벡터는 정수 샘플 단위의 정밀도(precision)가 아닌 소수 단위의 정밀도까지 표현될 수 있다. 움직임벡터의 정밀도 또는 해상도(resolution)는 부호화하고자 하는 대상 영역, 예컨대, 슬라이스, 타일, CTU, CU 등의 단위마다 다르게 설정될 수 있다. 이와 같은 적응적 움직임벡터 해상도(Adaptive Motion Vector Resolution: AMVR)가 적용되는 경우 각 대상 영역에 적용할 움직임벡터 해상도에 대한 정보는 대상 영역마다 시그널링되어야 한다. 예컨대, 대상 영역이 CU인 경우, 각 CU마다 적용된 움직임벡터 해상도에 대한 정보가 시그널링된다. 움직임벡터 해상도에 대한 정보는 후술할 차분 움직임벡터의 정밀도를 나타내는 정보일 수 있다.
한편, 인터 예측부(124)는 양방향 예측(bi-prediction)을 이용하여 인터 예측을 수행할 수 있다. 양방향 예측의 경우, 두 개의 참조픽처와 각 참조픽처 내에서 현재블록과 가장 유사한 블록 위치를 나타내는 두 개의 움직임벡터가 이용된다. 인터 예측부(124)는 참조픽처 리스트 0(RefPicList0) 및 참조픽처 리스트 1(RefPicList1)로부터 각각 제1 참조픽처 및 제2 참조픽처를 선택하고, 각 참조픽처 내에서 현재블록과 유사한 블록을 탐색하여 제1 참조블록과 제2 참조블록을 생성한다. 그리고, 제1 참조블록과 제2 참조블록을 평균 또는 가중 평균하여 현재블록에 대한 예측블록을 생성한다. 그리고 현재블록을 예측하기 위해 사용한 두 개의 참조픽처에 대한 정보 및 두 개의 움직임벡터에 대한 정보를 포함하는 움직임 정보를 부호화부(150)로 전달한다. 여기서, 참조픽처 리스트 0은 기복원된 픽처들 중 디스플레이 순서에서 현재 픽처 이전의 픽처들로 구성되고, 참조픽처 리스트 1은 기복원된 픽처들 중 디스플레이 순서에서 현재 픽처 이후의 픽처들로 구성될 수 있다. 그러나 반드시 이에 한정되는 것은 아니며, 디스플레이 순서 상으로 현재 픽처 이후의 기복원 픽처들이 참조픽처 리스트 0에 추가로 더 포함될 수 있고, 역으로 현재 픽처 이전의 기복원 픽처들이 참조픽처 리스트 1에 추가로 더 포함될 수도 있다.
움직임 정보를 부호화하는 데에 소요되는 비트량을 최소화하기 위해 다양한 방법이 사용될 수 있다.
예컨대, 현재블록의 참조픽처와 움직임벡터가 주변블록의 참조픽처 및 움직임벡터와 동일한 경우에는 그 주변블록을 식별할 수 있는 정보를 부호화함으로써, 현재블록의 움직임 정보를 영상 복호화 장치로 전달할 수 있다. 이러한 방법을 '머지 모드(merge mode)'라 한다.
머지 모드에서, 인터 예측부(124)는 현재블록의 주변블록들로부터 기 결정된 개수의 머지 후보블록(이하, '머지 후보'라 함)들을 선택한다.
머지 후보를 유도하기 위한 주변블록으로는, 도 4에 도시된 바와 같이, 현재 픽처 내에서 현재블록에 인접한 좌측블록(A0), 좌하단블록(A1), 상단블록(B0), 우상단블록(B1), 및 좌상단블록(A2) 중에서 전부 또는 일부가 사용될 수 있다. 또한, 현재블록이 위치한 현재 픽처가 아닌 참조픽처(현재블록을 예측하기 위해 사용된 참조픽처와 동일할 수도 있고 다를 수도 있음) 내에 위치한 블록이 머지 후보로서 사용될 수도 있다. 예컨대, 참조픽처 내에서 현재블록과 동일 위치에 있는 블록(co-located block) 또는 그 동일 위치의 블록에 인접한 블록들이 머지 후보로서 추가로 더 사용될 수 있다. 이상에서 기술된 방법에 의해 선정된 머지 후보의 개수가 기설정된 개수보다 작으면, 0 벡터를 머지 후보에 추가한다.
인터 예측부(124)는 이러한 주변블록들을 이용하여 기 결정된 개수의 머지 후보를 포함하는 머지 리스트를 구성한다. 머지 리스트에 포함된 머지 후보들 중에서 현재블록의 움직임정보로서 사용할 머지 후보를 선택하고 선택된 후보를 식별하기 위한 머지 인덱스 정보를 생성한다. 생성된 머지 인덱스 정보는 부호화부(150)에 의해 부호화되어 영상 복호화 장치로 전달된다.
머지 스킵(merge skip) 모드는 머지 모드의 특별한 경우로서, 양자화를 수행한 후, 엔트로피 부호화를 위한 변환 계수가 모두 영(zero)에 가까울 때, 잔차신호의 전송 없이 주변블록 선택 정보만을 전송한다. 머지 스킵 모드를 이용함으로써, 움직임이 적은 영상, 정지 영상, 스크린 콘텐츠 영상 등에서 상대적으로 높은 부호화 효율을 달성할 수 있다.
이하, 머지 모드와 머지 스킵 모드를 통칭하여, 머지/스킵 모드로 나타낸다.
움직임 정보를 부호화하기 위한 또 다른 방법은 AMVP(Advanced Motion Vector Prediction) 모드이다.
AMVP 모드에서, 인터 예측부(124)는 현재블록의 주변블록들을 이용하여 현재블록의 움직임벡터에 대한 예측 움직임벡터 후보들을 유도한다. 예측 움직임벡터 후보들을 유도하기 위해 사용되는 주변블록으로는, 도 4에 도시된 현재 픽처 내에서 현재블록에 인접한 좌측블록(A0), 좌하단블록(A1), 상단블록(B0), 우상단블록(B1), 및 좌상단블록(A2) 중에서 전부 또는 일부가 사용될 수 있다. 또한, 현재블록이 위치한 현재 픽처가 아닌 참조픽처(현재블록을 예측하기 위해 사용된 참조픽처와 동일할 수도 있고 다를 수도 있음) 내에 위치한 블록이 예측 움직임벡터 후보들을 유도하기 위해 사용되는 주변블록으로서 사용될 수도 있다. 예컨대, 참조픽처 내에서 현재블록과 동일 위치에 있는 블록(collocated block) 또는 그 동일 위치의 블록에 인접한 블록들이 사용될 수 있다. 이상에서 기술된 방법에 의해 움직임벡터 후보의 개수가 기설정된 개수보다 작으면, 0 벡터를 움직임벡터 후보에 추가한다.
인터 예측부(124)는 이 주변블록들의 움직임벡터를 이용하여 예측 움직임벡터 후보들을 유도하고, 예측 움직임벡터 후보들을 이용하여 현재블록의 움직임벡터에 대한 예측 움직임벡터를 결정한다. 그리고, 현재블록의 움직임벡터로부터 예측 움직임벡터를 감산하여 차분 움직임벡터를 산출한다.
예측 움직임벡터는 예측 움직임벡터 후보들에 기 정의된 함수(예컨대, 중앙값, 평균값 연산 등)를 적용하여 구할 수 있다. 이 경우, 영상 복호화 장치도 기 정의된 함수를 알고 있다. 또한, 예측 움직임벡터 후보를 유도하기 위해 사용하는 주변블록은 이미 부호화 및 복호화가 완료된 블록이므로 영상 복호화 장치도 그 주변블록의 움직임벡터도 이미 알고 있다. 그러므로 영상 부호화 장치는 예측 움직임벡터 후보를 식별하기 위한 정보를 부호화할 필요가 없다. 따라서, 이 경우에는 차분 움직임벡터에 대한 정보와 현재블록을 예측하기 위해 사용한 참조픽처에 대한 정보가 부호화된다.
한편, 예측 움직임벡터는 예측 움직임벡터 후보들 중 어느 하나를 선택하는 방식으로 결정될 수도 있다. 이 경우에는 차분 움직임벡터에 대한 정보 및 현재블록을 예측하기 위해 사용한 참조픽처에 대한 정보와 함께, 선택된 예측 움직임벡터 후보를 식별하기 위한 정보가 추가로 부호화된다.
감산기(130)는 현재블록으로부터 인트라 예측부(122) 또는 인터 예측부(124)에 의해 생성된 예측블록을 감산하여 잔차블록을 생성한다.
변환부(140)는 공간 영역의 픽셀 값들을 가지는 잔차블록 내의 잔차신호를 주파수 도메인의 변환 계수로 변환한다. 변환부(140)는 잔차블록의 전체 크기를 변환 단위로 사용하여 잔차블록 내의 잔차신호들을 변환할 수 있으며, 또는 잔차블록을 복수 개의 서브블록으로 분할하고 그 서브블록을 변환 단위로 사용하여 변환을 할 수도 있다. 또는, 변환 영역 및 비변환 영역인 두 개의 서브블록으로 구분하여, 변환 영역 서브블록만 변환 단위로 사용하여 잔차신호들을 변환할 수 있다. 여기서, 변환 영역 서브블록은 가로축 (혹은 세로축) 기준 1:1의 크기 비율을 가지는 두 개의 직사각형 블록 중 하나일 수 있다. 이런 경우, 서브블록 만을 변환하였음을 지시하는 플래그(cu_sbt_flag), 방향성(vertical/horizontal) 정보(cu_sbt_horizontal_flag) 및/또는 위치 정보(cu_sbt_pos_flag)가 엔트로피 부호화부(155)에 의해 부호화되어 영상 복호화 장치로 시그널링된다. 또한, 변환 영역 서브블록의 크기는 가로축 (혹은 세로축) 기준 1:3의 크기 비율을 가질 수 있으며, 이런 경우 해당 분할을 구분하는 플래그(cu_sbt_quad_flag)가 추가적으로 엔트로피 부호화부(155)에 의해 부호화되어 영상 복호화 장치로 시그널링된다.
한편, 변환부(140)는 잔차블록에 대해 가로 방향과 세로 방향으로 개별적으로 변환을 수행할 수 있다. 변환을 위해, 다양한 타입의 변환 함수 또는 변환 행렬이 사용될 수 있다. 예컨대, 가로 방향 변환과 세로 방향 변환을 위한 변환 함수의 쌍을 MTS(Multiple Transform Set)로 정의할 수 있다. 변환부(140)는 MTS 중 변환 효율이 가장 좋은 하나의 변환 함수 쌍을 선택하고 가로 및 세로 방향으로 각각 잔차블록을 변환할 수 있다. MTS 중에서 선택된 변환 함수 쌍에 대한 정보(mts_idx)는 엔트로피 부호화부(155)에 의해 부호화되어 영상 복호화 장치로 시그널링된다.
