WO2025218744A1 - Digital human video coding and delivery - Google Patents

Abstract

A mechanism for processing video data is disclosed. The mechanism includes determining to employ multiple base pictures in a generative model including a generative network that employs a generative face video (GFV) supplemental enhancement information (SEI) message to code video information for digital human video. A conversion is performed between a visual media data and a bitstream based on the GFV SEI message.

Description

Digital Human Video Coding And Delivery

CROSS-REFERENCE TO RELATED APPLICATIONS

This application claims the priority to and benefits of International Patent Application No. PCT/CN2024/088203, filed on April 17, 2024. All the aforementioned patent applications are hereby incorporated by reference in their entireties.

TECHNICAL FIELD

This patent document relates to generation, storage, and consumption of digital audio video media information in a file format.

BACKGROUND

Digital video accounts for the largest bandwidth used on the Internet and other digital communication networks. As the number of connected user devices capable of receiving and displaying video increases, the bandwidth demand for digital video usage is likely to continue to grow.

SUMMARY

A first aspect relates to a method for processing video data comprising: determining to employ multiple base pictures in a generative model including a generative network that employs a generative face video (GFV) supplemental enhancement information (SEI) message to code video information for digital human video; and performing a conversion between a visual media data and a bitstream based on the GFV SEI message.

A second aspect relates to an apparatus for processing video data comprising: a processor; and a non-transitory memory with instructions thereon, wherein the instructions upon execution by the processor, cause the processor to perform any of the preceding aspects.

A third aspect relates to non-transitory computer readable medium comprising a computer program product for use by a video coding device, the computer program product comprising computer executable instructions stored on the non-transitory computer readable medium such that when executed by a processor cause the video coding device to perform the method of any of the preceding aspects.

A fourth aspect relates to a non-transitory computer-readable recording medium storing a bitstream of a video which is generated by a method performed by a video processing apparatus, wherein the method comprises: determining to employ multiple base pictures in a generative model including a generative network that employs a generative face video (GFV) supplemental enhancement information (SEI) message to code video information for digital human video; and generating the bitstream based on the determining.

A fifth aspect relates to a method for storing bitstream of a video comprising: determining to employ multiple base pictures in a generative model including a generative network that employs a generative face video (GFV) supplemental enhancement information (SEI) message to code video information for digital human video; generating a bitstream based on the determining; and storing the bitstream in a non-transitory computer-readable recording medium.

For the purpose of clarity, any one of the foregoing embodiments may be combined with any one or more of the other foregoing embodiments to create a new embodiment within the scope of the present disclosure.

These and other features will be more clearly understood from the following detailed description taken in conjunction with the accompanying drawings and claims.

BRIEF DESCRIPTION OF THE DRAWINGS

For a more complete understanding of this disclosure, reference is now made to the following brief description, taken in connection with the accompanying drawings and detailed description, wherein like reference numerals represent like parts.

FIG. 1 illustrates a generative face video compression scheme.

FIG. 2 is a block diagram showing an example video processing system.

FIG. 3 is a block diagram of an example video processing apparatus.

FIG. 4 is a flowchart for an example method of video processing.

FIG. 5 is a block diagram that illustrates an example video coding system.

FIG. 6 is a block diagram that illustrates an example encoder.

FIG. 7 is a block diagram that illustrates an example decoder.

FIG. 8 is a schematic diagram of an example encoder.

FIG. 9 is a flowchart for an example method of video processing.

DETAILED DESCRIPTION

It should be understood at the outset that although an illustrative implementation of one or more embodiments are provided below, the disclosed systems and/or methods may be implemented using any number of techniques, whether currently known or yet to be developed. The disclosure should in no way be limited to the illustrative implementations, drawings, and techniques illustrated below, including the exemplary designs and implementations illustrated and described herein, but may be modified within the scope of the appended claims along with their full scope of equivalents.
1. Initial discussion

This document is related to coding and delivery technologies. Specifically, this disclosure is related to using key picture/video segment and metadata to generate digital human video. The ideas may be applied individually or in various combinations, for image/video bitstreams coded by any codec, e.g., the versatile video coding (VVC) standard and/or the versatile SEI messages for coded video bitstreams (VSEI) standard.
2. Abbreviations

The following abbreviations are used herein: Adaptation Parameter Set (APS) , Access Unit (AU) , Coded Layer Video Sequence (CLVS) , Coded Layer Video Sequence Start (CLVSS) , Cyclic Redundancy Check (CRC) , Coded Video Sequence (CVS) , Finite Impulse Response (FIR) , Intra Random Access Point (IRAP) , Network Abstraction Layer (NAL) , neural-network post-processing filter (NNPF) , neural-network post-filter activation (NNPFA) , neural-network post-filter characteristics (NNPFC) , Picture Parameter Set (PPS) , Picture Unit (PU) , Random Access Skipped Leading (RASL) , Supplemental Enhancement Information (SEI) , Step-wise Temporal Sublayer Access (STSA) , uniform resource identifier (URI) , Video Coding Layer (VCL) , Versatile Supplemental Enhancement Information (Rec. ITU-T H. 274 | ISO/IEC 23002-7) (VSEI) , Video Usability Information (VUI) , Versatile Video Coding (Rec. ITU-T H. 266 | ISO/IEC 23090-3) (VVC)
3. Further Discussion
3.1 Digital human video

A digital human video is a generative video that include one or more human from some apparent visual samples and features that match the video.
3.2 Video coding standards

Video coding standards have evolved primarily through the development of the International Telecommunication Union Telecommunication Standardization Sector (ITU-T) and International Organization for Standardization (ISO) /International Electrotechnical Commission (IEC) standards. The ITU-T produced H. 261 and H. 263, ISO/IEC produced Moving Picture Experts Group (MPEG) -1 and MPEG-4 Visual, and the two organizations jointly produced the H. 262/MPEG-2 Video and H. 264/MPEG-4 Advanced Video Coding (AVC) and H. 265/High Efficiency Video Coding (HEVC) [1] standards. Since H. 262, the video coding standards are based on the hybrid video coding structure wherein temporal prediction plus transform coding are utilized. To explore the future video coding technologies beyond HEVC, the Joint Video Exploration Team (JVET) was founded by video coding experts group (VCEG) and MPEG jointly. Many methods have been adopted by JVET and put into a reference software named Joint Exploration Model (JEM) [2] . The JVET was later renamed to be the Joint Video Experts Team (JVET) when the Versatile Video Coding (VVC) project officially started. VVC [3] is a coding standard, targeting at 50%bitrate reduction as compared to HEVC, that is managed by the JVET.

The Versatile Video Coding (VVC) standard (ITU-T H. 266 | ISO/IEC 23090-3) [3] and the associated Versatile Supplemental Enhancement Information for coded video bitstreams (VSEI) standard (ITU-T H. 274 | ISO/IEC 23002-7) [4] have been designed for use in a maximally broad range of applications, including both simple uses such as television broadcast, video conferencing, or playback from storage media, and also more advanced use cases such as adaptive bit rate streaming, video region extraction, composition and merging of content from multiple coded video bitstreams, multiview video, scalable layered coding, and viewport-adaptive 360°immersive media.

The Essential Video Coding (EVC) standard (ISO/IEC 23094-1) is another video coding standard that has been developed by MPEG.
3.3 SEI messages in general and in VVC and VSEI

Supplemental Enhancement Information (SEI) messages assist in processes related to decoding, display, or other purposes. However, SEI messages are not required for constructing the luma or chroma samples by the decoding process. Conforming decoders are not required to process this information for output order conformance. Some SEI messages are required for checking bitstream conformance and for output timing decoder conformance. Other SEI messages are not required for bitstream conformance checking.

Annex D of VVC specifies syntax and semantics for SEI message payloads for some SEI messages, and specifies the use of the SEI messages and VUI parameters for which the syntax and semantics are specified in ITU-T H. 274 | ISO/IEC 23002-7.
3.4 Generative face video SEI message

FIG. 1 illustrates a generative face video compression scheme 100. This scheme is proposed to JVET. In the scheme, some base pictures, also known as key pictures, are coded using a video codec, e.g. VVC, and subsequent pictures include meta data of face features, e.g. head position, eye matrix representing the open-close status and level of eyes. A decoder uses a generative neural network to form a decoded video based on those key pictures and subsequent face feature data.

JVET-AG2032 [6] includes the specification of generative face video SEI message, as follows.
8.37.1 Generative face video SEI message syntax




8.37.1 Generative face video SEI message semantics

The generative face video (GFV) SEI message indicates facial parameters and specifies a facial parameter translator neural network, denoted as TranslatorNN () , that may be used to convert various formats of facial parameters signaled in the SEI message into a fixed format of parameters, and a face picture generator neural network, denoted as GenerativeNN () , that may be used to generate output pictures using the fixed format of facial parameters and previously decoded output pictures.

