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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD