-
公开(公告)号：CN116456088A
公开(公告)日：2023-07-18
申请号：CN202310331439.1
申请日：2023-03-30
Applicant: 重庆邮电大学
IPC: H04N19/119 , H04N19/124 , H04N19/159 , H04N19/14 , H04N19/154 , H04N19/176
Abstract: 本发明属于视频编码领域，具体涉及一种基于可能性大小的VVC帧内快速编码方法；包括判断编码单元CUi的尺寸是否为32×32；若是，则根据划分可能性方法得到划分列表；若不是，则采用现有编码器得到划分列表；根据划分列表中的划分模式对CUi进行划分，得到子块CUi，j；采用帧内预测可能性方法对子块CUi，j进行帧内预测，得到子块CUi，j的帧内预测模式粗选表；基于子块CUi，j的划分模式粗选表，采用子块提前终止预测方法提前终止CUi的划分；本发明在保证编码质量的同时降低了VVC编码复杂度。
-
公开(公告)号：CN116320436A
公开(公告)日：2023-06-23
申请号：CN202310331719.2
申请日：2023-03-31
Applicant: 重庆邮电大学
IPC: H04N19/147 , H04N19/103 , H04N19/159 , H04N19/149
Abstract: 本发明属于视频编码领域，具体涉及一种基于决策树的VVC快速编码方法，包括：获取当前CU的特征，预测当前CU预测模式的概率分布并设定概率阈值，根据概率值大小顺序测试候选模式并记录已编码模式的概率和，直到已编码模式概率合大于等于阈值；若当前CU最优预测模式为MERGE/SKIP模式，则评估其预测效果是否终止其编码流程；获取待划分CU的编码信息及子块的特征，根据决策树得到各种划分的概率分布，尝试各种划分模式，直到概率合大于等于阈值时停止。本发明对不同尺寸CU分别建立决策树模型解决了机器学习预测准确率较低的问题，并提出概率和阈值的方法解决单一模式阈值不能适应复杂视频场景的问题，提高了编码效率。
-
公开(公告)号：CN116320398A
公开(公告)日：2023-06-23
申请号：CN202310289471.8
申请日：2023-03-22
Applicant: 重庆邮电大学
IPC: H04N19/103 , H04N19/20 , H04N19/107
Abstract: 本发明涉及SHVC视频编码领域，具体涉及一种基于神经网络优化的质量SHVC编码方法；所述方法包括在Intra模式和ILR模式的选择过程中，采用第一神经网络模型做出提前预判；利用当前模式的模式可能性来选择不同比率的网络模型进行预测，实现视频编码过程的加速；在Intra模式的帧内模式的遍历过程中，针对帧内模式的方向特性，采用第二神经网络模型进行分类，来跳过繁杂的方向模式遍历。在深度的预测过程中，利用第三神经网络模型实现CU的深度预测。通过本发明对编码过程的优化，在几乎不损失视频质量的情况下，有效节约了编码时间。
-
Patent Agency Ranking
公开(公告)号：CN116320398B
公开(公告)日：2024-04-05
申请号：CN202310289471.8
申请日：2023-03-22
Applicant: 重庆邮电大学
IPC: H04N19/103 , H04N19/20 , H04N19/107
Abstract: 本发明涉及SHVC视频编码领域，具体涉及一种基于神经网络优化的质量SHVC编码方法；所述方法包括在Intra模式和ILR模式的选择过程中，采用第一神经网络模型做出提前预判；利用当前模式的模式可能性来选择不同比率的网络模型进行预测，实现视频编码过程的加速；在Intra模式的帧内模式的遍历过程中，针对帧内模式的方向特性，采用第二神经网络模型进行分类，来跳过繁杂的方向模式遍历。在深度的预测过程中，利用第三神经网络模型实现CU的深度预测。通过本发明对编码过程的优化，在几乎不损失视频质量的情况下，有效节约了编码时间。
-
公开(公告)号：CN116489386A
公开(公告)日：2023-07-25
申请号：CN202310299186.4
申请日：2023-03-24