NOTE 1 –Facial parameters could be determined from source pictures prior to encoding. Such source pictures may be referred to as driving pictures.

NOTE 2 –Previously decoded output pictures input to GenerativeNN () may be a base picture (adecoded output picture that provides the reference texture from which the face pictures may be generated) and, optionally, a picture that can be fused by GenerativeNN () to improve background texture and facial details. When the current picture is not a base picture, the GFV SEI message may be used to generate a face picture based on the previously decoded base picture, the facial parameters conveyed by the GFV SEI message, and, optionally, the current decoded picture for fusion pupose.

Use of this SEI message requires the definition of the following variables:
- Input picture width and height in units of luma samples, denoted herein by CroppedWidth and CroppedHeight, 
respectively.
- Luma sample array baseCroppedYPic and chroma sample arrays baseCroppedCbPic and baseCroppedCrPic 
for a decoded output picture, denoted as BasePicture, corresponding to a source base picture .
- Luma sample array driveCroppedYPic and chroma sample arrays driveCroppedCbPic and driveCroppedCrPic 
for a decoded output picture, denoted as DrivePicture, corresponding to a source driving picture.
- Bit depth BitDepth_Y for the luma sample array of the input pictures.
- Bit depth BitDepth_C for the chroma sample arrays, if any, of the input pictures.
- A chroma format indicator, denoted herein by ChromaFormatIdc, as described in subclause 7.3.

The variables SubWidthC and SubHeightC are derived from ChromaFormatIdc as specified by Table 2.

gfv_id contains an identifying number that may be used to identify face feature information and specify a neural network that may be used as TranslatorNN () . The value of gfv_id shall be in the range of 0 to 232–-2, inclusive. Values of gfv_id from 256 to 511, inclusive, and from 231 to 232–-2, inclusive, are reserved for future use by ITU-T | ISO/IEC. Decoders conforming to this edition of this document encountering a GFV SEI message with gfv_id in the range of 256 to 511, inclusive, or in the range of 231 to 232–-2, inclusive, shall ignore the SEI message.

NOTE 3 –Different values of gfv_id in different GFV SEI messages could be used to identify different faces when more than one face is present in an output picture, for example.

gfv_cnt specifies a GFV SEI message instance count value for this gfv_id value within a picture unit.

The gfv_cnt of the first GFV SEI message, in decoding order, with a particular value of gfv_id within picture unit shall be equal to 0. When gfv_cnt assigned to currGfvCnt is greater than 0, a GFV SEI message with the same gfv_id value and gfv_cnt equal to currGfvCnt -1 shall precede the current GFV SEI message in decoding order in the same picture unit.

The value of gfv_cnt shall be in the range of 0 to 65 535, inclusive.

gfv_base_pic_flag equal to 1 indicates the current decoded output picture corresponds to a base picture. gfv_base_pic_flag equal to 0 indicates the current decoded output picture does not correspond to a base picture or this SEI message does not specify syntax elements for a base picture. When gfv_cnt is greater than 0, gfv_base_pic_flag shall be equal to 0.

The following constraints apply to the value of gfv_base_pic_flag:
– When a GFV SEI message is the first GFV SEI message, in decoding order, that has a particular gfv_id 
value within the current CLVS, the value of gfv_base_pic_flag shall be equa lto 1.
– When a GFV SEI message that has a particular gfv_id value has gfv_base_pic_flag being equal to 0, this 
SEI message pertains to the current decoded picture and all subsequent decoded pictures of the current layer, in output order, until the end of the current CLVS or up to but excluding the decoded picture that follows the current decoded picture in output order within the current CLVS and is associated with a subsequent GFV SEI message, in decoding order, having gfv_base_pic_flag equal to 0 and that particular gfv_id value within the current CLVS, whichever is earlier.

gfv_nn_present_flag equal to 1 indicates a neural network that may be used as a TranslatorNN () is contained or indicated by the SEI message. gfv_nn_present_flag equal to 0 indicates a neural network that may be used as a TranslatorNN () is not contained or indicated by the SEI message. When gfv_nn_present_flag is not present, it is inferred to be 0.

When a GFV SEI message with a particular value of gfv_id is present in an IRAP picture unit or in a picture unit that follows an IRAP picture unit in output order and is not preceded in output order by any picture unit that follows the IRAP picture in output order and has a GFV SEI message with that particular value of gfv_id, gfv_nn_present_flag shall be present and equal to 1.

When gfv_nn_present_flag is equal to 0 and TranslatorNN is referenced in the semantics of this SEI message, the applicable TranslatorNN is defined by the GFV SEI message that is present in the last preceding picture unit in output order that has that has the same value of gfv_id as that in the current GFV SEI message and gfv_nn_present_flag equal to 1.

gfv_nn_base_flag, gfv_nn_mode_idc, gfv_nn_reserved_zero_bit_a, gfv_nn_tag_uri, gfv_nn_uri, gfv_nn_payload_byte [i] specify a neural network that may be used as a TranslatorNN () . gfv_nn_base_flag, gfv_nn_mode_idc, gfv_nn_reserved_zero_bit_a, gfv_nn_tag_uri, gfv_nn_uri, gfv_nn_payload_byte [i] have the same syntax and semantics as nnpfc_base_flag, nnpfc_mode_idc, nnpfc_reserved_zero_bit_a, nnpfc_tag_uri, nnpfc_uri, nnpfc_payload_byte [i] , respectively.

When either of the following conditions is true, GFV SEI messages shall have the same SEI payload content:
– The GFV SEI messages are present in the same picture unit, have gfv_cnt equal to 0, have 
gfv_nn_base_flag present, and have the same value of gfv_id and gfv_nn_base_flag ,
– The GFV SEI messages are present in the same picture unit, have the same value of gfv_cnt that is greater 
than 0, and have the same value of gfv_id.

gfv_drive_pic_fusion_flag, when present, equal to 1 indicates the current decoded picture, which corresponds to a driving picture that may be used for fusion, may be input to GenerativeNN () . gfv_drive_pic_fusion_flag equal to 0 indicates the current decoded picture should not be input to GenerativeNN () .

NOTE 3 –A gfv_drive_pic_fusion_flag value of 1 can be used, for example, to indicate that the current decoded picture can be used to improve face details or handle background changes.

NOTE 4 –Fusion takes the three inputs: the base picture, features from keypoints and/or matrices carried in the GFV SEI message, and the current decoded picture, and outputs a picture.

NOTE 5 –When current decoded picture corresponds to a driving picture, it should be marked as not for output purpose.

gfv_coordinate_present_flag equal to 1 indicates that coordinate information of keypoints is present. gfv_coordinate_present_flag equal to 0 indicates that coordinate information of keypoints is not present.

It is a requirement of bitstream conformance that when gfv_matrix_type_idx [i] for any i from 0 to gfv_num_matrix_types_minus1 is equal to 0 or 1, the value of gfv_coordinate_present_flag shall be equal to 1.

gfv_coordinate_precision_factor_minus1 plus 1 indicates the length, in bits, of syntax elements gfv_coordinate_x_abs [i] , gfv_coordinate_y_abs [i] , gfv_coordinate_z_abs [i] , gfv_coordinate_dx_abs [i] , gfv_coordinate_dy_abs [i] and gfv_coordinate_dz_abs [i] .

gfv_num_kps_minus1 plus 1 indicates the number of keypoints. The value of gfv_num_kp_minus1 shall be in the range of 0 to 210 –1, inclusive.

gfv_kp_pred_flag equal to 1 indicates syntax elements gfv_coordinate_dx_abs [i] , gfv_coordinate_dy_abs [i] , and gfv_coordinate_dz_abs [i] are present and syntax elements gfv_coordinate_dx_sign_flag [i] , gfv_coordinate_dy_sign_flag [i] and gfv_coordinate_dz_sign_flag [i] may be present. gfv_kp_pred_flag equal to 0 indicates gfv_coordinate_x_abs [i] , gfv_coordinate_y_abs [i] , and gfv_coordinate_z_abs [i] are present and syntax elements gfv_coordinate_x_sign_flag [i] , gfv_coordinate_y_sign_flag [i] and gfv_coordinate_z_sign_flag [i] may be present.

gfv_coordinate_z_present_flag equal to 1 indicates that z-axis coordinate information of the keypoints is present. coordinate_z_present_flag equal to 0 indicates that the z-axis coordinate information of the keypoints is not present.

gfv_coordinate_z_max_value_minus1 plus 1 indicates the maximum absolute value of z-axis coordinates of keypoints.