양자화부(145)는 변환부(140)로부터 출력되는 변환 계수들을 양자화 파라미터를 이용하여 양자화하고, 양자화된 변환 계수들을 엔트로피 부호화부(155)로 출력한다. 양자화부(145)는, 어떤 블록 혹은 프레임에 대해, 변환 없이, 관련된 잔차 블록을 곧바로 양자화할 수도 있다. 양자화부(145)는 변환블록 내의 변환 계수들의 위치에 따라 서로 다른 양자화 계수(스케일링 값)을 적용할 수도 있다. 2차원으로 배열된 양자화된 변환 계수들에 적용되는 양자화 행렬은 부호화되어 영상 복호화 장치로 시그널링될 수 있다.
재정렬부(150)는 양자화된 잔차값에 대해 계수값의 재정렬을 수행할 수 있다.
재정렬부(150)는 계수 스캐닝(coefficient scanning)을 이용하여 2차원의 계수 어레이를 1차원의 계수 시퀀스로 변경할 수 있다. 예를 들어, 재정렬부(150)에서는 지그-재그 스캔(zig-zag scan) 또는 대각선 스캔(diagonal scan)을 이용하여 DC 계수부터 고주파수 영역의 계수까지 스캔하여 1차원의 계수 시퀀스를 출력할 수 있다. 변환 단위의 크기 및 인트라 예측모드에 따라 지그-재그 스캔 대신 2차원의 계수 어레이를 열 방향으로 스캔하는 수직 스캔, 2차원의 블록 형태 계수를 행 방향으로 스캔하는 수평 스캔이 사용될 수도 있다. 즉, 변환 단위의 크기 및 인트라 예측모드에 따라 지그-재그 스캔, 대각선 스캔, 수직 방향 스캔 및 수평 방향 스캔 중에서 사용될 스캔 방법이 결정될 수도 있다.
엔트로피 부호화부(155)는, CABAC(Context-based Adaptive Binary Arithmetic Code), 지수 골롬(Exponential Golomb) 등의 다양한 부호화 방식을 사용하여, 재정렬부(150)로부터 출력된 1차원의 양자화된 변환 계수들의 시퀀스를 부호화함으로써 비트스트림을 생성한다.
또한, 엔트로피 부호화부(155)는 블록 분할과 관련된 CTU size, CU 분할 플래그, QT 분할 플래그, MTT 분할 타입, MTT 분할 방향 등의 정보를 부호화하여, 영상 복호화 장치가 영상 부호화 장치와 동일하게 블록을 분할할 수 있도록 한다. 또한, 엔트로피 부호화부(155)는 현재블록이 인트라 예측에 의해 부호화되었는지 아니면 인터 예측에 의해 부호화되었는지 여부를 지시하는 예측 타입에 대한 정보를 부호화하고, 예측 타입에 따라 인트라 예측정보(즉, 인트라 예측모드에 대한 정보) 또는 인터 예측정보(움직임 정보의 부호화 모드(머지 모드 또는 AMVP 모드), 머지 모드의 경우 머지 인덱스, AMVP 모드의 경우 참조픽처 인덱스 및 차분 움직임벡터에 대한 정보)를 부호화한다. 또한, 엔트로피 부호화부(155)는 양자화와 관련된 정보, 즉, 양자화 파라미터에 대한 정보 및 양자화 행렬에 대한 정보를 부호화한다.
역양자화부(160)는 양자화부(145)로부터 출력되는 양자화된 변환 계수들을 역양자화하여 변환 계수들을 생성한다. 역변환부(165)는 역양자화부(160)로부터 출력되는 변환 계수들을 주파수 도메인으로부터 공간 도메인으로 변환하여 잔차블록을 복원한다.
가산부(170)는 복원된 잔차블록과 예측부(120)에 의해 생성된 예측블록을 가산하여 현재블록을 복원한다. 복원된 현재블록 내의 픽셀들은 다음 순서의 블록을 인트라 예측할 때 참조 픽셀로서 사용된다.
루프(loop) 필터부(180)는 블록 기반의 예측 및 변환/양자화로 인해 발생하는 블록킹 아티팩트(blocking artifacts), 링잉 아티팩트(ringing artifacts), 블러링 아티팩트(blurring artifacts) 등을 줄이기 위해 복원된 픽셀들에 대한 필터링을 수행한다. 필터부(180)는 인루프(in-loop) 필터로서 디블록킹 필터(182), SAO(Sample Adaptive Offset) 필터(184) 및 ALF(Adaptive Loop Filter, 186)의 전부 또는 일부를 포함할 수 있다.
디블록킹 필터(182)는 블록 단위의 부호화/복호화로 인해 발생하는 블록킹 현상(blocking artifact)을 제거하기 위해 복원된 블록 간의 경계를 필터링하고, SAO 필터(184) 및 alf(186)는 디블록킹 필터링된 영상에 대해 추가적인 필터링을 수행한다. SAO 필터(184) 및 alf(186)는 손실 부호화(lossy coding)로 인해 발생하는 복원된 픽셀과 원본 픽셀 간의 차이를 보상하기 위해 사용되는 필터이다. SAO 필터(184)는 CTU 단위로 오프셋을 적용함으로써 주관적 화질뿐만 아니라 부호화 효율도 향상시킨다. 이에 비하여 ALF(186)는 블록 단위의 필터링을 수행하는데, 해당 블록의 에지 및 변화량의 정도를 구분하여 상이한 필터를 적용하여 왜곡을 보상한다. ALF에 사용될 필터 계수들에 대한 정보는 부호화되어 영상 복호화 장치로 시그널링될 수 있다.
디블록킹 필터(182), SAO 필터(184) 및 ALF(186)를 통해 필터링된 복원블록은 메모리(190)에 저장된다. 한 픽처 내의 모든 블록들이 복원되면, 복원된 픽처는 이후에 부호화하고자 하는 픽처 내의 블록을 인터 예측하기 위한 참조픽처로 사용될 수 있다.
도 5는 본 개시의 기술들을 구현할 수 있는 영상 복호화 장치의 예시적인 블록도이다. 이하에서는 도 5를 참조하여 영상 복호화 장치와 이 장치의 하위 구성들에 대하여 설명하도록 한다.
영상 복호화 장치는 엔트로피 복호화부(510), 재정렬부(515), 역양자화부(520), 역변환부(530), 예측부(540), 가산기(550), 루프 필터부(560) 및 메모리(570)를 포함하여 구성될 수 있다.
도 1의 영상 부호화 장치와 마찬가지로, 영상 복호화 장치의 각 구성요소는 하드웨어 또는 소프트웨어로 구현되거나, 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, 각 구성요소의 기능이 소프트웨어로 구현되고 마이크로프로세서가 각 구성요소에 대응하는 소프트웨어의 기능을 실행하도록 구현될 수도 있다.
엔트로피 복호화부(510)는 영상 부호화 장치에 의해 생성된 비트스트림을 복호화하여 블록 분할과 관련된 정보를 추출함으로써 복호화하고자 하는 현재블록을 결정하고, 현재블록을 복원하기 위해 필요한 예측정보와 잔차신호에 대한 정보 등을 추출한다.
엔트로피 복호화부(510)는 SPS(Sequence Parameter Set) 또는 PPS(Picture Parameter Set)로부터 CTU size에 대한 정보를 추출하여 CTU의 크기를 결정하고, 픽처를 결정된 크기의 CTU로 분할한다. 그리고, CTU를 트리 구조의 최상위 레이어, 즉, 루트 노드로 결정하고, CTU에 대한 분할정보를 추출함으로써 트리 구조를 이용하여 CTU를 분할한다.
예컨대, QTBTTT 구조를 사용하여 CTU를 분할하는 경우, 먼저 QT의 분할과 관련된 제1 플래그(QT_split_flag)를 추출하여 각 노드를 하위 레이어의 네 개의 노드로 분할한다. 그리고, QT의 리프 노드에 해당하는 노드에 대해서는 MTT의 분할과 관련된 제2 플래그(MTT_split_flag) 및 분할 방향(vertical / horizontal) 및/또는 분할 타입(binary / ternary) 정보를 추출하여 해당 리프 노드를 MTT 구조로 분할한다. 이에 따라 QT의 리프 노드 이하의 각 노드들을 BT 또는 TT 구조로 반복적으로(recursively) 분할한다.
또 다른 예로서, QTBTTT 구조를 사용하여 CTU를 분할하는 경우, 먼저 CU의 분할 여부를 지시하는 CU 분할 플래그(split_cu_flag)를 추출하고, 해당 블록이 분할된 경우, 제1 플래그(QT_split_flag)를 추출할 수도 있다. 분할 과정에서 각 노드는 0번 이상의 반복적인 QT 분할 후에 0번 이상의 반복적인 MTT 분할이 발생할 수 있다. 예컨대, CTU는 바로 MTT 분할이 발생하거나, 반대로 다수 번의 QT 분할만 발생할 수도 있다.
다른 예로서, QTBT 구조를 사용하여 CTU를 분할하는 경우, QT의 분할과 관련된 제1 플래그(QT_split_flag)를 추출하여 각 노드를 하위 레이어의 네 개의 노드로 분할한다. 그리고, QT의 리프 노드에 해당하는 노드에 대해서는 BT로 더 분할되는지 여부를 지시하는 분할 플래그(split_flag) 및 분할 방향 정보를 추출한다.
한편, 엔트로피 복호화부(510)는 트리 구조의 분할을 이용하여 복호화하고자 하는 현재블록을 결정하게 되면, 현재블록이 인트라 예측되었는지 아니면 인터 예측되었는지를 지시하는 예측 타입에 대한 정보를 추출한다. 예측 타입 정보가 인트라 예측을 지시하는 경우, 엔트로피 복호화부(510)는 현재블록의 인트라 예측정보(인트라 예측모드)에 대한 신택스 요소를 추출한다. 예측 타입 정보가 인터 예측을 지시하는 경우, 엔트로피 복호화부(510)는 인터 예측정보에 대한 신택스 요소, 즉, 움직임벡터 및 그 움직임벡터가 참조하는 참조픽처를 나타내는 정보를 추출한다.
또한, 엔트로피 복호화부(510)는 양자화 관련된 정보, 및 잔차신호에 대한 정보로서 현재블록의 양자화된 변환계수들에 대한 정보를 추출한다.
