BigDream123的博客

本提案提出了一种基于外推滤波器的帧内预测（extrapolation filter-based Intra Prediction，EIP）模式。首先，利用预定模板从当前块的相邻重建像素获得外推滤波器系数。然后，在当前块内从左上到右下逐位置地处理外推，以生成预测块。

ECM采用了许多跨分量的预测（Cross-componentprediction，CCP）模式，包括跨分量包括跨分量线性模型（CCLM）、卷积跨分量模型（CCCM）和梯度线性模型（GLM），以利用分量间的相关性。该提案提出了一种跨分量的Merge模式（cross-componentmerge，CCMerge）作为一种新的CCP模式。CCMerge编码的跨分分量模型参数可以从用当前块的的相邻块继承。

本提案是针对 ECM 中的的技术的加权方式的改进。具体地，本提案提出使用方向混合（directional blending）来加权TIMD使用模板推导的两种预测模式，当使用directional TIMD时，分别使用上相邻模板和左相邻模板导出两个单独的预测模式，然后将这两种模式使用像素级的权重进行融合。

卷积交叉分量模型（convolutional cross-component model，CCCM）基本思想和CCLM模式类似，建立亮度和色度之间模型实现从亮度重建像素预测色度像素。和CCLM一样，预测色度像素前，需要对亮度重建块进行下采样，以匹配色度块尺寸。

本文来自提案 JVET-Y0092介绍ECM3.1中色度分量的帧内预测模式好包括六种交叉分量线性模型 (LM) 模式（CCLM_LT、CCLM_L、CCLM_T、MMLM_LT、MMLM_L 和 MMLM_T 模式） 、直接模式 (DM) 和四 默认色度帧内预测模式。 四种默认模式由列表 {0,50,18,1} 给出，如果 DM 模式已经属于该列表，则列表中的模式将替换为模式 66。ECM中引入了DIMD技术，DIMD是为当前块的第二相邻行和第二列的L形模板的每个重建亮度样本计算水平梯度

帧内模板匹配预测（Intra TMP，Intra Template Matching Prediction）是一种特殊的帧内预测编码工具，主要用于屏幕内容编码（screen content coding，SCC）。TMP通过L形模板与当前帧已重建部分进行匹配，并将其对应的块作为当前块的预测值。对于预定义的搜索范围，编码器在当前帧的重构部分中搜索与当前模板最相似的模板，并将对应的块作为预测块。 编码器然后用信号通知这种模式的使用，并且在解码器侧执行相同的预测操作。如下图所示：通过将当前块的 L-s

本篇来自JVET-Z0064：1. 介绍本提案提出了一种基于卷积交叉分量模型 (convolutional cross-component model，CCCM) 的帧内色度预测技术。 与 CCLM 类似，当使用色度子采样时，对重建的亮度样本进行下采样以匹配较低分辨率的色度样本。此外，与 CCLM 类似，可以选择使用 CCCM 的单模型或多模型变体。 多模型变体使用两个模型，一个模型用于高于平均亮度参考值的样本，另一个模型用于其余样本（和 MMLM 类似）。多模型 CCCM 模式应用于

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)，方法一：基于滤波器的线性模型（Filter-based Linear Mod

本文来自JVET第25次会议中的提案JVET-Y0055：介绍当亮度与色度分量相关性较强时，CCLM预测性能较好。但当用于生成线性模型参数的参考像素可能有噪声，或者参考像素可能无法很好地代表实际预测块内的内容时，预测无法达到比较好的效果。本提案提出微调CCLM的线性模型参数来改进CCLM的性能。算法CCLM 使用斜率参数“a”和偏差参数“b”的线性模型将亮度值映射到色度值，映射如下：chromaVal = a * lumaVal + b本提案提出对斜率参数进行调整“u”以

模板匹配（Template matching， TM）是一种解码端推导方法，用来细化当前CU的运动信息，使得当前CU的MV更准确。TM主要是通过寻找一个MV使得当前图片的模板（当前 CU 的顶部和/或左侧相邻块）和参考图片的模板之间的匹配误差最小。如下图所示，在 [– 8, +8] 像素搜索范围内围绕当前 CU 的初始 MV 搜索更好的 MV。其中TM是基于 AMVR 模式确定搜索步长，并且 TM 可以在Merge模式下与双边匹配（bilateral matching， BM）过程级联。在AM.

基于模板匹配的Merge候选列表的自适应重排序（Adaptive reordering of merge candidates with template matching， ARMC）技术是使用模板匹配的方法对Merge列表进行重排序，通过重排序，可以将更准确的Merge候选项放在Merge列表的前面，从而可以降低Merge索引的编码比特。ARMC-TM应用于常规Merge模式、模板匹配（TM） Merge模式和Affine Merge模式（不包括 SbTMVP 候选）。 对于 TM Merge模式，

重叠块运动补偿（Overlapped Block Motion Compensation，OBMC）技术是在当前块运动补偿完成之后，将使用相邻块的运动信息进行运动补偿得到的块与当前预测块进行加权，主要用于修正CU的边界像素，可以降低方块效应。不应用OBMC的条件如下所示：在 SPS 级别禁用 OBMC时 当前块为帧内模式或 IBC 模式时 当前块应用 LIC 时 当前亮度块像素数小于或等于 32 时对于基于子块的编码工具，提出使用子块OBMC，以使用相邻子块的运动信息将相同的加权融合应用于顶

局部光照补偿 (local illumination compensation，LIC)技术基于光照变化的线性模型，认为当前块和参考块之间存在线性关系，表示为α*p[x]+β，其中p[x]是当前块单向预测MV指向的参考块，α和β是分别是缩放因子和偏移项，通过当前块模板和参考块模板（下图蓝色区域）推导得到，如下图所示。LIC的使用条件：仅用于帧间单向预测 对亮度样本少于32的块禁用 LIC 参考块模板的样本是通过使用当前块MV的运动补偿生成的，无需将其舍入到整数像素精度 不和CIIP、IB.

和基于梯度的帧内模式推导类似，ECM中还使用了基于模板的帧内模式推导。基本原理：对于当前待预测CU，在模板区域计算预测像素和重建像素的SATD，从MPM列表中选出两个SATD最小的预测模式mode1和mode2，根据mode1和mode2的SATD，决定是否应用加权融合。如果costMode2 < 2*costMode1，则使用mode1和mode2预测当前CU，并将mode1和mode2得到的预测值加权融合作为CU的最终预测值，其中weight1 = costMode2/(costMode1+c

解码端帧内模式推导（DIMD）技术是之前在VVC标准化的过程中提出的技术，因为其在解码端引入的复杂度较高，因此没有被VVC采纳。为了探索下一代压缩标准，JVET最近设立了最新的ECM参考平台，将DIMD技术包含了进去。DIMD技术，称为解码端帧内模式推导，是通过使用求出当前块相邻像素的梯度，来推导当前块的角度模式，从而可以降低编码模式比特。在解码端，通过使用相同的推导方式推导角度模式，恢复出重建YUV。1. 帧内模式推导DIMD使用当前块相邻的Template区域的重建像素推导帧内角度模式，如下