gfv_coordinate_x_abs [i] indicates the normalized absolute value of the x-axis coordinate of the i-th keypoint.

gfv_coordinate_x_sign_flag [i] specifies the sign of the x-axis coordinate of the i-th keypoint. When gfv_coordinate_x_sign_flag [i] is not present, it is inferred to be equal to 0.

gfv_coordinate_y_abs [i] specifies the normalized absolute value of y-axis coordinate of i-th keypoint.

gfv_coordinate_y_sign_flag [i] specifies the sign of the y-axis coordinate of the i-th keypoint. When gfv_coordinate_y_sign_flag [i] is not present, it is inferred to be equal to 0.

gfv_coordinate_z_abs [i] specifies the normalized absolute value of z-axis coordinate of the i-th keypoint.

gfv_coordinate_z_sign_flag [i] specifies the sign of the z-axis coordinate of the i-th key point. When gfv_coordinate_z_sign_flag [i] is not present, it is inferred to be equal to 0.

gfv_coordinate_dx_abs [i] indicates the absolute difference value of the normalized value of the x-axis coordinate of the i-th keypoint.

gfv_coordinate_dx_sign_flag [i] specifies the sign of the difference value of the x-axis coordinate of the i-th keypoint. When gfv_coordinate_dx_sign_flag [i] is not present, it is inferred to be equal to 0.

gfv_coordinate_dy_abs [i] specifies the absolute difference value of the normalized y-axis coordinate of the i-th keypoint.

gfv_coordinate_dy_sign_flag [i] specifies the sign of the difference value of the y-axis coordinate of the i-th keypoint. When gfv_coordinate_yd_sign_flag [i] is not present, it is inferred to be equal to 0 .

gfv_coordinate_dz_abs [i] specifies the absolute difference value of the normalized z-axis coordinate of the i-th keypoint.

gfv_coordinate_dz_sign_flag [i] specifies the sign of the difference value of the z-axis coordinate of the i-th key point. When gfv_coordinate_dz_sign_flag [i] is not present, it is inferred to be equal to 0.

The variables coordinateDeltaX [i] , coordinateDeltaY [i] and coordinateDeltaZ [i] indicating the delta x-axis coordinate, delta y-axis coordinate and delta z-axis coordinate of the i-th keypoint, respectively, are derived as follows:

The variables coordinateX [i] , coordinateY [i] and coordinateZ [i] indicating the x-axis coordinate, y-axis 
coordinate and z-axis coordinate of the i-th keypoint, respectively, are derived as follows:
When gfv_kp_pred_flag is equal to 0,

when gfv_kp_pred_flag is equal to 1,

gfv_matrix_present_flag equal to 1 indicates that matrix parameters are present. gfv_matrix_present_flag equal to 0 indicates that matrix parameters are not present.

gfv_matrix_element_precision_factor_minus1 plus 1 indicates the length, in bits, of syntax elements gfv_matrix_element_dec [i] [j] [k] [m] and gfv_matrix_delta_element_dec [i] [j] [k] [m] .

gfv_num_matrix_types_minus1 plus 1 indicates the number of matrix types signalled in the SEI message. The value of gfv_matrix_type_num_minus1 shall be in the range of 0 to 26 –1, inclusive.

gfv_matrix_pred_flag equal to 1 indicates syntax elements gfv_matrix_element_int [i] [j] [k] [m] , gfv_matrix_element_dec [i] [j] [k] [m] are present and gfv_matrix_element_sign_flag [i] [j] [k] [m] may be present. gfv_matrix_pred_flag equal to 0 indicates gfv_matrix_delta_element_int [i] [j] [k] [m] , gfv_matrix_delta_element_dec [i] [j] [k] [m] are present and syntax element gfv_matrix_delta_element_sign_flag [i] [j] [k] [m] may be present. When gfv_matrix_pred_flag is not present, it is inferred to be 0.

gfv_matrix_type_idx [i] indicates the index of the i-th matrix type as specified in Table 3.
Table 3 -Specification of gfv_matrix_type_idx

NOTE 6 . The undefined matrxi type is used to represent the matrxi type rather than affine translation matrix, covariance matrix, rotation matrix, translation matrix and compact feature matrix. It is may be used by the user to extend the matrix type.

gfv_num_matrices_equal_to_num_kps_flag [i] equal to 1 indicates that the number of matrices of the i-th matrix type is equal to gfv_num_kps_minus1 + 1. gfv_num_matrices_equal_to_num_kps_flag [i] equal to 0 indicates the number of matrices of the i-th matrix type is not equal to gfv_num_coordinates_minus1 + 1.

gfv_num_matrices_info [i] provides information to derive the number of the matrices of the i-th matrix type.

gfv_matrix_width_minus1 [i] plus 1 indicates the width of the matrix of the i-th matrix type.

gfv_matrix_height_minus1 [i] plus 1 indicates the height of the matrix of the i-th matrix type.

gfv_matrix_for_3D_space_flag [i] equal to 1 indicates the matrix of the i-th matrix type is a matrix defined in three-dimensional space. gfv_matrix_for_3D_space_flag [i] equal to 0 indicates the matrix of the i-th matrix type is a matrix defined in two-dimensional space.

When gfv_matrix_width_minus1 [i] is not present, it is inferred as follows:
–– If gfv_matrix_type_idx [i] is equal to 0, 1 or 4, and one of coordinate_z_present_flag and 
gfv_matrix_for_3D_space_flag [i] is present and equal to 1, gfv_matrix_width_minus1 [i] is inferred to be equal to 2
–– otherwise, if matrix_type_idx [i] is equal to 0, 1 or 4, and one of coordinate_z_present_flag and 
gfv_matrix_for_3D_space_flag [i] is present and equal to 0, gfv_matrix_width_minus1 [i] is inferred to be equal to 1
–– otherwise (matrix_type_idx [i] is equal to 5 or 6) , gfv_matrix_width_minus1 [i] is inferred to be equal 
to 0
When gfv_matrix_height_minus1 [i] is not present, it is inferred as follows:
–– If matrix_type_idx is equal to 0, 1, 4, 5 or 6, and one of gfv_coordinate_z_present_flag and 
gfv_matrix_for_3D_space_flag [i] is present and equal to 1, gfv_matrix_height_minus1 [i] is inferred to be equal to 2.
–– otherwise (gfv_matrix_type_idx is equal to 0, 1, 4, 5 or 6, and one of gfv_coordinate_z_present_flag and 
gfv_matrix_for_3D_space_flag [i] is 0) , gfv_matrix_height _minus1 [i] is inferred to be equal to 1.

The variables matrixWidth [i] and matrixHeight [i] indicating the width and height of the matrix of the i-th matrix type are derived as follows:
matrixWidth [i] = gfv_matrix_width_minus1 [i] + 1
matrixHeight [i] = gfv_matrix_height_minus1 [i] + 1

gfv_num_matrices_minus1 [i] plus 1 indicates the number of matrices of the i-th matrix type.

The variable numMatrices [i] indicating the number of the matrices of the i-th matrix type is derived as follows:

gfv_matrix_element_int [i] [j] [k] [m] indicates the integer part of the value of the matrix element at position (m, k) of the j-th matrix of the i-th matrix type.

gfv_matrix_element_dec [i] [j] [k] [m] indicates the decimal part of the value of the matrix element at position (m, k) of the j-th matrix of the i-th matrix type.

gfv_matrix_element_sign_flag [i] [j] [k] [m] indicates the sign of the matrix element at position (m, k) of the j-th matrix of the i-th matrix type. When gfv_matrix_element_sign_flag [i] [j] [k] [m] is not present, it is inferred to be equal to 0.

gfv_matrix_delta_element_int [i] [j] [k] [m] indicates the integer part of the difference value of the matrix element at position (m, k) of the j-th matrix of the i-th matrix type.

gfv_matrix_delta_element_dec [i] [j] [k] [m] indicates the decimal part of the difference value of the matrix element at position (m, k) of the j-th matrix of the i-th matrix type.

gfv_matrix_delta_element_sign_flag [i] [j] [k] [m] indicates the sign of the difference value of the matrix element at position (m, k) of the j-th matrix of the i-th matrix type. When gfv_matrix_element_sign_flag [i] [j] [k] [m] is not present, it is inferred to be equal to 0.

The variable matrixElementDeltaVal [i] [j] [k] [m] representing the difference value of the matrix element at position (m, k) of the j-th matrix of the i-th matrix type is derived as follows:

The variable matrixElementVal [i] [j] [k] [m] representing the value of the matrix element at position (m, k) of the j-th matrix of the i-th matrix type is derived as follows:
when gfv_matrix_pred_flag is equal to 0

if(gfv_base_pic_flag)
BaseMatrixElementVal [i] [j] [k] [m] = matrixElementVal [i] [j] [k] [m]
when gfv_matrix_pred_flag is equal to 1
matrixElementVal [i] [j] [k] [m] = BaseMatrixElementVal [i] [j] [k] [m] +
matrixElementDeltaVal [i] [j] [k] [m] +

For a particular gfv_id value, the following process is used in increasing order of gfv_cnt to generate a video picture per each GFV SEI message that has gfv_base_pic_flag equal to 0 and a unique value of gfv_cnt within a picture unit:

The process DeriveSigParam () for deriving the inputs of TranslatorNN () is specified as follows:

The keypoint coordinate array sigKeyPoint and the matrix sigMatrix are derived as follows:

TranslatorNN () is a process to translate the various formats of the facial parameters carried in the SEI message to the fixed format of the facial parameters to be input to the generative network to generate the output picture.

Inputs to TranslatorNN () are:
-sigKeyPoint and sigMatrix

Outputs of TranslatorNN () are:
-convKeyPoint and convNumKeyPoint
-convMatrix and convNumMatrix, convMatrixWidth, convMatrixHeight

The process DeriveInputTensors () for deriving the inputs of GenerativeNN () is specified as follows: When gfv_base_pic_flag is equal to 1, the BasePicture input tensor inputBaseY, inputBaseCb and inputBaseCr are derived as follows:

When gfv_drive_pic_fusion_flag is equal to 1, the DrivePicture luma sample array inputDriveY, inputDriveCb and 
input DriveCr are derived as follows:


When gfv_base_pic_flag is equal to 0, the keypoint coordinate array inputDriveKeyPoint and the matrix 
inputDriveMatrix for the current picture are derived as follows:

When gfv_base_pic_flag is equal to 1, the keypoint coordinate array inputBaseKeyPoint and the matrix 
inputBaseMatrix for the base picture are derived as follows:


where the functions InpY () and InpC () are specified as follows:
InpY (x) = x ÷ ( (1 << BitDepthY) –1)
InpC (x) = x ÷ ( (1 << BitDepthC) –1)

GenerativeNN () is a process to generate the sample values of an output picture corresponding to a driving picture. It is only invoked when gfc_base_pic_flag is equal to 0. Input values to GenerativeNN () and output values from GenerativeNN () are real numbers.

Inputs to GenerativeNN () are:
– When gfv_base_pic_flag is equal to 0 and gfv_drive_pic_fusion_flag is equal to 0 and ChromaFormatIdc is 
equal to 0: inputBaseY, inputBaseKeyPoint, inputBaseMatrix, inputDriveKeyPoint, inputDriveMatrix
– When gfv_base_pic_flag is equal to 0 and gfv_drive_pic_fusion_flag is equal to 0 and ChromaFormatIdc is 
not equal to 0: inputBaseY, inputBaseCb, inputBaseCr, inputBaseKeyPoint, inputBaseMatrix, inputDriveKeyPoint, inputDriveMatrix
– When gfv_base_pic_flag is equal to 0 and gfv_drive_pic_fusion_flag is equal to 1 and ChromaFormatIdc is 
equal to 0: inputBaseY, inputDriveY, inputBaseKeyPoint, inputBaseMatrix, inputDriveKeyPoint, inputDriveMatrix
– When gfv_base_pic_flag is equal to 0 and gfv_drive_pic_fusion_flag is equal to 1 and ChromaFormatIdc is 
not equal to 0: inputBaseY, inputBaseCb, inputBaseCr, inputDriveY, inputDriveCb, inputDriveCr , inputBaseKeyPoint, inputBaseMatrix, , inputDriveKeyPoint, inputDriveMatrix

Outputs of GenerativeNN () are:
– A luma sample array genY
– When ChromaFormatIdc is not equal to 0, two chroma sample arrays genCb and genCr.

The process StoreOutputTensors () for deriving the output is specified as follows:
when gfv_base_pic_flag is equal to 0, the output sample array outYPic [x] [y] , outCbPic [x] [y] , and
outCrPic [x] [y] are derived as follows:


when gfv_base_pic_flag is equal to 1, the output sample array outYPic [x] [y] , outCbPic [x] [y] , and
outCrPic [x] [y] are derived as follows:

where the functions OutY () and OutC () are specified as follows:
OutY (x) = Clip3 (0, (1 << BitDepthY) –1 , x * ( (1 << BitDepthY) –1)
OutC (x) = Clip3 (0, (1 << BitDepthC) –1 , x * ( (1 << BitDepthC) –1)
4. Technical problems solved by disclosed technical solutions

First, the GFV SEI does not support multiple base picture input.

Second, the GFV SEI does not support digital human video.

Third, the GFV SEI does not support multiple digital human.
5. A listing of solutions and embodiments

To solve the above-described problems, methods as summarized below are disclosed. The aspects should be considered as examples to explain the general concepts and should not be interpreted in a narrow way. Furthermore, these examples can be applied individually or combined in any manner.
1) To solve problem 1, multiple base pictures may be considered in a generative model.
a. In one example, one and more syntax elements may be added or modified to indicate the number 
of input pictures for the generative model.
b. In one example, a list of input pictures for the generative model is derived, e.g., based on an 
explicit signalling or based on the output order of the earlier decoded pictures.
c. In one example, one and more syntax elements may be added or modified to indicate whether the 
current picture is an input and/or its order in the list of input pictures.
d. In one example, base pictures and non-base pictures may be indicated in different ways, e.g., only 
non-base pictures may be indicated in a SEI message.
i. Alternatively, furthermore, indications of which base pictures to be utilized together with 
the non-base pictures may be signalled/derived in the SEI message.
2) To solve problem 2, the GFV SEI message may be extended to support digital human video coding and delivery.
a. In one example, one or more syntax elements may be added or modified to indicate whether the 
video is of digital human video.
b. In one example, one or more syntax elements may be added or modified to indicate digital human 
video specific feature meta data.
i. In one example, speech data and or with speech feature may be added to drive video 
generation.
ii. In one example, text data may be added to drive video generation.
iii. In one example, skeleton features, e.g., including key points features for base images and 
motion features may be added to drive video generation.
c. In one example, key video sets may be sent and indicated in the SEI message.
i. In one example, one or more syntax elements may be added or modified to indicate 
whether the current picture belongs to a specific key video set.
d. In one example, the generative network may take a video set and digital human video related 
feature meta data as input to generate video.
e. Alternatively, one or more new SEI messages may be specified to support digital human video.
i. In one example, a generative human video SEI message may be specified.
f. In above examples, the related information may be signalled in a specific SEI message instead of 
the current GFV SEI message.
3) To solve problem 3, the GFV SEI message may be extended to support digital human video with multiple 
digital human, coding and delivery.
a) In one example, face ID or human ID may be added to indicate corresponding digital human to 
drive video generation with multiple digital human.
4) The above items and sub-items may be applied to other video types, for example, digital animal video, general 
video, and their combinations.
6. References
[1] ITU-T and ISO/IEC, “High efficiency video coding, ” Rec. ITU-T H. 265 | ISO/IEC 23008-2 (in force edition) .
[2] J. Chen, E. Alshina, G. J. Sullivan, J. -R. Ohm, J. Boyce, “Algorithm description of Joint Exploration Test 
Model 7 (JEM7) , ” JVET-G1001, Aug. 2017.
[3] Rec. ITU-T H. 266 | ISO/IEC 23090-3, “Versatile Video Coding, ” 2022.
[4] Rec. ITU-T Rec. H. 274 | ISO/IEC 23002-7, “Versatile Supplemental Enhancement Information Messages for 
Coded Video Bitstreams, ” 2022.
[5] S. McCarthy, J. Chen, S. Deshpande, M. M. Hannuksela, Hendry, G. J. Sullivan, and Y. -K. Wang (editors) , 
“SEI messages for VSEI version 4 (Draft 1) , ” JVET output document JVET-ACG2034, publicly available online herein: https: //jvet-experts. org/doc_end_user/documents/33_Teleconference/wg11/JVET-AG2034-v1.zip.
[6] S. McCarthy, J. Chen, S. Deshpande, M. M. Hannuksela, Hendry, “Technologies under consideration for 
future extensions of VSEI (version 3) , ” JVET output document JVET-ACG2032, publicly available online herein: https: //jvet-experts. org/doc_end_user/documents/33_Teleconference/wg11/JVET-AG2032-v1. zip.