재정렬부(515)는, 영상 부호화 장치에 의해 수행된 계수 스캐닝 순서의 역순으로, 엔트로피 복호화부(510)에서 엔트로피 복호화된 1차원의 양자화된 변환계수들의 시퀀스를 다시 2차원의 계수 어레이(즉, 블록)로 변경할 수 있다.
역양자화부(520)는 양자화된 변환계수들을 역양자화하고, 양자화 파라미터를 이용하여 양자화된 변환계수들을 역양자화한다. 역양자화부(520)는 2차원으로 배열된 양자화된 변환계수들에 대해 서로 다른 양자화 계수(스케일링 값)을 적용할 수도 있다. 역양자화부(520)는 영상 부호화 장치로부터 양자화 계수(스케일링 값)들의 행렬을 양자화된 변환계수들의 2차원 어레이에 적용하여 역양자화를 수행할 수 있다.
역변환부(530)는 역양자화된 변환계수들을 주파수 도메인으로부터 공간 도메인으로 역변환하여 잔차신호들을 복원함으로써 현재블록에 대한 잔차블록을 생성한다.
또한, 역변환부(530)는 변환블록의 일부 영역(서브블록)만 역변환하는 경우, 변환블록의 서브블록만을 변환하였음을 지시하는 플래그(cu_sbt_flag), 서브블록의 방향성(vertical/horizontal) 정보(cu_sbt_horizontal_flag) 및/또는 서브블록의 위치 정보(cu_sbt_pos_flag)를 추출하여, 해당 서브블록의 변환계수들을 주파수 도메인으로부터 공간 도메인으로 역변환함으로써 잔차신호들을 복원하고, 역변환되지 않은 영역에 대해서는 잔차신호로 “0”값을 채움으로써 현재블록에 대한 최종 잔차블록을 생성한다.
또한, MTS가 적용된 경우, 역변환부(530)는 영상 부호화 장치로부터 시그널링된 MTS 정보(mts_idx)를 이용하여 가로 및 세로 방향으로 각각 적용할 변환 함수 또는 변환 행렬을 결정하고, 결정된 변환 함수를 이용하여 가로 및 세로 방향으로 변환블록 내의 변환계수들에 대해 역변환을 수행한다.
예측부(540)는 인트라 예측부(542) 및 인터 예측부(544)를 포함할 수 있다. 인트라 예측부(542)는 현재블록의 예측 타입이 인트라 예측일 때 활성화되고, 인터 예측부(544)는 현재블록의 예측 타입이 인터 예측일 때 활성화된다.
인트라 예측부(542)는 엔트로피 복호화부(510)로부터 추출된 인트라 예측모드에 대한 신택스 요소로부터 복수의 인트라 예측모드 중 현재블록의 인트라 예측모드를 결정하고, 인트라 예측모드에 따라 현재블록 주변의 참조 픽셀들을 이용하여 현재블록을 예측한다.
인터 예측부(544)는 엔트로피 복호화부(510)로부터 추출된 인터 예측모드에 대한 신택스 요소를 이용하여 현재블록의 움직임벡터와 그 움직임벡터가 참조하는 참조픽처를 결정하고, 움직임벡터와 참조픽처를 이용하여 현재블록을 예측한다.
가산기(550)는 역변환부로부터 출력되는 잔차블록과 인터 예측부 또는 인트라 예측부로부터 출력되는 예측블록을 가산하여 현재블록을 복원한다. 복원된 현재블록 내의 픽셀들은 이후에 복호화할 블록을 인트라 예측할 때의 참조픽셀로서 활용된다.
루프 필터부(560)는 인루프 필터로서 디블록킹 필터(562), SAO 필터(564) 및 ALF(566)를 포함할 수 있다. 디블록킹 필터(562)는 블록 단위의 복호화로 인해 발생하는 블록킹 현상(blocking artifact)을 제거하기 위해, 복원된 블록 간의 경계를 디블록킹 필터링한다. SAO 필터(564) 및 ALF(566)는 손실 부호화(lossy coding)으로 인해 발생하는 복원된 픽셀과 원본 픽셀 간의 차이를 보상하기 위해, 디블록킹 필터링 이후의 복원된 블록에 대해 추가적인 필터링을 수행한다. ALF의 필터 계수는 비스트림으로부터 복호한 필터 계수에 대한 정보를 이용하여 결정된다.
디블록킹 필터(562), SAO 필터(564) 및 ALF(566)를 통해 필터링된 복원블록은 메모리(570)에 저장된다. 한 픽처 내의 모든 블록들이 복원되면, 복원된 픽처는 이후에 부호화하고자 하는 픽처 내의 블록을 인터 예측하기 위한 참조픽처로 사용된다.
본 실시예는 이상에서 설명한 바와 같은 영상(비디오)의 부호화 및 복호화에 관한 것이다. 보다 자세하게는, 입력 비디오 블록을 딥러닝 모델인 트랜스포머(transformer)의 어텐션 모듈(attention module)에 적용하고, 이에 따른 트랜스포머 기반 인루프 필터를 이용하는 비디오 코딩방법 및 장치를 제공한다.
이하의 실시예들은 영상 부호화 장치(video encoding device) 내 루프 필터부(180)에 의해 수행될 수 있다. 또한, 영상 복호화 장치(video decoding device) 내 루프 필터부(542)에 의해 수행될 수 있다.
영상 부호화 장치는, 복원 프레임의 인루프 필터링에 있어서, 비트율 왜곡 최적화 측면에서 본 실시예와 관련된 시그널링 정보를 생성할 수 있다. 영상 부호화 장치는 엔트로피 부호화부(155)를 이용하여 이를 부호화한 후, 영상 복호화 장치로 전송할 수 있다. 영상 복호화 장치는 엔트로피 복호화부(510)를 이용하여 비트스트림으로부터 복원 프레임의 인루프 필터링과 관련된 시그널링 정보를 복호화할 수 있다.
이하의 설명에서, '대상 블록'이라는 용어는 현재블록 또는 코딩유닛(CU, Coding Unit)과 동일한 의미로 사용될 수 있고, 또는 코딩유닛의 일부 영역을 의미할 수도 있다.
또한, 하나의 플래그의 값이 참이라는 것은 플래그가 1로 설정되는 경우를 나타낸다. 또한, 하나의 플래그의 값이 거짓이라는 것은 플래그가 0으로 설정되는 경우를 나타낸다.
I. CNN(Convolutional Neural Network)
CNN은 복수의 콘볼루션 레이어(convolution layer)와 풀링 레이어(pooling layer)로 구성된 신경망을 지칭하고, 영상 처리에 가장 적합한 것으로 알려진 딥러닝 기술이다. 콘볼루션 레이어는 다수의 커널(kernel) 또는 필터(filter)를 이용하여 특징맵(feature map, 또는 '특성'과 호환적으로 이용)을 추출한다. 이때 필터를 구성하는 커널 계수(kernel coefficient)가 학습 과정에서 결정되는 파라미터이다.
CNN의 콘볼루션 레이어 중에서 입력에 가까운 전단 레이어는 선, 점, 또는 면과 같은 단순하고 낮은(lower) 수준의 영상 특징에 반응하는 특징맵을 추출하고, 출력에 가까운 후단 계층은 텍스처(texture), 사물 일부(object parts) 등 높은(higher) 수준에 반응하는 특징맵을 추출한다.
도 6은 본 개시의 일 실시예에 따른 콘볼루션 레이어의 연산을 나타내는 예시도이다.
콘볼루션 레이어는 콘볼루션 연산을 이용하여 입력 영상으로부터 특징맵을 생성한다. 도 6의 예시에는, 커널 크기가 3×3인 커널(또는 필터)이 표현되어 있다. 커널 크기는 커널 사이즈(kernel size) 또는 필터 사이즈(filter size)로도 지칭된다. 커널은 가중치(weight)로도 불리우는 커널 파라미터(kernel parameter 또는 filter parameter)를 갖는다. 도 6에 예시된 커널은 총 9 개의 커널 파라미터를 갖는다. 커널 파라미터는 초기에 임의의 값으로 설정되고, 트레이닝(learning)을 기반으로 그 값이 업데이트될 수 있다.
콘볼루션 레이어는 입력 영상에서 커널 사이즈만큼의 블록을 이용하여 콘볼루션 연산을 수행한다. 이때, 입력 영상 내의 커널 사이즈만큼의 블록을 윈도우(window)로 지칭한다.
입력 영상에 대한 필터링을 래스터 스캔 순서(raster-scan order)로 수행할 때, 윈도우의 이동 크기를 스트라이드(stride)라고 한다. 도 6의 예시에서, 스트라이드는 1이다. 만약 스트라이드를 2로 설정하면, 윈도우를 2 샘플씩 띄어서 콘볼루션 연산을 수행하고, 결과적으로 특징맵의 가로와 세로의 크기는 입력 영상의 가로와 세로의 크기의 반이 된다.
전술한 바와 같이, 하나의 콘볼루션 레이어는 다수의 필터를 포함할 수 있다. 필터의 개수(number of filter/filters) 또는 커널의 개수(number of kernel/kernels)를 채널(channel)이라고 한다. 즉, 채널의 개수는 필터의 개수와 동일하다. 또한 필터의 개수는 특징맵의 차원(dimension)의 크기를 결정한다.
패딩(padding)은 콘볼루션 연산을 수행하기 전, 입력 데이터 주변을 특정값으로 채워서 입력 데이터를 확장하는 방법을 나타낸다. 패딩은 주로 출력 데이터의 공간적(spatial) 크기를 조절하기 위해 사용된다. 패딩 시 이용되는 값은 하이퍼파라미터에 의해 결정될 수 있으나, 주로 제로패딩(zero-padding)이 이용된다. 패딩을 사용하지 않을 경우, 콘볼루션 레이어를 거칠 때마다 출력 데이터의 공간적 크기가 감소하여, 경계의 정보들이 사라지는 문제가 발생할 수 있다. 따라서, 이러한 문제를 방지하기 위해, 패딩이 사용된다. 즉, 콘볼루션 레이어의 출력 데이터와 입력 데이터의 공간적 크기를 동일하게 맞추기 위해 패딩이 사용될 수 있다.
디콘볼루션 레이어는 콘볼루션 레이어와 반대되는 연산을 한다. 디콘볼루션 레이어는 입력인 특징맵으로부터 원하는 데이터 영상을 출력으로 생성한다.
풀링 레이어는 콘볼루션 레이어에 의해 생성된 특징맵을 서브샘플링(sub sampling)하는 과정인 풀링을 수행한다. 풀링 레이어는 2×2 크기의 윈도우를 이용하여 출력 결과가 입력의 가로와 세로 각각의 절반이 되도록 샘플을 선택한다. 즉, 풀링 계층은 2×2 영역을 샘플 하나로 집약하여 입력 영상 또는 입력 특징맵의 크기를 축소하기 위해 이용된다.
