针对多功能视频编码(Versatile Video Coding,VVC)标准中跨通道线性预测模型(Cross-Component Linear Model,CCLM)无法很好地拟合色度与亮度之间的非线性对应关系这一不足,提出了一种基于注意力机制卷积神经网络的VVC色度预测算法。该...针对多功能视频编码(Versatile Video Coding,VVC)标准中跨通道线性预测模型(Cross-Component Linear Model,CCLM)无法很好地拟合色度与亮度之间的非线性对应关系这一不足,提出了一种基于注意力机制卷积神经网络的VVC色度预测算法。该算法主要思想是在进行色度预测时,使用对应亮度块的信息与待预测色度块上方与左方的信息作为参考信息输入进卷积神经网络,利用注意力机制对参考信息中的亮度与色度间的内在联系进行分配权重后输入预测网络。实验结果表明,相较于VVC标准算法U分量和V分量的平均码率节省分别为0.64%和0.68%,有效提升了VVC编码性能。展开更多
多功能视频编解码(Versatile Video Coding,VVC)是新一代视频编解码标准,拥有较好的压缩性能,能够达到较高的压缩比。但是,编码过程中的变换、量化等操作,不可避免地在视频解码时引起一定程度的压缩伪影,导致解码视频质量降低,影响用户...多功能视频编解码(Versatile Video Coding,VVC)是新一代视频编解码标准,拥有较好的压缩性能,能够达到较高的压缩比。但是,编码过程中的变换、量化等操作,不可避免地在视频解码时引起一定程度的压缩伪影,导致解码视频质量降低,影响用户的视觉体验。目前,基于卷积神经网络(Convolutional Neural Network,CNN)的VVC的压缩伪影去除算法并不多,且大部分算法是在默认量化参数已知的情况下建立去伪影模型,对于不知道量化参数的盲场景,这些算法不太适合。直接设计全盲算法是复杂困难的,且性能有限。针对这一情况,提出了一种半盲方法用于去除VVC解码视频中的压缩伪影,该方法比全盲的方法更加灵活且能够达到更好的性能,比非盲方法更加实用。该方法设计出一种分类网络来预测重建视频的量化参数,预训练一些压缩伪影去除模型,根据预测的量化参数为重建视频选择对应的模型以去除压缩伪影。实验结果证明了该算法的有效性。展开更多
高性能视频编码(High Efficiency Video Coding,HEVC)标准中的帧内编码模式利用当前帧中像素点之间的空间相关性作出有效预测。为了解决待编码像素远离参考像素时预测不准确的问题,提出了一种基于邻近值的HEVC帧内预测优化算法。该算法...高性能视频编码(High Efficiency Video Coding,HEVC)标准中的帧内编码模式利用当前帧中像素点之间的空间相关性作出有效预测。为了解决待编码像素远离参考像素时预测不准确的问题,提出了一种基于邻近值的HEVC帧内预测优化算法。该算法的主要思想是,对于当前像素,先根据传统HEVC帧内编码方法得到其预测值,再使用该像素点左边、左上、上边位置的修正值以及该像素本身的预测值对该预测值进行修正。因为将当前像素与周围像素的相关性进行了有效的数学建模,所以HEVC帧内编码性能得到了提升。实验结果显示,所提算法与HEVC标准相比,最高节省了2.7%的码率,平均节省的码率为1.3%。展开更多
文摘针对多功能视频编码(Versatile Video Coding,VVC)标准中跨通道线性预测模型(Cross-Component Linear Model,CCLM)无法很好地拟合色度与亮度之间的非线性对应关系这一不足,提出了一种基于注意力机制卷积神经网络的VVC色度预测算法。该算法主要思想是在进行色度预测时,使用对应亮度块的信息与待预测色度块上方与左方的信息作为参考信息输入进卷积神经网络,利用注意力机制对参考信息中的亮度与色度间的内在联系进行分配权重后输入预测网络。实验结果表明,相较于VVC标准算法U分量和V分量的平均码率节省分别为0.64%和0.68%,有效提升了VVC编码性能。
文摘多功能视频编解码(Versatile Video Coding,VVC)是新一代视频编解码标准,拥有较好的压缩性能,能够达到较高的压缩比。但是,编码过程中的变换、量化等操作,不可避免地在视频解码时引起一定程度的压缩伪影,导致解码视频质量降低,影响用户的视觉体验。目前,基于卷积神经网络(Convolutional Neural Network,CNN)的VVC的压缩伪影去除算法并不多,且大部分算法是在默认量化参数已知的情况下建立去伪影模型,对于不知道量化参数的盲场景,这些算法不太适合。直接设计全盲算法是复杂困难的,且性能有限。针对这一情况,提出了一种半盲方法用于去除VVC解码视频中的压缩伪影,该方法比全盲的方法更加灵活且能够达到更好的性能,比非盲方法更加实用。该方法设计出一种分类网络来预测重建视频的量化参数,预训练一些压缩伪影去除模型,根据预测的量化参数为重建视频选择对应的模型以去除压缩伪影。实验结果证明了该算法的有效性。
文摘高性能视频编码(High Efficiency Video Coding,HEVC)标准中的帧内编码模式利用当前帧中像素点之间的空间相关性作出有效预测。为了解决待编码像素远离参考像素时预测不准确的问题,提出了一种基于邻近值的HEVC帧内预测优化算法。该算法的主要思想是,对于当前像素,先根据传统HEVC帧内编码方法得到其预测值,再使用该像素点左边、左上、上边位置的修正值以及该像素本身的预测值对该预测值进行修正。因为将当前像素与周围像素的相关性进行了有效的数学建模,所以HEVC帧内编码性能得到了提升。实验结果显示,所提算法与HEVC标准相比,最高节省了2.7%的码率,平均节省的码率为1.3%。