FIG. 2 is a block diagram showing an example video processing system 4000 in which various techniques disclosed herein may be implemented. Various implementations may include some or all of the components of the system 4000. The system 4000 may include input 4002 for receiving video content. The video content may be received in a raw or uncompressed format, e.g., 8 or 10 bit multi-component pixel values, or may be in a compressed or encoded format. The input 4002 may represent a network interface, a peripheral bus interface, or a storage interface. Examples of network interface include wired interfaces such as Ethernet, passive optical network (PON) , etc. and wireless interfaces such as Wi-Fi or cellular interfaces.

The system 4000 may include a coding component 4004 that may implement the various coding or encoding methods described in the present document. The coding component 4004 may reduce the average bitrate of video from the input 4002 to the output of the coding component 4004 to produce a coded representation of the video. The coding techniques are therefore sometimes called video compression or video transcoding techniques. The output of the coding component 4004 may be either stored, or transmitted via a communication connected, as represented by the component 4006. The stored or communicated bitstream (or coded) representation of the video received at the input 4002 may be used by a component 4008 for generating pixel values or displayable video that is sent to a display interface 4010. The process of generating user-viewable video from the bitstream representation is sometimes called video decompression. Furthermore, while certain video processing operations are referred to as “coding” operations or tools, it will be appreciated that the coding tools or operations are used at an encoder and corresponding decoding tools or operations that reverse the results of the coding will be performed by a decoder.

Examples of a peripheral bus interface or a display interface may include universal serial bus (USB) or high definition multimedia interface (HDMI) or Displayport, and so on. Examples of storage interfaces include serial advanced technology attachment (SATA) , peripheral component interconnect (PCI) , integrated drive electronics (IDE) interface, and the like. The techniques described in the present document may be embodied in various electronic devices such as mobile phones, laptops, smartphones or other devices that are capable of performing digital data processing and/or video display.

FIG. 3 is a block diagram of an example video processing apparatus 4100. The apparatus 4100 may be used to implement one or more of the methods described herein. The apparatus 4100 may be embodied in a smartphone, tablet, computer, Internet of Things (IoT) receiver, and so on. The apparatus 4100 may include one or more processors 4102, one or more memories 4104 and video processing circuitry 4106. The processor (s) 4102 may be configured to implement one or more methods described in the present document. The memory (memories) 4104 may be used for storing data and code used for implementing the methods and techniques described herein. The video processing circuitry 4106 may be used to implement, in hardware circuitry, some techniques described in the present document. In some embodiments, the video processing circuitry 4106 may be at least partly included in the processor 4102, e.g., a graphics co-processor.

FIG. 4 is a flowchart for an example method 4200 of video processing. The method 4200 determines to consider multiple base pictures in a generative model at step 4202. A conversion between a visual media data and a bitstream is perfomed based on the multiple base pictures at step 4204. The conversion may include encoding at an encoder, decoding at a decoder, or combinations thereof.

It should be noted that the method 4200 can be implemented in an apparatus for processing video data comprising a processor and a non-transitory memory with instructions thereon, such as video encoder 4400, video decoder 4500, and/or encoder 4600. In such a case, the instructions upon execution by the processor, cause the processor to perform the method 4200. Further, the method 4200 can be performed by a non-transitory computer readable medium comprising a computer program product for use by a video coding device. The computer program product comprises computer executable instructions stored on the non-transitory computer readable medium such that when executed by a processor cause the video coding device to perform the method 4200.

FIG. 5 is a block diagram that illustrates an example video coding system 4300 that may utilize the techniques of this disclosure. The video coding system 4300 may include a source device 4310 and a destination device 4320. Source device 4310 generates encoded video data which may be referred to as a video encoding device. Destination device 4320 may decode the encoded video data generated by source device 4310 which may be referred to as a video decoding device.

Source device 4310 may include a video source 4312, a video encoder 4314, and an input/output (I/O) interface 4316. Video source 4312 may include a source such as a video capture device, an interface to receive video data from a video content provider, and/or a computer graphics system for generating video data, or a combination of such sources. The video data may comprise one or more pictures. Video encoder 4314 encodes the video data from video source 4312 to generate a bitstream. The bitstream may include a sequence of bits that form a coded representation of the video data. The bitstream may include coded pictures and associated data. The coded picture is a coded representation of a picture. The associated data may include sequence parameter sets, picture parameter sets, and other syntax structures. I/O interface 4316 may include a modulator/demodulator (modem) and/or a transmitter. The encoded video data may be transmitted directly to destination device 4320 via I/O interface 4316 through network 4330. The encoded video data may also be stored onto a storage medium/server 4340 for access by destination device 4320.

Destination device 4320 may include an I/O interface 4326, a video decoder 4324, and a display device 4322. I/O interface 4326 may include a receiver and/or a modem. I/O interface 4326 may acquire encoded video data from the source device 4310 or the storage medium/server 4340. Video decoder 4324 may decode the encoded video data. Display device 4322 may display the decoded video data to a user. Display device 4322 may be integrated with the destination device 4320, or may be external to destination device 4320, which can be configured to interface with an external display device.

Video encoder 4314 and video decoder 4324 may operate according to a video compression standard, such as the High Efficiency Video Coding (HEVC) standard, Versatile Video Coding (VVM) standard and other current and/or further standards.

FIG. 6 is a block diagram illustrating an example of video encoder 4400, which may be video encoder 4314 in the system 4300 illustrated in FIG. 5. Video encoder 4400 may be configured to perform any or all of the techniques of this disclosure. The video encoder 4400 includes a plurality of functional components. The techniques described in this disclosure may be shared among the various components of video encoder 4400. In some examples, a processor may be configured to perform any or all of the techniques described in this disclosure.

The functional components of video encoder 4400 may include a partition unit 4401, a prediction unit 4402 which may include a mode select unit 4403, a motion estimation unit 4404, a motion compensation unit 4405, an intra prediction unit 4406, a residual generation unit 4407, a transform processing unit 4408, a quantization unit 4409, an inverse quantization unit 4410, an inverse transform unit 4411, a reconstruction unit 4412, a buffer 4413, and an entropy encoding unit 4414.

In other examples, video encoder 4400 may include more, fewer, or different functional components. In an example, prediction unit 4402 may include an intra block copy (IBC) unit. The IBC unit may perform prediction in an IBC mode in which at least one reference picture is a picture where the current video block is located.

Furthermore, some components, such as motion estimation unit 4404 and motion compensation unit 4405 may be highly integrated, but are represented in the example of video encoder 4400 separately for purposes of explanation.

Partition unit 4401 may partition a picture into one or more video blocks. Video encoder 4400 and video decoder 4500 may support various video block sizes.

Mode select unit 4403 may select one of the coding modes, intra or inter, e.g., based on error results, and provide the resulting intra or inter coded block to a residual generation unit 4407 to generate residual block data and to a reconstruction unit 4412 to reconstruct the encoded block for use as a reference picture. In some examples, mode select unit 4403 may select a combination of intra and inter prediction (CIIP) mode in which the prediction is based on an inter prediction signal and an intra prediction signal. Mode select unit 4403 may also select a resolution for a motion vector (e.g., a sub-pixel or integer pixel precision) for the block in the case of inter prediction.

To perform inter prediction on a current video block, motion estimation unit 4404 may generate motion information for the current video block by comparing one or more reference frames from buffer 4413 to the current video block. Motion compensation unit 4405 may determine a predicted video block for the current video block based on the motion information and decoded samples of pictures from buffer 4413 other than the picture associated with the current video block.

Motion estimation unit 4404 and motion compensation unit 4405 may perform different operations for a current video block, for example, depending on whether the current video block is in an I slice, a P slice, or a B slice.

In some examples, motion estimation unit 4404 may perform uni-directional prediction for the current video block, and motion estimation unit 4404 may search reference pictures of list 0 or list 1 for a reference video block for the current video block. Motion estimation unit 4404 may then generate a reference index that indicates the reference picture in list 0 or list 1 that contains the reference video block and a motion vector that indicates a spatial displacement between the current video block and the reference video block. Motion estimation unit 4404 may output the reference index, a prediction direction indicator, and the motion vector as the motion information of the current video block. Motion compensation unit 4405 may generate the predicted video block of the current block based on the reference video block indicated by the motion information of the current video block.

In other examples, motion estimation unit 4404 may perform bi-directional prediction for the current video block, motion estimation unit 4404 may search the reference pictures in list 0 for a reference video block for the current video block and may also search the reference pictures in list 1 for another reference video block for the current video block. Motion estimation unit 4404 may then generate reference indexes that indicate the reference pictures in list 0 and list 1 containing the reference video blocks and motion vectors that indicate spatial displacements between the reference video blocks and the current video block. Motion estimation unit 4404 may output the reference indexes and the motion vectors of the current video block as the motion information of the current video block. Motion compensation unit 4405 may generate the predicted video block of the current video block based on the reference video blocks indicated by the motion information of the current video block.