풀링 레이어의 반대 개념은 언풀링(unpooling) 레이어로 정의한다. 언풀링 레이어는 풀링 레이어와 반대로 차원을 확대하는 역할을 하고, 주로 디콘볼루션 레이어 이후에 사용된다.
콘볼루션 인코더(convolutional encoder)-디코더(decoder) 구조는 콘볼루션 레이어들와 디콘볼루션 레이어들의 짝(pair)으로 구성되는 네트워크 구조이다. 콘볼루션 인코더는 콘볼루션 레이어와 풀링 레이어로 구성되어, 입력 영상으로부터 특징맵(또는 특징 벡터)을 출력한다. 콘볼루션 인코더의 최종 출력 벡터를 잠재 벡터(latent vector)로도 지칭한다. 콘볼루션 디코더(convolutional decoder)는 디콘볼루션 레이어와 언풀링 레이어로 구성되어, 특징맵 또는 잠재 벡터로부터 출력 영상을 생성한다.
콘볼루션 인코더-디코더의 입력과 출력은 애플리케이션과 네트워크의 목적에 따라 다양하게 설정될 수 있다. 예컨대, 입력과 출력은 옵티컬 플로우 맵(optical flow map), 돌출 맵(saliency map), 영상 프레임(image frame) 등일 수 있다.
도 7은 SISR 네트워크를 나타내는 예시도이다.
CNN이 적용되는 일 예로서 SISR(Single Image Super Resolution)이 있다. SISR 네트워크는 저해상도 입력 영상으로부터 고해상도 이미지를 출력으로 생성한다. SISR 네트워크는 도 7에 예시된 바와 같이, 다수의 콘볼루션 레이어들을 포함할 수 있다. 각 콘볼루션 레이어는 ReLU(Rectified Linear Unit)과 같은 활성화 함수(activation function)를 포함한다. SISR 네트워크의 파라미터들은 생성되는 SR(Super Resolution) 영상이 GT(Ground Truth)에 근접하도록 트레이닝될 수 있다.
CNN을 이용한 SR 방식들은 깊이를 증가시켜(예컨대, 콘볼루션 레이어의 개수를 증가시키는 것을 의미함) SR 성능을 향상시킬 수 있다. 깊이의 증가에 따라 발생할 수 있는 학습에서의 과적합(overfitting) 문제를 극복하기 위해, 스킵 연결(skip connection) 및 잔차 학습(residual learning)을 수행할 수 있는 잔차 블록(residual block)이 SISR 네트워크에 이용될 수 있다. 잔차 블록은, 도 8에 예시된 바와 같이, 입력 특징 xl에 콘볼루션 연산을 적용하는 경로 외에 스킵 경로를 포함한다. 또한, 잔차 블록은 출력 xl+1을 생성 시, 학습 효율에 기초하여 콘볼루션 연산을 적용하는 경로 또는 스킵 경로를 선택할 수도 있다. 도 8의 예시에서, 잔차 블록은 BN(Batch Normalization) 레이어를 포함한다.
일 예로서, EDSR(Enhanced Deep residual networks for SISR)은 잔차 블록들을 연속적으로 연결하여 깊이를 증가시킴으로써, 네트워크의 성능을 증가시킨다. 다른 예로서, VDSR(Accurate Image Super-Resolution Using Very Deep Convolutional Networks)은 VGG(Visual Geometry Group) 네트워크 기반의 CNN 모델로서, 잔차 프레임을 최종 출력에 더해 주는 방식인 잔차신호 기반 학습(residual learning)을 사용한다. VDSR은 네트워크의 맨 마지막에 잔차 신호을 추가하여, 입력 신호에 잔차 신호를 더한다.
다른 예로서, CNN은 영상 부호화 장치 또는 영상 복호화 장치에서 인루프 필터로 이용될 수 있다. 이때, 딥러닝 기반 인루프 필터는, 디블로킹 필터, SAO 필터, 및 ALF로 구성된 기존 루프 필터부(180, 560) 내 어느 위치에든 적용이 될 수 있다.
딥러닝 기반 인루프 필터로서 고정 계수 인루프 필터가 있다. 고정 계수 딥러닝 인루프 필터는, 영상 부호화 장치 및 영상 복호화 장치 측에 저장된 동일한 CNN 커널 파라미터들을 사용한다.
도 9는 CNN 기반 고정 계수 인루프 필터를 나타내는 예시도이다.
입력 블록(또는 입력 프레임)은 정규화 QP 맵(normalized QP map)을 거친 후, 이후의 단계에 전달된다. 정규화 QP 맵은 학습과 추론 과정에서 서로 다른 강도의 양자화 잡음이 섞인 경우, 추론 오차를 감소시키기 위하여 사용된다. DRU(Dense Residual Unit) 및 콘볼루션 레이어를 구성하는 커널 파리미터들은, 영상 부호화 장치 및 영상 복호화 장치에 동일하게 저장된 채로 사용될 수 있다. 도 9의 예시에서, 각 DRU는 콘볼루션 레이어, ReLU 레이어, 및 DSC(depth-wise separable convolutional) 레이어들의 전부 또는 일부를 포함할 수 있다.
고정 계수 딥러닝 인루프 필터는 다양한 비디오 프레임에 대해 일반적인 성능을 제공해야 함으로, CNN의 레이어의 개수가 깊어지고 그에 따라 연산 시간이 길어진다는 단점을 갖는다.
II. 트랜스포머
트랜스포머(transformer)는 자연어 처리에서 기계 번역 등의 시퀀스-투-시퀀스(sequence-to-sequence) 과제를 수행하기 위해 제안된 모델이다.
기존 시퀀스-투-시퀀스 모델은 RNN(Recurrent Neural Network) 또는 LSTM(Long Short-Term Memory)을 이용하여 입력 단어가 입력되면 출력 단어를 순서대로 출력하는 인코더-디코더 구조을 포함한다. 인코더는 입력 시퀀스를 벡터 표현으로 표현하고 디코더는 이 벡터 표현에 기초하여 출력 시퀀스를 생성한다.
하지만, RNN 기반의 모델은 입력 벡터의 길이가 제한된다는 한계를 보인다. 또한, 인코딩 시 입력 시퀀스 정보가 일부 손실되기 때문에, RNN 모델은 복잡한 문장 처리에 한계를 보인다. 이를 보완하기 위해, 디코더의 특정 시간에서의 출력과 인코더의 출력과의 연관성을 파악하는 어텐션(Attention) 메커니즘에 기초하여 맥락 벡터(context vector)를 생성함에도, RNN 모델은 전술한 한계를 극복하지는 못한다.
트랜스포머는 어텐션만으로 기존의 인코더-디코더 구조를 유지하고, RNN 또는 LSTM를 사용하지 않음에도 번역 성능에서 기존 모델보다 우수한 성능을 보인다.
먼저, 트랜스포머의 전체적인 구조를 기술하기 전에, 트랜스포머에서 이용되는 셀프 어텐션을 기술한다.
도 10a 및 도 10b는 벡터의 셀프 어텐션을 나타내는 예시도이다.
셀프 어텐션(sef attention)은 트랜스포머 내 어텐션 모듈(또는 '어텐션 층')에 의해 수행된다. 이하, 트랜스포머가 "I am a student"라는 문장을 순차적으로 처리하되, 어텐션 모듈이 현재 'student'라는 입력 단어를 처리하는 것을 가정한다.
먼저, 어텐션 모듈은 도 10a에 예시된 바와 같이, 트랜스포머에 초기 입력된 각 단어에 해당하는 단어 벡터(word vector)에 가중치 행렬을 곱하여, Q(Query) 벡터, K(Key) 벡터, 및 V(Value) 벡터를 생성한다. 도 10a의 예시에서, 가중치 행렬 WQ, WK 및 WV는 학습된 파라미터들이다. 또한, 입력 단어 'student'에 대해 Qstudent, Kstudent 및 Vstudent는 각각 Q 벡터, K 벡터 및 V 벡터를 나타낸다.
이후, 어텐션 모듈은 주어진 Q 벡터에 대해 모든 K 벡터들과의 어텐션 스코어(attention score)들을 산정한다. 이후, 어텐션 모듈은 해당 유사도, 즉 어텐션 스코어를 가중치로 이용하여, 각 K 벡터와 매핑된 V 벡터에 반영한다. 마지막으로, 어텐션 모듈은 유사도가 반영된 V 벡터들을 모두 가중합하여, 입력 단어에 대해 어텐션 값(attention value)을 산정할 수 있다.
한편, 어텐션 스코어는 도 10b의 예시와 같이, 두 백터의 내적을 이용하는 scaled dot-product attention에 의해 산정될 수 있다. scaled dot-product attention은 수학식 1과 같이 표현될 수 있다.
Figure PCTKR2023001180-appb-img-000001
여기서, dk는 사전에 정의되는 상수이다.
어텐션 스코어 함수는 q 벡터와 k 벡터 간의 연관도를 표현한다. 수학식 1에서 스코어 함수는 내적을 이용하나, 코사인 유사도(cosine similarity), 상관도(correlation) 등과 같은 두 벡터들 간의 유사도 또한 이용될 수 있다.
위와 같은 연산은, 도 11a 및 도 11b의 예시와 같이, 'student' 이외에도 'I', 'am', 및 'a' 모두에 병렬적으로 적용될 수 있다. 도 11a 및 도 11b의 예시에서, 입력 문장 "I am a student"에 대해 Q, K 및 V는 각각 Q 행렬, K 행렬 및 V 행렬을 나타낸다. 최종적인 어텐션 값 행렬은 수학식 2와 같이 산정될 수 있다.
Figure PCTKR2023001180-appb-img-000002
여기서, B는 위치 인코딩 값(positional encoding value)의 행렬로서, 사전에 정의된다. 도 11b의 예시에는 B가 생략되어 있다.
