-
公开(公告)号:CN119013985A
公开(公告)日:2024-11-22
申请号:CN202380033833.5
申请日:2023-04-05
Applicant: 杜比实验室特许公司
IPC: H04N19/543 , H04N19/176 , H04N19/96
Abstract: 描述了用于视频编码中的模板匹配(TM)的方法。所提出的方法包括:在模板匹配中使用受约束的顶部和左侧邻近者,仅在编码树单元边界中启用TM,使用近似的重构样点,使用新处理流水线来推导与基于模板的帧内模式推导(TIMD)相结合的解码器侧帧内模式推导(DIMD),以及使用来自邻近者的滤波像素而不是使用重构像素。此外,还描述了关于可以如何结合帧内模式、子分区模式、帧内预测中的内插滤波、块分区、具有编码单元级别权重的双向预测以及自适应运动矢量分辨率来应用模板匹配的方法。
-
公开(公告)号:CN119301949A
公开(公告)日:2025-01-10
申请号:CN202380033916.4
申请日:2023-04-05
Applicant: 杜比实验室特许公司
IPC: H04N19/119 , H04N19/543 , H04N19/109 , H04N19/11
Abstract: 描述了与视频编码中的几何分区模式(GPM)相关的方法。所提出的方法包括:利用模板匹配对合并候选应用自适应排序(ARMC‑TM)以得到GPM帧间候选列表,在GPM下应用合并运动向量差,对全帧内编码单元(CU)启用GPM,在GPM的帧内预测模式下使用帧间模板成本和帧内模板成本,使用GPM分区来生成模板匹配中的模板,并且使用邻近重构样点和边缘标准来得到顶部边缘和左侧边缘的截距,以生成分区候选。
-
公开(公告)号:CN117916743A
公开(公告)日:2024-04-19
申请号:CN202280057545.9
申请日:2022-08-03
Applicant: 杜比实验室特许公司
IPC: G06N3/0464 , H04N19/147 , H04N19/593 , G06T9/00 , H04N19/46
Abstract: 描述了用于在图像和视频压缩中使用的多层级的端到端神经网络中潜在特征的融合的方法、系统和比特流语法。基于图像特性(例如,自然图像对比屏幕内容图像)、或诸如比特率约束或率失真优化的其他编码参数,融合后架构可以是静态的或动态的。讨论了各种多层级融合架构。
-
-
公开(公告)号:CN119547445A
公开(公告)日:2025-02-28
申请号:CN202380051302.9
申请日:2023-06-26
Applicant: 杜比实验室特许公司
IPC: H04N19/82
Abstract: 描述了用于在图像和视频处理中使用神经网络进行环路滤波的方法、系统、比特流语法和定点实施方式。给定输入图像,提出了混合亮度‑色度滤波器,其中,首先由第一神经网络处理亮度分量和色度分量,并且随后由单独的亮度子网络和色度子网络处理第一网络的输出。最后,将单独的亮度子网络和色度子网络的输出相连结以生成输入图像的经滤波输出。还描述了使用CP分解的高效计算方法。还讨论了指示神经网络环路滤波器相对于如自适应环路滤波器(ALF)等其他滤波器的位置的方法。
-
公开(公告)号:CN119547444A
公开(公告)日:2025-02-28
申请号:CN202380050612.9
申请日:2023-06-23
Applicant: 杜比实验室特许公司
IPC: H04N19/70 , H04N19/90 , G06N3/0455 , G06N3/0464
Abstract: 描述了用于使用在图像和视频压缩中使用的端到端神经网络进行帧间编码的方法、系统和比特流语法。帧间编码方法包括以下各项中的一项或多项:对YUV图片的联合亮度‑色度运动补偿;对YUV图片的联合亮度‑色度残差编码;使用注意力层;启用时间运动预测网络进行运动矢量预测;使用将运动矢量和残差信息进行组合的跨域网络进行运动矢量解码;使用跨域网络对残差进行解码;使用加权运动补偿帧间预测;以及在熵解码中仅使用时间特征、仅使用空间特征或使用时间特征和空间特征两者。还描述了用于改进用于帧间编码的神经网络的训练的方法。
-
公开(公告)号:CN119213768A
公开(公告)日:2024-12-27
申请号:CN202380039187.3
申请日:2023-04-11
Applicant: 杜比实验室特许公司
IPC: H04N19/14 , H04N19/18 , H04N19/105 , H04N19/159 , H04N19/593
Abstract: 针对视频编码中的符号预测描述了方法、系统和比特流句法。该方法包括:基于图像连续性检查、当前编码单元(coded unit,CU)的帧内模式、合并运动向量或自适应运动向量预测对顶部邻近者和左侧邻近者的选择,基于当前CU或邻近CU的残差域的符号预测,基于近似重构样本的符号预测,以及通过将符号预测与符号数据隐藏相结合,减少用于排序的所选系数的数量,简化顺序搜索成本。
-
-
-
-
-
-