In some examples, motion estimation unit 4404 may output a full set of motion information for decoding processing of a decoder. In some examples, motion estimation unit 4404 may not output a full set of motion information for the current video. Rather, motion estimation unit 4404 may signal the motion information of the current video block with reference to the motion information of another video block. For example, motion estimation unit 4404 may determine that the motion information of the current video block is sufficiently similar to the motion information of a neighboring video block.

In one example, motion estimation unit 4404 may indicate, in a syntax structure associated with the current video block, a value that indicates to the video decoder 4500 that the current video block has the same motion information as another video block.

In another example, motion estimation unit 4404 may identify, in a syntax structure associated with the current video block, another video block and a motion vector difference (MVD) . The motion vector difference indicates a difference between the motion vector of the current video block and the motion vector of the indicated video block. The video decoder 4500 may use the motion vector of the indicated video block and the motion vector difference to determine the motion vector of the current video block.

As discussed above, video encoder 4400 may predictively signal the motion vector. Two examples of predictive signaling techniques that may be implemented by video encoder 4400 include advanced motion vector prediction (AMVP) and merge mode signaling.

Intra prediction unit 4406 may perform intra prediction on the current video block. When intra prediction unit 4406 performs intra prediction on the current video block, intra prediction unit 4406 may generate prediction data for the current video block based on decoded samples of other video blocks in the same picture. The prediction data for the current video block may include a predicted video block and various syntax elements.

Residual generation unit 4407 may generate residual data for the current video block by subtracting the predicted video block (s) of the current video block from the current video block. The residual data of the current video block may include residual video blocks that correspond to different sample components of the samples in the current video block.

In other examples, there may be no residual data for the current video block for the current video block, for example in a skip mode, and residual generation unit 4407 may not perform the subtracting operation.

Transform processing unit 4408 may generate one or more transform coefficient video blocks for the current video block by applying one or more transforms to a residual video block associated with the current video block.

After transform processing unit 4408 generates a transform coefficient video block associated with the current video block, quantization unit 4409 may quantize the transform coefficient video block associated with the current video block based on one or more quantization parameter (QP) values associated with the current video block.

Inverse quantization unit 4410 and inverse transform unit 4411 may apply inverse quantization and inverse transforms to the transform coefficient video block, respectively, to reconstruct a residual video block from the transform coefficient video block. Reconstruction unit 4412 may add the reconstructed residual video block to corresponding samples from one or more predicted video blocks generated by the prediction unit 4402 to produce a reconstructed video block associated with the current block for storage in the buffer 4413.

After reconstruction unit 4412 reconstructs the video block, the loop filtering operation may be performed to reduce video blocking artifacts in the video block.

Entropy encoding unit 4414 may receive data from other functional components of the video encoder 4400. When entropy encoding unit 4414 receives the data, entropy encoding unit 4414 may perform one or more entropy encoding operations to generate entropy encoded data and output a bitstream that includes the entropy encoded data.

FIG. 7 is a block diagram illustrating an example of video decoder 4500 which may be video decoder 4324 in the system 4300 illustrated in FIG. 5. The video decoder 4500 may be configured to perform any or all of the techniques of this disclosure. In the example shown, the video decoder 4500 includes a plurality of functional components. The techniques described in this disclosure may be shared among the various components of the video decoder 4500. In some examples, a processor may be configured to perform any or all of the techniques described in this disclosure.

In the example shown, video decoder 4500 includes an entropy decoding unit 4501, a motion compensation unit 4502, an intra prediction unit 4503, an inverse quantization unit 4504, an inverse transformation unit 4505, a reconstruction unit 4506, and a buffer 4507. Video decoder 4500 may, in some examples, perform a decoding pass generally reciprocal to the encoding pass described with respect to video encoder 4400.

Entropy decoding unit 4501 may retrieve an encoded bitstream. The encoded bitstream may include entropy coded video data (e.g., encoded blocks of video data) . Entropy decoding unit 4501 may decode the entropy coded video data, and from the entropy decoded video data, motion compensation unit 4502 may determine motion information including motion vectors, motion vector precision, reference picture list indexes, and other motion information. Motion compensation unit 4502 may, for example, determine such information by performing the AMVP and merge mode.

Motion compensation unit 4502 may produce motion compensated blocks, possibly performing interpolation based on interpolation filters. Identifiers for interpolation filters to be used with sub-pixel precision may be included in the syntax elements.

Motion compensation unit 4502 may use interpolation filters as used by video encoder 4400 during encoding of the video block to calculate interpolated values for sub-integer pixels of a reference block. Motion compensation unit 4502 may determine the interpolation filters used by video encoder 4400 according to received syntax information and use the interpolation filters to produce predictive blocks.

Motion compensation unit 4502 may use some of the syntax information to determine sizes of blocks used to encode frame (s) and/or slice (s) of the encoded video sequence, partition information that describes how each macroblock of a picture of the encoded video sequence is partitioned, modes indicating how each partition is encoded, one or more reference frames (and reference frame lists) for each inter coded block, and other information to decode the encoded video sequence.

Intra prediction unit 4503 may use intra prediction modes for example received in the bitstream to form a prediction block from spatially adjacent blocks. Inverse quantization unit 4504 inverse quantizes, i.e., de-quantizes, the quantized video block coefficients provided in the bitstream and decoded by entropy decoding unit 4501. Inverse transform unit 4505 applies an inverse transform.

Reconstruction unit 4506 may sum the residual blocks with the corresponding prediction blocks generated by motion compensation unit 4502 or intra prediction unit 4503 to form decoded blocks. If desired, a deblocking filter may also be applied to filter the decoded blocks in order to remove blockiness artifacts. The decoded video blocks are then stored in buffer 4507, which provides reference blocks for subsequent motion compensation/intra prediction and also produces decoded video for presentation on a display device.

FIG. 8 is a schematic diagram of an example encoder 4600. The encoder 4600 is suitable for implementing the techniques of VVC. The encoder 4600 includes three in-loop filters, namely a deblocking filter (DF) 4602, a sample adaptive offset (SAO) 4604, and an adaptive loop filter (ALF) 4606. Unlike the DF 4602, which uses predefined filters, the SAO 4604 and the ALF 4606 utilize the original samples of the current picture to reduce the mean square errors between the original samples and the reconstructed samples by adding an offset and by applying a finite impulse response (FIR) filter, respectively, with coded side information signaling the offsets and filter coefficients. The ALF 4606 is located at the last processing stage of each picture and can be regarded as a tool trying to catch and fix artifacts created by the previous stages.

The encoder 4600 further includes an intra prediction component 4608 and a motion estimation/compensation (ME/MC) component 4610 configured to receive input video. The intra prediction component 4608 is configured to perform intra prediction, while the ME/MC component 4610 is configured to utilize reference pictures obtained from a reference picture buffer 4612 to perform inter prediction. Residual blocks from inter prediction or intra prediction are fed into a transform (T) component 4614 and a quantization (Q) component 4616 to generate quantized residual transform coefficients, which are fed into an entropy coding component 4618. The entropy coding component 4618 entropy codes the prediction results and the quantized transform coefficients and transmits the same toward a video decoder (not shown) . Quantization components output from the quantization component 4616 may be fed into an inverse quantization (IQ) components 4620, an inverse transform component 4622, and a reconstruction (REC) component 4624. The REC component 4624 is able to output images to the DF 4602, the SAO 4604, and the ALF 4606 for filtering prior to those images being stored in the reference picture buffer 4612.

FIG. 9 is a flowchart for an example method 4700 of video processing. The method 4700 determines to employ multiple base pictures in a generative model including a generative network that employs a generative face video (GFV) supplemental enhancement information (SEI) message to code video information for digital human video at step 4702. A conversion between a visual media data and a bitstream is perfomed based on the GFV SEI message at step 4704. The conversion may include encoding at an encoder, decoding at a decoder, or combinations thereof.

It should be noted that the method 4700 can be implemented in an apparatus for processing video data comprising a processor and a non-transitory memory with instructions thereon, such as video encoder 4400, video decoder 4500, and/or encoder 4600. In such a case, the instructions upon execution by the processor, cause the processor to perform the method 4700. Further, the method 4700 can be performed by a non-transitory computer readable medium comprising a computer program product for use by a video coding device. The computer program product comprises computer executable instructions stored on the non-transitory computer readable medium such that when executed by a processor cause the video coding device to perform the method 4700.

A listing of solutions preferred by some examples is provided next.

The following solutions show examples of techniques discussed herein.

1. A method for processing media data comprising: determining to consider multiple base pictures in a generative model; and performing a conversion between a visual media data and a bitstream based on the multiple base pictures.