도 12는 멀티헤드 어텐션을 나타내는 예시도이다.
한편, 한 번의 어텐션보다 병렬 어텐션을 수행하는 것이, 학습의 일반화에 더 효과적이다. 이는 상이한 가중치들을 이용하여 각 단어 벡터에 대해 다른 시각에서 정보를 수집할 수 있기 때문이다. 트랜스포머에서는 병렬 어텐션이 멀티헤드 어텐션(multi-head attention)으로 표현된다.
멀티헤드 어텐션을 적용하기 위해, 가중치 행렬 WQ, WK 및 WV이 어텐션 헤드의 개수(num_heads)만큼 학습될 수 있다. 도 12에 예시된 바와 같이 가중치 행렬 WQ 0...num_head-1, WK 0...num_head-1 및 WV 0...num_head-1를 이용하여 병렬 어텐션이 수행될 수 있다. 이후, 각 헤드에서의 어텐션 출력을 연결(concatenate)하고, 가중치 행렬을 곱하여 최종 어텐션이 생성될 수 있다.
도 13은 트랜스포머의 구조를 나타내는 예시도이다.
트랜스포머는 N 개의 인코더와 N 개의 디코더를 포함한다.
인코더는 N 개의 층(layer)들을 포함한다. 하나의 층은 두 개의 서브층(sulayer)들, 즉 셀프 어텐션(self-attention) 및 피드포워드(feed forward) 신경망을 포함한다. 여기서, 셀프 어텐션은 Q, K 및 V가 동일한 경우를 나타낸다. 또한, 인코더의 셀프 어텐션 층은 전술한 바와 같은 멀티헤드 어텐션을 수행한다.
한편, 인코더의 입력 문장에는 위치 인코딩(positional encoding)이 적용된다. 트랜스포머는 단어를 순차적으로 입력받지 않을 수 있다. 따라서, 단어의 위치 정보를 표현하기 위해 사인(sinusoid) 함수를 이용하여 토큰(token) 순서대로 위치 정보가 추가된다. 도 13의 예시에서, 'input embedding'은 임베딩 형태로 표현된 입력 문장을 나타낸다.
디코더는 인코더와 동일하게 N 개의 층들을 포함한다. 하나의 층은 세 개의 서브층들을 포함한다. 인코더와 마찬가지로, 포지셔널 인코딩 후의 문장 행렬이 디코더에 입력된다. 도 13의 예시에서, 'output embedding'은 임베딩 형태로 표현된 디코더의 입력 문장을 나타낸다.
시퀀스-투-시퀀스와 마찬가지로 디코더의 첫 번째 서브층은 GT를 디코더의 다음 입력으로 하는 티처 포싱(teacher forcing)에 기초하여 트레이닝되므로, 디코더는 타깃 문장 행렬을 입력받아 각 시점의 단어를 예측하도록 트레이닝된다. 입력 문장에 기초하는 행렬에서 미래 시점의 단어를 참조하지 않도록 마스킹을 적용하여, 자기 자신과 그 이전 단어들이 참조된다. 근본적으로, 셀프 어텐션이라는 점과 멀티헤드 어텐션을 수행한다는 점에서 디코더의 첫 번째 서브층은 인코더의 첫 번째 서브층과 구조적으로 동일하다. 디코더의 첫 번째 서브층의 동작을 룩 어헤드 어텐션(look-ahead attention)이라 한다.
디코더의 두 번째 서브층은, 첫 번째 셀프 어텐션 층의 출력을 Q 행렬로 이용하고, 인코더의 마지막 층에서 온 K 행렬과 V 행렬을 사용하여 어텐션 스코어 행렬을 계산한다. 디코더의 두 번째 서브층은 인코더-디코더 어텐션(encoder-decoder attention)이라 한다. 한편, 세 번째 서브 층은 피드포워드(feed forward) 신경망이다.
비전 분야에서는 CNN 구조가 많이 사용된다. 자연언어처리(Natural Language Processing)에서 트랜스포머의 활용 성과에 기초하여, 스탠다드 트랜스포머를 최소 한도로 수정한 후, 수정된 트랜스포머가 직접 이미지에 적용될 수 있다. 이를 위해, 이미지를 패치들로 분할하고, 패치들은 NLP에서의 토큰과 같은 방식으로 처리될 수 있다. 즉, 이러한 패치들의 선형 임베딩 시퀀스(linear embedding sequence)가 트랜스포머에 입력될 수 있다. 비전 분야 활용되는 트랜스포머를 비전 트랜스포머(vision transformer)로 명칭한다.
도 14는 비전 트랜스포머의 입력 전처리를 나타내는 예시도이다.
스탠다드 트랜스포머는 토큰 임베딩들의 1차원 시퀀스를 입력으로 획득한다. 비전 트랜스포머에 1차원 시퀀스를 입력하기 위해 2차원 이미지가 전처리되어야 한다. 이를 위해, 도 14에 예시된 바와 같이, 2차원 입력 이미지 x∈RW×H×C가 평탄화된(flattened) 패치들의 시퀀스인 xp∈RN×P×P×C로 변경된다. 이때, 2차원 입력 이미지가 분할된 각 패치의 크기는 P×P이다. N은 패치들의 개수이고, C는 색상 정보의 차원을 나타낸다.
한편, 이미지 패치들을 사용하는 대신, 입력 시퀀스로서 CNN의 특성맵(feature map)들이 사용될 수 있다.
이하의 실시예들은 영상 부호화 장치를 중심으로 기술되나, 영상 복호화 장치에도 동일하게 적용될 수 있다.
III. 트랜스포머 기반 인루프 필터
도 15는 본 개시의 일 실시예에 따른, 현재 비디오 블록에 대해 어텐션 과정의 적용을 나타내는 예시도이다.
도 15의 예시에서, W×H 크기의 비디오 프레임은 비디오 블록들로 분할되어 있다. 현재 비디오 블록(이하, '현재블록')은 수학식 1과 수학식 2에 나타낸 어텐션 함수를 이용하여 자신 및 프레임 내 다른 블록들과의 어텐션 스코어를 출력한다. 수학식 1과 수학식 2에서 어텐션 함수는 내적을 이용하나, 코사인 유사도, 상관도, MSE(Mean Squared Error), SAD(Sum of Absolute Difference) 등과 같은 두 블록들 간의 유사도 또한 이용될 수 있다.
어텐션 함수에 입력으로 들어가는 입력 블록들은 N×M의 그리드(grid)에 위치하여 상호 중첩되지 않는다. 또는 그리드에서 벗어난 채로 입력 블록들이 중첩될 수 있다. 도 15에 예시된 바와 같이, 현재블록을 큐어리(Query)로 설정하여, 현재블록 및 주위 블록들 간의 어텐션 스코어를 계산함으로써, 최종적으로 현재블록의 어텐션 값 벡터(attention value vector)가 출력될 수 있다. 이때, 수학식 1과 수학식 2를 이용하기 위해, 2차원의 현재블록을 1차원 벡터로 변경하는 단계가 필요할 수 있다. 도 15에 예시된 어텐션 스코어들 중에서, 상단으로부터 두 번째 벡터는 현재블록 자신과의 셀프 어텐션 스코어를 나타내고, 나머지는 주위 블록들과의 어텐션 스코어들을 나타낸다.
이때, 어텐션 함수를 연산하는 어텐션 모듈에 적용되는 비디오 블록은 다음과 같이 정의될 수 있다.
비디오 블록은 CTU, CU, PU(Prediction Unit) 등 부호화의 기본 단위로 사용될 수 있다. 비디오 블록의 너비 및 높이는 동일하다. 또는, 비디오 블록의 너비 및 높이는 상이하게 설정될 수 있다.
비디오 블록은 서브블록들로 분할된 채로 사용될 수 있다. 서브블록들은 4×4의 크기와 같이 너비 및 높이가 고정된 채로 사용될 수 있다. 또는, 스케일 인자(scale factor) S를 이용하여, A/S로 크기가 설정될 수 있다. 여기서, A는 분할전 비디오 블록의 너비 또는 높이를 나타낸다.
도 16의 예시와 같이, 다수의 비디오 블록들을 통합하여 하나의 영역이 생성될 수 있다. 이때, 해당 영역(도 16의 예시에서 window)은 임의의 크기를 갖는 블록들로 분할될 수 있다.
수학식 1에 나타낸 어텐션 연산에 이용되는 두 비디오 블록들은 동일한 크기를 갖는다. 어텐션 계산에 이용하는 두 비디오 블록들의 크기가 다른 경우, 두 비디오 블록들의 크기가 동일하여지도록 패딩이 이용된다.
기존의 비디오 블록은 다운샘플링된 후, 어텐션 함수의 입력으로 사용될 수 있다. 또는, 기존의 비디오 블록은 업샘플링된 후, 어텐션 함수의 입력으로 사용될 수 있다. 또는, 기존의 비디오 블록은 다운샘플링되고 업샘플링된 후, 어텐션 함수의 입력으로 사용될 수 있다.
한편, 다음과 같은 경우에, 두 비디오 블록들 간의 어텐션 스코어가 연산되지 않는다.
두 비디오 블록들이 도 16에서 정의한 영역들(즉, windows)에 대해 상이한 윈도우에 위치하는 경우, 어텐션 스코어가 연산되지 않는다.
두 비디오 블록들이 상이한 CTU들에 존재하는 경우, 어텐션 스코어가 연산되지 않는다.
도 17의 예시와 같이, 두 비디오 블록들이 상이한 VPDU(Virtual Pipeline Data Unit)들에 존재하는 경우, 어텐션 스코어가 연산되지 않는다. 여기서, VPDU는 가상 파이프라인에 의해 처리될 수 있는 데이터 단위이다. VPDU는 한번에 부호화 및 복호화를 수행할 수 있는 최대 단위로서, CTU의 크기 증가에 따른 하드웨어 구현의 비용을 감소시키기 위해 활용될 수 있다. 또한, VPDU는 부호화 및 복호화를 위한 데이터 처리 단위를 지칭하나, 반드시 VPDU라는 용어에 한정되지 않는다.
현재블록 이후에 디코딩되는 블록에 대해, 해당 블록과 현재블록 간의 어텐션 스코어가 연산되지 않을 수 있다.
영상 부호화 장치는 복원된 프레임의 화질을 개선하기 위해, 비전 트랜스포머를 이용하는 이미지 복원 및 노이즈 제거 기술을 인루프 필터링에 적용할 수 있다.
도 18은 본 개시의 일 실시예에 따른, 트랜스포머 기반 인루프 필터를 나타내는 예시도이다.
