• JVET-AB0117-基于模板的帧内推导的方向性融合


    本提案是针对 ECM 中的 TIMD(基于模板的帧内模式推导,Template based intra mode derivation ) 的技术的加权方式的改进。具体地,本提案提出使用方向混合(directional blending)来加权TIMD使用模板推导的两种预测模式,当使用directional TIMD时,分别使用上相邻模板和左相邻模板导出两个单独的预测模式,然后将这两种模式使用像素级的权重进行融合。

    基本原理

    提案建议使用两个单独的模板,一个在当前块上方,一个位于当前块左侧。模板由相邻重建样本的两行或两列构成。

    在两个模板上分别执行帧内模式搜索。首先对左侧模板进行搜索,然后对上侧模板进行模式搜索。用于每个模板搜索的帧内候选列表由当前块的MPM候选列表形成,使用SATD作为失真度量。

    在左模板上搜索时,在所有候选模式中确定失真最小的模式,表示为dirTimdMode_L,相应的失真记为 minSatd_L;当对上相邻模板搜索时,与最佳左模式相邻的两个方向模式,即dirTimdMode_L+1和dirTimdMode_L-1也被添加到候选列表中,在所有候选模式中确定失真最小的模式,表示为dirTimdMode_A,相应的失真记为minSatd_A。

    在该模板的帧内模式搜索期间确定的第二最佳模式被用作替换。如果两个模板中的一个不可用,则只对可用模板执行一次搜索。生成的模式用作定向TIMD的帧内模式,不使用加权融合。如果两个模板都不可用,则使用“PLANAR”模式。

    计算两个方向模式 dirTimdPred_A和dirTimdPred_L,并使用基于样本的权重进行融合。

    基于样本位置的权重的定义:即上模板推导的预测模式 timdDirMode_A 在块的上侧使用更大的权重,而左模板推导的预测模式在块左侧的像素使用更大的权重。

    特别的,对于大小为H×W的块,上侧模板推导的预测模式 timdDirMode_A 的权重可以定义为:

    .

     可以进一步调整基于样本的权重,用以考虑两个缩放SATD中的一个(minSatd_L或minSatd_A )比另一个大得多的情况。在这种情况下,较高的权重被分配给具有较低SATD的预测模式。特别地,可以预定义因子K。如果minSatd_A>KminSatd_L,则:

    .

     否则,如果minSatd_L>KminSatd_A,则

    最终,dirTimdMode_L对应的权重为

    .

    最终的预测值计算为:


    集成在ECM:该模式的使用通过CABAC编码CU级别标志发出信号。定向TIMD被认为是TIMD的子模式。也就是说,只有当TIMD标志=1时,才发出定向TIMD标志。
    就编码器操作而言,编码器在亮度帧内预测模式循环中执行一个新的RD check,以测试定向TIMD。

    All Intra Main10

    Over ECM-6.0

    Y

    U

    V

    EncT

    DecT

    Class A1

    -0.18%

    -0.22%

    -0.08%

    106%

    102%

    Class A2

    -0.15%

    -0.03%

    -0.05%

    107%

    102%

    Class B

    -0.16%

    -0.03%

    -0.09%

    109%

    102%

    Class C

    -0.19%

    0.03%

    -0.03%

    108%

    103%

    Class E

    -0.27%

    -0.20%

    -0.24%

    108%

    103%

    Overall

    -0.19%

    -0.08%

    -0.09%

    108%

    102%

    Class D

    -0.18%

    -0.04%

    -0.08%

    107%

    104%

    Class F

    -0.14%

    -0.18%

    0.03%

    104%

    103%

     

    Random Access Main 10

    Over ECM-6.0

    Y

    U

    V

    EncT

    DecT

    Class A1

    -0.12%

    0.03%

    -0.06%

    101%

    99%

    Class A2

    -0.11%

    -0.04%

    -0.12%

    100%

    98%

    Class B

    -0.09%

    0.05%

    -0.27%

    98%

    99%

    Class C

    -0.10%

    -0.02%

    0.06%

    99%

    98%

    Class E

    Overall

    -0.10%

    0.01%

    -0.11%

    99%

    99%

    Class D

    -0.04%

    0.12%

    -0.12%

    99%

    98%

    Class F

    -0.10%

    -0.21%

    -0.21%

    98%

    99%

  • 相关阅读:
    慢查询SQL如何优化
    快速实现用户认证:使用Python和Flask配合PyJWT生成与解密Token的教程及示例代码
    【AWS】亚马逊云的使用
    IIC总线专题超级全
    “氛围感 真环绕”可拆卸自由观影新物种 ——索尼发布“积木音响”HT-AX7
    力扣经典题目之->移除值为val元素的讲解,的实现与讲解
    YOLOv8姿态估计实战:训练自己的数据集
    谷歌访问助手下载及添加
    微服务从代码到k8s部署应有尽有系列(五、民宿服务)
    大数据学习(6)-hive底层原理Mapreduce
  • 原文地址:https://blog.csdn.net/BigDream123/article/details/127709385