基于轻量级全连接网络的H.266/VVC分量间预测OA北大核心CSTPCD
Efficient cross-component prediction for H.266/VVC based on lightweight fully connected networks
新一代视频编码标准H.266/VVC引入分量间线性模型(CCLM)预测提高压缩效率.针对亮度色度分量存在相关性却难以建模的问题,提出基于神经网络的分量间预测算法.该算法根据待预测像素与参考像素的亮度差遴选出相关性强的参考像素构成参考子集,然后将参考子集送入轻量级全连接网络获得色度预测值.实验结果表明,与H.266/VVC测试模型版本10.0(VTM10.0)相比,所提算法可提高色度预测准确度,在Y、Cb和Cr上可分别节省0.27％、1.54％和1.84％的码率.所提算法具有不同块尺寸和编码参数均可使用统一网络结构的优点.
霍俊彦;王丹妮;马彦卓;万帅;杨付正
西安电子科技大学ISN国家重点实验室,陕西 西安 710071西安电子科技大学ISN国家重点实验室,陕西 西安 710071西安电子科技大学ISN国家重点实验室,陕西 西安 710071西北工业大学电子信息学院,陕西 西安 710072西安电子科技大学ISN国家重点实验室,陕西 西安 710071
信息技术与安全科学
H.266/VVC色度帧内预测分量间预测神经网络
《通信学报》 2022 (2)
面向CloudVR交互失真的视觉体验质量评价研究
143-155,13
国家自然科学基金资助项目(No.62101409,No.62171353)
评论