트랜스포머 기반 인루프 필터(이하, '인루프 필터')는 디블로킹 필터(182), SAO 필터(184) 또는 ALF(186)의 입력 또는 출력 중 하나를 입력 영상으로 이용한다. 영상 부호화 장치는 입력 영상에서 입력 영역 x∈Rw×h×C를 선택한다. 여기서, w 및 h는 입력 영역의 너비 및 높이를 나타낸다. C는 색상 정보의 차원을 나타낸다.
인루프 필터는 해당 블록을 직접 트랜스포머의 입력으로 이용할 수 있다. 또는, 도 18의 예시와 같이, 인루프 필터는 CNN을 이용하여 비디오 특성(feature) f0∈Rw×h×C를 추출한 후, 추출된 특성을 입력으로 사용할 수 있다. 이후, 인루프 필터는 연속된 K 개의 트랜스포머 블록들을 이용하여 특성 f1 내지 특성 fK를 생성한다. 이때, 특성 f1 내지 특성 fK의 차원은 f0의 차원과 동일하다.
영상 부호화 장치는 특성 fK를 임의의 영상 복원을 수행하는 신경망에 입력하여, 입력 영역 x∈Rw×h×C에 대응하는 개선된 비디오 영역을 생성한다. 이때, 영상 복원에 사용하는 신경망의 구조로서, 전술한 바와 같은 EDSR, VDSR 등이 이용될 수 있다.
도 19a 및 도 19b는 본 개시의 일 실시예에 따른, 트랜스포머 블록을 나타내는 예시도이다.
도 19a의 예시와 같이, 트랜스포머 블록은 연속하는 트랜스포머 계층(transformer layer)들을 포함할 수 있다. 이때, 마지막의 콘볼루션 레이어(convolutional layer)는 선택적으로 배치될 수 있다.
도 19b의 예시와 같이, 트랜스포머 블록은 스킵 연결을 이용하여 연속하는 트랜스포머 계층들의 잔차 블록(residual block) 형태로 구성될 수 있다. 이때, 마지막의 콘볼루션 레이어(convolutional layer)는 선택적으로 배치될 수 있다. 이러한 방식은 도 8 및 도 9의 예시된 바와 같은 콘볼루션 레이어의 잔차 블록 형태를 트랜스포머 계층들에 응용하는 것이다.
한편, 도 19a에 예시된 하나의 트랜스포머 계층은 도 13에 예시된 바와 같은 트랜스포머 구조에 따라 구현될 수 있다. 이때, N=1로 설정되어, 트랜스포머 계층은 하나의 인코더 층과 하나의 디코더 층을 갖는다.
트랜스포머 블록의 입력은, 도 18에 예시된 바와 같은 fi∈Rw×h×C(i=0,1, ..., K-1)이다. 첫 번째 트랜스포머 블록 앞에 CNN이 존재하지 않는 경우, 첫 번째 트랜스포머 블록의 입력으로 f0 대신 입력 영역 x∈Rw×h×C가 이용될 수 있다. 트랜스포머 블록은 해당 입력을 서로 겹치거나 겹치지 않는 패치들로 분할하고, 각 분할된 패치를 특성으로 변환한다. 즉, 각 트랜스포머 블록의 입력은, 도 16에 예시된 window에 해당하고, 패치들은 window가 분할된 비디오 블록들일 수 있다. 이때 각 패치는 도 15의 예시와 같이, P×P 크기를 가질 수 있다. 또는, 패치들은 상이한 임의의 크기를 가질 수 있다.
트랜스포머 블록은 도 10a, 도 10b 및 수학식 1에 따른 셀프 어텐션 연산을 이용하여 각 패치의 특성을 연산할 수 있다.
이때, 각 패치가 CTU 경계를 벗어나거나 VPDU 경계를 벗어나는 경우, 해당 패치의 셀프 어텐션이 연산되지 않는다. 분할된 패치의 일부가 경계를 벗어난 경우, 경계를 벗어난 일부 영역을 표시하는 마스크(mask)를 이용하여, 해당 영역에 대해 셀프 어텐션이 연산되지 않을 수 있다.
또는, 각 패치가 현재블록의 복호화 순서보다 후순위에 존재하는 경우, 해당 패치의 셀프 어텐션이 연산되지 않는다. 분할된 패치의 일부가 후순위에 존재하는 경우, 후순위에 존재하는 일부 영역을 표시하는 마스크를 이용하여, 해당 영역에 대해 셀프 어텐션이 연산되지 않을 수 있다.
한편, 트랜스포머 기반 인루프 필터는 고정 계수 인루프 필터일 수 있다. 따라서, 인루프 필터에 포함된 CNN 및 각 트랜스포머 블록을 구성하는 파라미터들은 사전에 트레이닝된 후, 영상 부호화 장치 및 영상 복호화 장치에 동일하게 저장된 채로 사용될 수 있다.
이하, 영상 부호화 장치 또는 영상 복호화 장치가 트랜스포머 기반 인루프 필터를 이용하여 복원 프레임의 화질을 개선하는 방법을 기술한다. 이하 컴퓨팅 장치는 영상 부호화 장치 또는 영상 복호화 장치를 나타낸다.
도 20은 본 개시의 일 실시예에 따른, 화질을 개선하는 방법을 나타내는 순서도이다.
컴퓨팅 장치는 복원 프레임으로부터 기설정된 크기의 입력 영역을 획득한다(S2000). 여기서, 복원 프레임은 원본(original) 프레임을 복원한 프레임으로서, 컴퓨팅 장치에 의해 사전에 복원된다.
컴퓨팅 장치는 입력 영역을 딥러닝 기반 인루프 필터에 입력하여 원본 프레임을 근사하는 개선 비디오 영역을 생성한다(S2002).
여기서, 인루프 필터는 K(여기서, K는 자연수) 개의 연속된 트랜스포머 블록들 및 제2 CNN을 포함한다.
컴퓨팅 장치는 개선 비디오 영역을 생성하는 단계(S2002 단계)를 다음과 같이 수행할 수 있다.
트랜스포머 블록들을 이용하여, 어텐션 연산을 기반으로 입력 영상을 최종 출력 특성으로 변환한다(S2010).
컴퓨팅 장치는 각 트랜스포머 블록의 입력 특성을 패치들로 분할하고, 각 패치에 어텐션 연산을 적용하여, 각 트랜스포머 블록의 입력 특성에 대해 출력 특성을 생성한다. 컴퓨팅 장치는 각 패치를 큐어리로 설정하고, 어텐션 연산에 이용되는 두 패치들 간의 유사도에 기초하여, 각 패치에 대한 셀프 어텐션 스코어, 및 각 패치와 다른 패치들 간의 어텐션 스코어들을 산정한다. 이후, 컴퓨팅 장치는 어텐션 스코어들을 가중합하여 각 패치의 어텐션 값을 생성할 수 있다.
컴퓨팅 장치는 최종 출력 특성을 제2 CNN에 입력하여 개선 비디오 영역을 생성한다(S2012).
도 21은 본 개시의 다른 실시예에 따른, 화질을 개선하는 방법을 나타내는 순서도이다.
컴퓨팅 장치는 복원 프레임으로부터 기설정된 크기의 입력 영역을 획득한다(S2100). 여기서, 복원 프레임은 원본 프레임을 복원한 프레임으로서, 컴퓨팅 장치에 의해 사전에 복원된다.
컴퓨팅 장치는 입력 영역을 딥러닝 기반 인루프 필터에 입력하여 원본 프레임을 근사하는 개선 비디오 영역을 생성한다(S2102).
여기서, 인루프 필터는 제1 CNN, K(여기서, K는 자연수) 개의 연속된 트랜스포머 블록들 및 제2 CNN을 포함한다.
컴퓨팅 장치는 개선 비디오 영역을 생성하는 단계, 즉 S2102 단계를 다음과 같이 수행할 수 있다.
컴퓨팅 장치는 입력 영역을 제1 CNN에 입력하여 입력 특성을 생성한다(S2110).
컴퓨팅 장치는 트랜스포머 블록들을 이용하여, 어텐션 연산을 기반으로 입력 특성을 최종 출력 특성으로 변환한다(S2112).
컴퓨팅 장치는 최종 출력 특성을 제2 CNN에 입력하여 개선 비디오 영역을 생성한다(S2114).
본 명세서의 흐름도/타이밍도에서는 각 과정들을 순차적으로 실행하는 것으로 기재하고 있으나, 이는 본 개시의 일 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것이다. 다시 말해, 본 개시의 일 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 개시의 일 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 흐름도/타이밍도에 기재된 순서를 변경하여 실행하거나 각 과정들 중 하나 이상의 과정을 병렬적으로 실행하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이므로, 흐름도/타이밍도는 시계열적인 순서로 한정되는 것은 아니다.
이상의 설명에서 예시적인 실시예들은 많은 다른 방식으로 구현될 수 있다는 것을 이해해야 한다. 하나 이상의 예시들에서 설명된 기능들 혹은 방법들은 하드웨어, 소프트웨어, 펌웨어 또는 이들의 임의의 조합으로 구현될 수 있다. 본 명세서에서 설명된 기능적 컴포넌트들은 그들의 구현 독립성을 특히 더 강조하기 위해 "...부(unit)" 로 라벨링되었음을 이해해야 한다.
한편, 본 실시예에서 설명된 다양한 기능들 혹은 방법들은 하나 이상의 프로세서에 의해 판독되고 실행될 수 있는 비일시적 기록매체에 저장된 명령어들로 구현될 수도 있다. 비일시적 기록매체는, 예를 들어, 컴퓨터 시스템에 의하여 판독가능한 형태로 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 예를 들어, 비일시적 기록매체는 EPROM(erasable programmable read only memory), 플래시 드라이브, 광학 드라이브, 자기 하드 드라이브, 솔리드 스테이트 드라이브(SSD)와 같은 저장매체를 포함한다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
(부호의 설명)
180: 루프 필터부
155: 엔트로피 부호화부
510: 엔트로피 복호화부
560: 루프 필터부
CROSS-REFERENCE TO RELATED APPLICATION
2022년 2월 21일 한국에 출원한 특허출원번호 제 10-2022-0022404호, 2023년 1월 18일 한국에 출원한 특허출원번호 제 10-2023-0007352 호에 대해 우선권을 주장하며, 그 모든 내용은 참고문헌으로 본 특허출원에 병합된다.

