申请/专利权人:北京工业大学
申请日:2023-03-15
公开(公告)日:2023-06-27
公开(公告)号:CN116347107A
主分类号:H04N19/82
分类号:H04N19/82;H04N19/176;H04N19/117;G06N3/0464;G06N3/08
优先权:
专利状态码:在审-实质审查的生效
法律状态:2023.07.14#实质审查的生效;2023.06.27#公开
摘要:本发明公开了面向VVC视频编码标准基于可变CNN的QP自适应环路滤波方法,属于视频编码技术领域,本方法包含以下步骤:构建轻量级CTU质量三分类网络;构建三个不同复杂度的CNN滤波网络;构建滤波和分类数据集;训练轻量级CTU质量三分类网络模型和三个不同复杂度的CNN滤波网络模型;将轻量级CTU质量三分类网络与三个不同复杂度的CNN滤波网络耦合,并集成到VVC标准VTM6.0中。本发明充分利用了深度学习在图像滤波去噪方面的优势,改善了视频编码器中环路滤波器的性能,有效提升视频整体质量和压缩效率。
主权项:1.面向VVC视频编码标准基于可变CNN的QP自适应环路滤波方法,其特征在于,包括如下步骤,步骤1:构建轻量级CTU质量三分类网络;轻量级CTU质量三分类网络只包含五个卷积层、一个平均池层和一个完全连接层;卷积层负责特征提取,池化层和完全连接层输出概率向量;步骤2:构建三个不同复杂度的CNN滤波网络;CNN滤波网络结构包括编码部分和解码部分;所述编码器由三次卷积操作和三次下采样操作组成,输入图像每次经过卷积操作再经过下采样;所述解码器由三次卷积操作和三次上采样操作以及跳跃连接组成;经过一个卷积层得到滤波后图像;通过设计卷积块提升CNN滤波网络对特征的抓取能力;步骤3:构建分类和滤波数据集;将测试集的图像转换为格式YUV420,并由VTM-6.0在全帧内配置下进行编码,QP从[27,42]中随机选择,在压缩过程中关闭DBF、SAO和ALF,提取编码后图像;将编码后的图像与对应的原始图像切割成为128×128的子图像;将原始图像与对应的编码后图像切割得到的128×128的子图像形成子图像对;计算得到的子图像对的峰值信噪比PSNR,并且按照PSNR从低到高排序子图像对;步骤4:训练轻量级CTU质量三分类网络和三个不同复杂度的CNN滤波网络;步骤5:将轻量级CTU质量三分类网络与三个不同复杂度的CNN滤波网络耦合并集成到VTM6.0中;CTU经过熵解码后会经过轻量级CTU质量三分类网络,将输出三种不同PSNR级别的CTU块,然后选择进入到对应复杂度的CNN滤波网络中进行滤波。
全文数据:
权利要求:
百度查询: 北京工业大学 面向VVC视频编码标准基于可变CNN的QP自适应环路滤波方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。