2. The method of solution 1, wherein one and more syntax elements are used to indicate a number of input pictures for the generative model.

3. The method of any of solutions 1-2, wherein a list of input pictures for the generative model is derived based on an explicit signalling or based on the output order of earlier decoded pictures.

4. The method of any of solutions 1-3, wherein one and more syntax elements are added or modified to indicate whether a current picture is an input or a current picture order in a list of input pictures.

5. The method of any of solutions 1-4, wherein base pictures and non-base pictures are indicated in different ways.

6. The method of any of solutions 1-5, wherein only non-base pictures are indicated in a supplemental enhancement information (SEI) message.

7. The method of any of solutions 1-6, wherein indications of which base pictures to be utilized together with the non-base pictures are signalled in or derived based on the SEI message.

8. The method of any of solutions 1-7, wherein a generative face video (GFV) SEI message is used to support digital human video coding and delivery.

9. The method of any of solutions 1-8, wherein one or more syntax elements are used to indicate whether the video is a digital human video.

10. The method of any of solutions 1-9, wherein one or more syntax elements are used to indicate digital human video specific feature meta data.

11. The method of any of solutions 1-10, wherein speech data or speech feature data is used to drive video generation, or wherein text data is used to drive video generation, or wherein skeleton features including key points features for base images and motion features are used to drive video generation.

12. The method of any of solutions 1-11, wherein key video sets are sent and indicated in the SEI message, or wherein one or more syntax elements are used to indicate whether the current picture belongs to a specific key video set.

13. The method of any of solutions 1-12, wherein the generative network takes a video set and digital human video related feature meta data as input to generate video.

14. The method of any of solutions 1-13, wherein one or more new SEI messages are specified to support digital human video, or wherein a generative human video SEI message is specified.

15. The method of any of solutions 1-14, wherein digital human video related feature meta data information is signalled in a specific SEI message instead of a GFV SEI message.

16. The method of any of solutions 1-15, wherein a GFV SEI message supports digital human video with multiple digital human, coding, and delivery, or wherein a face identifier (ID) or a human ID is added to indicate a corresponding digital human to drive video generation with multiple digital humans.

17. The method of any of solutions 1-16, wherein the visual media data includes digital human video, digital animal video, general video, or combinations thereof.

18. The method of any of solutions 1-17, wherein the conversion includes encoding the visual media data into the bitstream.

19. The method of any of solutions 1-17, wherein the conversion includes decoding the visual media data from the bitstream.

20. An apparatus for processing video data comprising: a processor; and a non-transitory memory with instructions thereon, wherein the instructions upon execution by the processor, cause the processor to perform the method of any of solutions 1-19.

21. A non-transitory computer readable medium comprising a computer program product for use by a video coding device, the computer program product comprising computer executable instructions stored on the non-transitory computer readable medium such that when executed by a processor cause the video coding device to perform the method of any of solutions 1-19.

22. A non-transitory computer-readable recording medium storing a bitstream of a video which is generated by a method performed by a video processing apparatus, wherein the method comprises: determining to consider multiple base pictures in a generative model; and generating the bitstream based on the determining.

23. A method for storing bitstream of a video comprising: determining to consider multiple base pictures in a generative model; generating the bitstream based on the determining; and storing the bitstream in a non-transitory computer-readable recording medium.

24. A method, apparatus, or system described in the present document.

The following solutions show further examples of techniques discussed herein.

1. A method for processing media data comprising: determining to employ multiple base pictures in a generative model including a generative network that employs a generative face video (GFV) supplemental enhancement information (SEI) message to code video information for digital human video; and performing a conversion between a visual media data and a bitstream based on the GFV SEI message.

2. The method of solution 1, wherein one and more syntax elements in the GFV SEI message are used to indicate a number of input pictures for the generative model.

3. The method of any of solutions 1-2, wherein a list of input pictures for the generative model is derived based on an explicit signalling or based on an output order of earlier decoded pictures.

4. The method of any of solutions 1-3, wherein one and more syntax elements indicate whether a current picture is an input or a current picture order in a list of input pictures.

5. The method of any of solutions 1-4, wherein base pictures and non-base pictures are indicated differently in the GFV SEI message.

6. The method of any of solutions 1-5, wherein only non-base pictures are indicated in the GFV SEI message.

7. The method of any of solutions 1-6, wherein one or more indications are signalled in the GFV SEI message, the indications indicating which base pictures are utilized together with which non-base pictures.

8. The method of any of solutions 1-7, wherein one or more indications are derived based on the GFV SEI message, the indications indicating which base pictures are utilized together with which non-base pictures.

9. The method of any of solutions 1-8, wherein one or more syntax elements in the GFV SEI message are used to indicate whether the video information is a digital human video.

10. The method of any of solutions 1-9, wherein one or more syntax elements are used to indicate digital human video specific feature meta data.

11. The method of any of solutions 1-10, wherein speech data, speech feature data, text data, or skeleton features including key points features for base images and motion features are used to drive video generation.

12. The method of any of solutions 1-11, wherein key video sets are included in the bitstream, and wherein the key video sets are indicated in the GFV SEI message, or wherein one or more syntax elements in the GFV SEI message indicate whether the current picture is included in a specific key video set.

13. The method of any of solutions 1-12, wherein the generative network recieves a video set and digital human video related feature meta data as input to generate video.

14. The method of any of solutions 1-13, wherein one or more SEI messages are specified to support digital human video.

15. The method of any of solutions 1-14, wherein a generative human video SEI message is specified to support digital human video.

16. The method of any of solutions 1-15, wherein digital human video related feature meta data information is signalled in a specific SEI message outside of the GFV SEI message.

17. The method of any of solutions 1-16, wherein the GFV SEI message supports digital human video with multiple digital humans for coding and delivery.

18. The method of any of solutions 1-17, wherein a face identifier (ID) or a human ID is included in the GFV SEI message to indicate a corresponding digital human to drive video generation with multiple digital humans.

19. The method of any of solutions 1-18, wherein the visual media data includes digital human video, digital animal video, general video, or combinations thereof.

20. The method of any of solutions 1-19, wherein the conversion includes encoding the visual media data into the bitstream.

21. The method of any of solutions 1-19, wherein the conversion includes decoding the visual media data from the bitstream.

22. An apparatus for processing video data comprising: a processor; and a non-transitory memory with instructions thereon, wherein the instructions upon execution by the processor, cause the processor to perform the method of any of solutions 1-21.

23. A non-transitory computer readable medium comprising a computer program product for use by a video coding device, the computer program product comprising computer executable instructions stored on the non-transitory computer readable medium such that when executed by a processor cause the video coding device to perform the method of any of solutions 1-21.

24. A non-transitory computer-readable recording medium storing a bitstream of a video which is generated by a method performed by a video processing apparatus, wherein the method comprises: determining to employ multiple base pictures in a generative model including a generative network that employs a generative face video (GFV) supplemental enhancement information (SEI) message to code video information for digital human video; and generating the bitstream based on the determining.

25. A method for storing bitstream of a video comprising: determining to employ multiple base pictures in a generative model including a generative network that employs a generative face video (GFV) supplemental enhancement information (SEI) message to code video information for digital human video; generating the bitstream based on the determining; and storing the bitstream in a non-transitory computer-readable recording medium.

In the solutions described herein, an encoder may conform to the format rule by producing a coded representation according to the format rule. In the solutions described herein, a decoder may use the format rule to parse syntax elements in the coded representation with the knowledge of presence and absence of syntax elements according to the format rule to produce decoded video.

In the present document, the term “video processing” may refer to video encoding, video decoding, video compression or video decompression. For example, video compression algorithms may be applied during conversion from pixel representation of a video to a corresponding bitstream representation or vice versa. The bitstream representation of a current video block may, for example, correspond to bits that are either co-located or spread in different places within the bitstream, as is defined by the syntax. For example, a macroblock may be encoded in terms of transformed and coded error residual values and also using bits in headers and other fields in the bitstream. Furthermore, during conversion, a decoder may parse a bitstream with the knowledge that some fields may be present, or absent, based on the determination, as is described in the above solutions. Similarly, an encoder may determine that certain syntax fields are or are not to be included and generate the coded representation accordingly by including or excluding the syntax fields from the coded representation.