Claims (16)

  1. 영상 복호화 장치가 수행하는, 복원(reconstructed) 프레임의 화질을 개선하는 방법에 있어서,
    상기 복원 프레임으로부터 기설정된 크기의 입력 영역을 획득하는 단계, 여기서, 상기 복원 프레임은, 원본(original) 프레임을 복원한 프레임으로서, 상기 영상 복호화 장치에 의해 사전에 복원됨; 및
    상기 입력 영역을 딥러닝 기반 인루프 필터(inloop filter)에 입력하여 상기 원본 프레임을 근사하는 개선 비디오 영역을 생성하는 단계
    를 포함하되,
    상기 인루프 필터는 K(여기서, K는 자연수) 개의 연속된 트랜스포머(transformer) 블록들을 포함하고,
    상기 개선 비디오 영역을 생성하는 단계는,
    상기 트랜스포머 블록들을 이용하여, 어텐션 연산(attention operation)을 기반으로 상기 입력 영상을 최종 출력 특성으로 변환하는 것을 특징으로 하는, 방법.
  2. 제1항에 있어서,
    상기 인루프 필터는 제1 CNN(Convolutional Neural Network)을 더 포함하고,
    상기 개선 비디오 영역을 생성하는 단계는,
    상기 입력 영역을 상기 제1 CNN에 입력하여 입력 특성(feature)을 생성하는 단계; 및
    상기 트랜스포머 블록들을 이용하여, 상기 어텐션 연산을 기반으로 상기 입력 특성을 상기 최종 출력 특성으로 변환하는 단계
    를 더 포함하는 것을 특징으로 하는, 방법.
  3. 제2항에 있어서,
    상기 인루프 필터는 제2 CNN을 더 포함하고,
    상기 개선 비디오 영역을 생성하는 단계는,
    상기 최종 출력 특성을 상기 제2 CNN에 입력하여 상기 개선 비디오 영역을 생성하는 것을 특징으로 하는, 방법.
  4. 제2항에 있어서,
    상기 변환하는 단계는,
    각 트랜스포머 블록의 입력 특성을 패치들로 분할하고, 각 패치에 상기 어텐션 연산을 적용하여, 상기 각 트랜스포머 블록의 입력 특성에 대해 출력 특성을 생성하는 것을 특징으로 하는, 방법.
  5. 제4항에 있어서,
    상기 변환하는 단계는,
    상기 각 패치를 큐어리로 설정하는 단계;
    상기 어텐션 연산에 이용되는 두 패치들 간의 유사도에 기초하여, 상기 각 패치에 대한 셀프 어텐션 스코어(attention score), 및 상기 각 패치와 다른 패치들 간의 어텐션 스코어들을 산정하는 단계; 및
    상기 어텐션 스코어들을 가중합하여 상기 각 패치의 어텐션 값(attention value)을 생성하는 단계
    를 포함하는 것을 특징을 하는 것을 특징으로 하는, 방법.
  6. 제4항에 있어서
    상기 변환하는 단계는,
    상기 어텐션 연산에 이용되는 두 패치들의 크기가 동일하지 않은 경우, 상기 두 패치들의 크기가 동일하여지도록 패딩을 적용하는 것을 특징으로 하는, 방법.
  7. 제5항에 있어서,
    상기 변환하는 단계는,
    상기 어텐션 연산에 이용되는 두 패치들이 상기 입력 특성에 함께 존재하지 않는 경우, 상기 어텐션 스코어를 연산하지 않는 것을 특징으로 하는, 방법.
  8. 제5항에 있어서,
    상기 변환하는 단계는,
    상기 어텐션 연산에 이용되는 두 패치들이 상이한 데이터 처리 단위들에 존재하는 경우, 상기 어텐션 스코어를 연산하지 않되, 상기 데이터 처리 단위는, CTU(Coding Tree Unit) 또는 VPDU(Virtual Pipeline Data Unit)인 것을 특징으로 하는, 방법.
  9. 제4항에 있어서,
    상기 변환하는 단계는,
    상기 각 패치가 기설정된 데이터 처리 단위의 경계를 벗어나는 경우, 상기 각 패치에 상기 어테션 연산을 적용하지 않고, 상기 각 패치의 일부가 상기 경계를 벗어나는 경우, 상기 경계를 벗어난 일부 영역을 표시하는 마스크(mask)를 이용하여, 상기 마스크로 표시된 영역에 대해 상기 어텐션 연산을 적용하지 않는 것을 특징으로 하는, 방법.
  10. 제4항에 있어서,
    상기 변환하는 단계는,
    상기 각 패치가 현재블록의 복호화 순서보다 후순위에 있는 경우, 상기 각 패치에 상기 어테션 연산을 적용하지 않고, 상기 각 패치의 일부가 상기 후순위에 존재하는 경우, 상기 후순위에 존재하는 일부 영역을 표시하는 마스크를 이용하여, 상기 마스크로 표시된 영역에 대해 상기 어텐션 연산을 적용하지 않는 것을 특징으로 하는, 방법.
  11. 제4항에 있어서,
    상기 각 트랜스포머 블록은,
    연속하는 트랜스포머 계층(transformer layer)들을 포함하고, 하나의 콘볼루션 레이어를 선택적으로 포함하며, 각 트랜스포머 계층은 하나의 인코더 층과 하나의 디코더 층을 포함하는 것을 특징으로 하는, 방법.
  12. 제11항에 있어서,
    상기 각 트랜스포머 블록은,
    스킵 연결(skip connection)을 이용하여 상기 트랜스포머 계층들의 잔차 블록(residual block) 형태로 구성되는 것을 특징으로 하는, 방법.
  13. 영상 부호화 장치가 수행하는, 복원(reconstructed) 프레임의 화질을 개선하는 방법에 있어서,
    상기 복원 프레임으로부터 기설정된 크기의 입력 영역을 획득하는 단계, 여기서, 상기 복원 프레임은, 원본(original) 프레임을 복원한 프레임으로서, 상기 영상 부호화 장치에 의해 사전에 복원됨; 및
    상기 입력 영역을 딥러닝 기반 인루프 필터(inloop filter)에 입력하여 상기 원본 프레임을 근사하는 개선 비디오 영역을 생성하는 단계
    를 포함하되,
    상기 인루프 필터는 K(여기서, K는 자연수) 개의 연속된 트랜스포머(transformer) 블록들을 포함하고,
    상기 개선 비디오 영역을 생성하는 단계는,
    상기 트랜스포머 블록들을 이용하여, 어텐션 연산(attention operation)을 기반으로 상기 입력 영상을 최종 출력 특성으로 변환하는 것을 특징으로 하는, 방법.
  14. 제13항에 있어서,
    상기 인루프 필터는 제1 CNN(Convolutional Neural Network)을 더 포함하고,
    상기 개선 비디오 영역을 생성하는 단계는,
    상기 입력 영역을 상기 제1 CNN에 입력하여 입력 특성을 생성하는 단계; 및
    상기 트랜스포머 블록들을 이용하여, 상기 어텐션 연산을 기반으로 상기 입력 특성을 상기 최종 출력 특성으로 변환하는 단계
    를 더 포함하는 것을 특징으로 하는, 방법.
  15. 제14항에 있어서,
    상기 인루프 필터는 제2 CNN을 더 포함하고,
    상기 개선 비디오 영역을 생성하는 단계는,
    상기 최종 출력 특성을 상기 제2 CNN에 입력하여 상기 개선 비디오 영역을 생성하는 것을 특징으로 하는, 방법.
  16. 영상 부호화 방법에 의해 생성된 비트스트림을 저장하는 컴퓨터 판독 가능한 기록매체로서, 상기 영상 부호화 방법은,
    복원 프레임으로부터 기설정된 크기의 입력 영역을 획득하는 단계, 여기서, 상기 복원 프레임은, 원본(original) 프레임을 복원한 프레임으로서, 상기 영상 부호화 장치에 의해 사전에 복원됨; 및
    상기 입력 영역을 딥러닝 기반 인루프 필터(inloop filter)에 입력하여 상기 원본 프레임을 근사하는 개선 비디오 영역을 생성하는 단계
    를 포함하되,
    상기 인루프 필터는 K(여기서, K는 자연수) 개의 연속된 트랜스포머(transformer) 블록들을 포함하고,
    상기 개선 비디오 영역을 생성하는 단계는,
    상기 트랜스포머 블록들을 이용하여, 어텐션 연산(attention operation)을 기반으로 상기 입력 영상을 최종 출력 특성으로 변환하는 것을 특징으로 하는, 기록매체.
PCT/KR2023/001180 2022-02-21 2023-01-26 트랜스포머 기반 인루프 필터를 이용하는 비디오 코딩을 위한 방법 및 장치 WO2023158127A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2022-0022404 2022-02-21
KR20220022404 2022-02-21
KR1020230007352A KR20230125733A (ko) 2022-02-21 2023-01-18 트랜스포머 기반 인루프 필터를 이용하는 비디오 코딩방법 및 장치
KR10-2023-0007352 2023-01-18

