JVET提案学习:块重要性映射Block importance mapping

Posted 神遁克里苏

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了JVET提案学习:块重要性映射Block importance mapping相关的知识,希望对你有一定的参考价值。

JVET-Y0077:AHG10: Block importance mapping

是爱立信提出的视频前处理操作,已经被集成到了VTM和HM中。

Block importance mapping需要与MCTF结合,利用MCTF中计算出的参数得到每个ctu的重要性,根据块重要性去调整每个ctu的QP。

图片之间的差异的估计是基于在时间滤波器中执行的计算。QP只对时间滤波器激活的帧进行修改,即POC可被8整除。

MCTF技术解析

具体步骤:

在MCTF中会计算每个8x8的块的块误差E。

其中V为当前块的方差。

在本技术中会用E这个参数,具体为:将当前ctu与它距离为1的前后两帧对应的ctu求E并取平均得到E1,当前帧与它距离为2的前后两帧对应的ctu求E并取平均得到E2。

 其中POC可整除16的帧,E4的结果为:

 对于被过滤的最高时间层,其中POC被8整除而不是16,E4被修改。Ccenter设置为45。

此外,在引用只出现在一个方向上的情况下,例如序列的第一个图片或LD,则将E1和E2

中唯一可用值乘以2。

根据E4的值按照下表调整QP,E4越小,说明当前QP越重要,因此会这个块分配较低的QP。

性能:

可以看出码率大概有2%的节省量,提案中说明时间测得不准,不过由于计算操作已经在MCTF中计算出来了,所以几乎没有多少时间复杂度。

 

 

以上是关于JVET提案学习:块重要性映射Block importance mapping的主要内容,如果未能解决你的问题,请参考以下文章

基于深度学习的环路滤波和残差缩放

基于深度学习的环路滤波和残差缩放

基于深度学习的环路滤波的消融实验

基于深度学习的环路滤波的消融实验

基于深度学习的参考帧生成

基于神经网络的运动补偿增强