Applicant: 重庆邮电大学
IPC: H04N19/52 , H04N19/176 , G06N3/0464 , G06N3/048 , H04N19/85
Abstract: 本发明属于VVC视频编码技术领域，具体涉及一种基于参考块的VVC帧间快速编码方法，包括：获取当前编码单元信息，并确定是否进行网络预测划分；若进行预测划分，则采用划分概率网络模型对编码单元信息进行划分概率预测值，根据划分概率预测值选取预测模式，否则执行编码器原始的划分过程；用当前编码单元CU对待编码的视频进行MergeSkip模式编码，并计算MergeSkip模式编码的RDCost值；根据RDCost值确定是否采用Skip模式跳过编码预测，否则遍历所有默认候选预测模式；本发明根据帧间的运动特点利用参考块通过深度学习的方式解决了传统利用深度学习不能有效学习帧间编码模式信息和预测不准确的问题。
-
公开(公告)号：CN116033172A
公开(公告)日：2023-04-28
申请号：CN202211628675.1
申请日：2022-12-18
Applicant: 重庆邮电大学
IPC: H04N19/96 , H04N19/11 , H04N19/119
Abstract: 本发明属于VVC视频编码领域，具体涉及一种VVC帧内快速编码方法；该方法包括：获取待编码CU的纹理特征，根据纹理特征得到候选划分模式并依次对候选划分模式进行测试；判断当前测试的划分模式是否为no split模式，若是，则对CU进行帧内预测，得到CU的最优预测模式；否则，根据划分模型对CU进行划分，得到多个子CU，再返回第一步；计算当前测试的划分模式最终被采用的概率；根据当前测试的划分模式最终被采用的概率判断是否继续测试，若继续测试，则切换下一候选划分模式继续测试，否则，得到最优划分模式；根据最优划分模式和最优预测模式进行VVC帧内编码；本发明降低了编码复杂度，同时编码效率较高。
-
公开(公告)号：CN116320436B
公开(公告)日：2023-11-07
申请号：CN202310331719.2
申请日：2023-03-31
Applicant: 重庆邮电大学
IPC: H04N19/147 , H04N19/103 , H04N19/159 , H04N19/149
Abstract: 本发明属于视频编码领域，具体涉及一种基于决策树的VVC快速编码方法，包括：获取当前CU的特征，预测当前CU预测模式的概率分布并设定概率阈值，根据概率值大小顺序测试候选模式并记录已编码模式的概率和，直到已编码模式概率合大于等于阈值；若当前CU最优预测模式为MERGE/SKIP模式，则评估其预测效果是否终止其编码流程；获取待划分CU的编码信息及子块的特征，根据决策树得到各种划分的概率分布，尝试各种划分模式，直到概率合大于等于阈值时停止。本发明对不同尺寸CU分别建立决策树模型解决了机器学习预测准确率较低的问题，并提出概率和阈值的方法解决单一模式阈值不能适应复杂视频场景的问题，提高了编码效率。
-
公开(公告)号：CN116233420A
公开(公告)日：2023-06-06
申请号：CN202310300607.0
申请日：2023-03-24
Applicant: 重庆邮电大学
IPC: H04N19/11 , H04N19/593 , H04N19/96
Abstract: 本发明属于视频编码领域，具体涉及一种基于VVC的帧内快速编码方法，包括：对CU尺寸以及视频本身的纹理内容与划分之间的规律进行统计和分析将CU尺寸分为十个类别，每个类别分别建立一棵决策树获取各个划分模式被采用的概率，通过概率值大小选取最优划分模式作为当前CU的候选划分模式；对帧内模式在不同CU尺寸下的分布情况进行统计，根据统计的分布情况对67种帧内模式的遍历进行优化，获取代价最小的帧内预测模式；通过编码器进行编码并判断编码过程是否深度提前终止。本发明通过概率值以及阈值决策方案和通过自适应地调整搜索步长对CU划分过程以及帧内模式预测过程进行优化，极大的提升了编码效率。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.025 seconds)
