JVET-Z0140-增强的CCLM

最新推荐文章于 2023-07-29 08:00:00 发布

涵小呆

最新推荐文章于 2023-07-29 08:00:00 发布

阅读量793

点赞数 1

分类专栏：视频编码 ECM 文章标签：视频编码

本文链接：https://blog.youkuaiyun.com/BigDream123/article/details/124467545

版权

32 篇文章

订阅专栏

15 篇文章

订阅专栏

该提案针对VVC/ECM中的颜色共轭线性模型(CCLM)提出两种技术——滤波器线性模型(FLM)和梯度线性模型(GLM)。FLM通过多元线性回归考虑更多亮度样本相关性，而GLM利用亮度梯度改善预测。实验表明，这两种方法在处理亮度剧烈变化和屏幕内容序列时能显著提升编码性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本篇来自JVET-Z0140提案：

在VVC/ECM中，CCLM 通过利用亮度/色度分量之间的强相关性实现了显着的编码性能改进。但是CCLM在推导线性模型时，仅考虑单个下采样的亮度样本，而忽略了相邻亮度样本之间可能存在的相关性（比如空间相关性）。本提案作者观察到包含剧烈亮度强度变化的视频序列可能导致相应的色度值变化，称为紫边问题。

本提案提出了两种技术，即基于滤波器的线性模型 (FLM) 和梯度线性模型 (GLM)，

FLM 将 CCLM 中的简单线性回归 (SLR) 扩展为多元线性回归 (MLR)，可以表示为：

其中C为待预测色度样本； Li是色度样本周围的第i个重建亮度样本，αi是第i个系数，β是偏移值，N是涉及的亮度样本的数量。

如下图所示，使用与 CCLM 相同数量的相邻亮度/色度模板样本，即上 2 行/左 3 列亮度样本和上 1 行/左 1 列色度样本。通过 Cholesky 分解来求解 MRL 系数 α 和 β。在当前的 FLM 设计中，支持多种滤波器形状，N 范围为 2 到 6。滤波器形状的选择在 CU 级别切换。

实验结果

与 CCLM 相比，GLM 不是对亮度值进行下采样，而是利用亮度样本的梯度来推导线性模型。换句话说，参数推导时，利用的不是下采样后的亮度样本，而是利用亮度样本的梯度 G 推导线性模型。 CCLM 的其他设计（例如，参数推导、预测样本线性变换）保持不变。

当当前CU启用 CCLM 模式时，分别为 Cb/Cr 分量发送两个标志位，指示是否对该分量启用GLM；如果为一个分量启用了 GLM，则进一步向一个语法元素发送信号以选择下图中的四个梯度模式之一进行梯度计算。

实验结果：

本提案提出了两种对CCLM的改进，两种方法在包含剧烈亮度强度变化的彩色序列以及屏幕内容序列上显着的增益。