Publications (1)

Publication Number Publication Date
WO2023158127A1 true WO2023158127A1 (ko) 2023-08-24

Family

ID=87578839

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/001180 WO2023158127A1 (ko) 2022-02-21 2023-01-26 트랜스포머 기반 인루프 필터를 이용하는 비디오 코딩을 위한 방법 및 장치

Country Status (1)

Country Link
WO (1) WO2023158127A1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200366918A1 (en) * 2018-02-09 2020-11-19 Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. Adaptive in-loop filter with multiple feature-based classifications
WO2021088951A1 (en) * 2019-11-07 2021-05-14 Beijing Bytedance Network Technology Co., Ltd. Quantization properties of adaptive in-loop color-space transform for video coding
US20210400286A1 (en) * 2020-06-19 2021-12-23 Micron Technology, Inc. Video Compression in Removable Storage Device having Deep Learning Accelerator and Random Access Memory
KR20220012393A (ko) * 2016-10-11 2022-02-03 한국전자통신연구원 영상 부호화/복호화 방법, 장치 및 비트스트림을 저장한 기록 매체

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220012393A (ko) * 2016-10-11 2022-02-03 한국전자통신연구원 영상 부호화/복호화 방법, 장치 및 비트스트림을 저장한 기록 매체
US20200366918A1 (en) * 2018-02-09 2020-11-19 Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. Adaptive in-loop filter with multiple feature-based classifications
WO2021088951A1 (en) * 2019-11-07 2021-05-14 Beijing Bytedance Network Technology Co., Ltd. Quantization properties of adaptive in-loop color-space transform for video coding
US20210400286A1 (en) * 2020-06-19 2021-12-23 Micron Technology, Inc. Video Compression in Removable Storage Device having Deep Learning Accelerator and Random Access Memory

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Y. LI (BYTEDANCE), K. ZHANG (BYTEDANCE), L. ZHANG (BYTEDANCE): "AHG11: Deep In-Loop Filter with Adaptive Model Selection and External Attention", 23. JVET MEETING; 20210707 - 20210716; TELECONFERENCE; (THE JOINT VIDEO EXPLORATION TEAM OF ISO/IEC JTC1/SC29/WG11 AND ITU-T SG.16 ), 1 July 2021 (2021-07-01), XP030296028 *

Similar Documents

Publication Publication Date Title
WO2018221817A1 (ko) 영상 코딩 시스템에서 인트라 예측에 따른 영상 디코딩 방법 및 장치
WO2021167340A1 (ko) 크로마 신호의 리샘플링에 기반하는 영상 부호화 및 복호화
WO2021025478A1 (ko) 동영상 데이터의 인트라 예측 코딩을 위한 방법 및 장치
WO2022186616A1 (ko) 인트라 예측모드 유도를 이용하는 비디오 코딩방법 및 장치
WO2022114770A1 (ko) 기하학적 변환에 기반하는 블록 복사를 이용하는 인트라 예측방법과 장치
WO2022045738A1 (ko) 딥러닝 기반 인루프 필터를 이용하는 영상 부호화 및 복호화
WO2022065977A1 (ko) 가변계수 딥러닝 기반 인터 예측 방법
WO2021071145A1 (ko) 인터 예측을 이용하여 비디오를 부호화 및 복호화하는 방법 및 장치
WO2023158127A1 (ko) 트랜스포머 기반 인루프 필터를 이용하는 비디오 코딩을 위한 방법 및 장치
WO2024019343A1 (ko) 다양한 잡음 및 특성에 적응적인 비디오 인루프 필터
WO2023219288A1 (ko) 양방향 예측을 이용하는 크로마 성분의 인터 예측을 위한 방법
WO2022119302A1 (ko) 블록병합을 이용하는 비디오 코딩 방법 및 장치
WO2023249306A1 (ko) 메타 정보를 이용하는 비디오 코딩을 위한 방법 및 장치
WO2022186620A1 (ko) 인트라 예측의 예측 신호를 개선하는 비디오 코딩방법 및 장치
WO2023106603A1 (ko) 템플릿 매칭 기반 이차적인 mpm 리스트를 이용하는 비디오 코딩을 위한 방법 및 장치
WO2023287018A1 (ko) 딥러닝 기반 인트라 예측 신호를 개선하는 비디오 코딩방법 및 장치
WO2022031115A1 (ko) 딥러닝 기반 인터 예측을 이용하는 영상 부호화 및 복호화
WO2022211459A1 (ko) 세그멘테이션을 이용하는 비디오 코딩방법 및 장치
WO2023022376A1 (ko) 개선된 인루프 필터를 이용하는 비디오 코딩방법 및 장치
WO2022119333A1 (ko) 블록 기반 딥러닝 모델을 이용하는 비디오 코덱
WO2022114768A1 (ko) 성분 간 참조를 이용하는 잔차신호 생성방법과 장치
WO2022119301A1 (ko) 인트라 예측을 이용하는 비디오 코딩 방법 및 장치
WO2023224300A1 (ko) 예측-변환 생략을 이용하는 비디오 코딩을 위한 방법 및 장치
WO2022211374A1 (ko) 매핑 기반 비디오 코딩방법 및 장치
WO2022191553A1 (ko) 행렬 기반 크로스 컴포넌트 예측을 이용하는 비디오 코딩방법 및 장치

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: 23756540

Country of ref document: EP

Kind code of ref document: A1