The disclosed and other solutions, examples, embodiments, modules and the functional operations described in this document can be implemented in digital electronic circuitry, or in computer software, firmware, or hardware, including the structures disclosed in this document and their structural equivalents, or in combinations of one or more of them. The disclosed and other embodiments can be implemented as one or more computer program products, i.e., one or more modules of computer program instructions encoded on a computer readable medium for execution by, or to control the operation of, data processing apparatus. The computer readable medium can be a machine-readable storage device, a machine-readable storage substrate, a memory device, a composition of matter effecting a machine-readable propagated signal, or a combination of one or more them. The term “data processing apparatus” encompasses all apparatus, devices, and machines for processing data, including by way of example a programmable processor, a computer, or multiple processors or computers. The apparatus can include, in addition to hardware, code that creates an execution environment for the computer program in question, e.g., code that constitutes processor firmware, a protocol stack, a database management system, an operating system, or a combination of one or more of them. A propagated signal is an artificially generated signal, e.g., a machine-generated electrical, optical, or electromagnetic signal, that is generated to encode information for transmission to suitable receiver apparatus.

A computer program (also known as a program, software, software application, script, or code) can be written in any form of programming language, including compiled or interpreted languages, and it can be deployed in any form, including as a stand-alone program or as a module, component, subroutine, or other unit suitable for use in a computing environment. A computer program does not necessarily correspond to a file in a file system. A program can be stored in a portion of a file that holds other programs or data (e.g., one or more scripts stored in a markup language document) , in a single file dedicated to the program in question, or in multiple coordinated files (e.g., files that store one or more modules, sub programs, or portions of code) . A computer program can be deployed to be executed on one computer or on multiple computers that are located at one site or distributed across multiple sites and interconnected by a communication network.

The processes and logic flows described in this document can be performed by one or more programmable processors executing one or more computer programs to perform functions by operating on input data and generating output. The processes and logic flows can also be performed by, and apparatus can also be implemented as, special purpose logic circuitry, e.g., an FPGA (field programmable gate array) or an ASIC (application specific integrated circuit) .

Processors suitable for the execution of a computer program include, by way of example, both general and special purpose microprocessors, and any one or more processors of any kind of digital computer. Generally, a processor will receive instructions and data from a read only memory or a random-access memory or both. The essential elements of a computer are a processor for performing instructions and one or more memory devices for storing instructions and data. Generally, a computer will also include, or be operatively coupled to receive data from or transfer data to, or both, one or more mass storage devices for storing data, e.g., magnetic, magneto optical disks, or optical disks. However, a computer need not have such devices. Computer readable media suitable for storing computer program instructions and data include all forms of non-volatile memory, media and memory devices, including by way of example semiconductor memory devices, e.g., erasable programmable read-only memory (EPROM) , electrically erasable programmable read-only memory (EEPROM) , and flash memory devices; magnetic disks, e.g., internal hard disks or removable disks; magneto optical disks; and compact disc read-only memory (CD ROM) and Digital versatile disc-read only memory (DVD-ROM) disks. The processor and the memory can be supplemented by, or incorporated in, special purpose logic circuitry.

While this patent document contains many specifics, these should not be construed as limitations on the scope of any subject matter or of what may be claimed, but rather as descriptions of features that may be specific to particular embodiments of particular techniques. Certain features that are described in this patent document in the context of separate embodiments can also be implemented in combination in a single embodiment. Conversely, various features that are described in the context of a single embodiment can also be implemented in multiple embodiments separately or in any suitable subcombination. Moreover, although features may be described above as acting in certain combinations and even initially claimed as such, one or more features from a claimed combination can in some cases be excised from the combination, and the claimed combination may be directed to a subcombination or variation of a subcombination.

Similarly, while operations are depicted in the drawings in a particular order, this should not be understood as requiring that such operations be performed in the particular order shown or in sequential order, or that all illustrated operations be performed, to achieve desirable results. Moreover, the separation of various system components in the embodiments described in this patent document should not be understood as requiring such separation in all embodiments.

Only a few implementations and examples are described and other implementations, enhancements and variations can be made based on what is described and illustrated in this patent document.

A first component is directly coupled to a second component when there are no intervening components, except for a line, a trace, or another medium between the first component and the second component. The first component is indirectly coupled to the second component when there are intervening components other than a line, a trace, or another medium between the first component and the second component. The term “coupled” and its variants include both directly coupled and indirectly coupled. The use of the term “about” means a range including ±10%of the subsequent number unless otherwise stated.

While several embodiments have been provided in the present disclosure, it should be understood that the disclosed systems and methods might be embodied in many other specific forms without departing from the spirit or scope of the present disclosure. The present examples are to be considered as illustrative and not restrictive, and the intention is not to be limited to the details given herein. For example, the various elements or components may be combined or integrated in another system or certain features may be omitted, or not implemented.

In addition, techniques, systems, subsystems, and methods described and illustrated in the various embodiments as discrete or separate may be combined or integrated with other systems, modules, techniques, or methods without departing from the scope of the present disclosure. Other items shown or discussed as coupled may be directly connected or may be indirectly coupled or communicating through some interface, device, or intermediate component whether electrically, mechanically, or otherwise. Other examples of changes, substitutions, and alterations are ascertainable by one skilled in the art and could be made without departing from the spirit and scope disclosed herein.

Claims (25)

1. A method for processing media data comprising:

   determining to employ multiple base pictures in a generative model including a generative network that employs a generative face video (GFV) supplemental enhancement information (SEI) message to code video information for digital human video; and

   performing a conversion between a visual media data and a bitstream based on the GFV SEI message.
2. The method of claim 1, wherein one and more syntax elements in the GFV SEI message are used to indicate a number of input pictures for the generative model.
3. The method of any of claims 1-2, wherein a list of input pictures for the generative model is derived based on an explicit signalling or based on an output order of earlier decoded pictures.
4. The method of any of claims 1-3, wherein one and more syntax elements indicate whether a current picture is an input or a current picture order in a list of input pictures.
5. The method of any of claims 1-4, wherein base pictures and non-base pictures are indicated differently in the GFV SEI message.
6. The method of any of claims 1-5, wherein only non-base pictures are indicated in the GFV SEI message.
7. The method of any of claims 1-6, wherein one or more indications are signalled in the GFV SEI message, the indications indicating which base pictures are utilized together with which non-base pictures.
8. The method of any of claims 1-7, wherein one or more indications are derived based on the GFV SEI message, the indications indicating which base pictures are utilized together with which non-base pictures.
9. The method of any of claims 1-8, wherein one or more syntax elements in the GFV SEI message are used to indicate whether the video information is a digital human video.
10. The method of any of claims 1-9, wherein one or more syntax elements are used to indicate digital human video specific feature meta data.
11. The method of any of claims 1-10, wherein speech data, speech feature data, text data, or skeleton features including key points features for base images and motion features are used to drive video generation.
12. The method of any of claims 1-11, wherein key video sets are included in the bitstream, and wherein the key video sets are indicated in the GFV SEI message, or wherein one or more syntax elements in the GFV SEI message indicate whether the current picture is included in a specific key video set.
13. The method of any of claims 1-12, wherein the generative network recieves a video set and digital human video related feature meta data as input to generate video.
14. The method of any of claims 1-13, wherein one or more SEI messages are specified to support digital human video.
15. The method of any of claims 1-14, wherein a generative human video SEI message is specified to support digital human video.
16. The method of any of claims 1-15, wherein digital human video related feature meta data information is signalled in a specific SEI message outside of the GFV SEI message.
17. The method of any of claims 1-16, wherein the GFV SEI message supports digital human video with multiple digital humans for coding and delivery.
18. The method of any of claims 1-17, wherein a face identifier (ID) or a human ID is included in the GFV SEI message to indicate a corresponding digital human to drive video generation with multiple digital humans.
19. The method of any of claims 1-18, wherein the visual media data includes digital human video, digital animal video, general video, or combinations thereof.
20. The method of any of claims 1-19, wherein the conversion includes encoding the visual media data into the bitstream.
21. The method of any of claims 1-19, wherein the conversion includes decoding the visual media data from the bitstream.
22. An apparatus for processing video data comprising: a processor; and a non-transitory memory with instructions thereon, wherein the instructions upon execution by the processor, cause the processor to perform the method of any of claims 1-21.
23. A non-transitory computer readable medium comprising a computer program product for use by a video coding device, the computer program product comprising computer executable instructions stored on the non-transitory computer readable medium such that when executed by a processor cause the video coding device to perform the method of any of claims 1-21.
24. A non-transitory computer-readable recording medium storing a bitstream of a video which is generated by a method performed by a video processing apparatus, wherein the method comprises:

    determining to employ multiple base pictures in a generative model including a generative network that employs a generative face video (GFV) supplemental enhancement information (SEI) message to code video information for digital human video; and

    generating the bitstream based on the determining.
25. A method for storing bitstream of a video comprising:

    determining to employ multiple base pictures in a generative model including a generative network that employs a generative face video (GFV) supplemental enhancement information (SEI) message to code video information for digital human video;

    generating the bitstream based on the determining; and

    storing the bitstream in a non-transitory computer-readable recording medium.