KR102605285B1 - 다중 그래프 기반 모델에 따라 최적화된 변환을 이용하여 비디오 신호를 인코딩/디코딩하는 방법 및 장치 - Google Patents

다중 그래프 기반 모델에 따라 최적화된 변환을 이용하여 비디오 신호를 인코딩/디코딩하는 방법 및 장치 Download PDF

Info

Publication number
KR102605285B1
KR102605285B1 KR1020187004497A KR20187004497A KR102605285B1 KR 102605285 B1 KR102605285 B1 KR 102605285B1 KR 1020187004497 A KR1020187004497 A KR 1020187004497A KR 20187004497 A KR20187004497 A KR 20187004497A KR 102605285 B1 KR102605285 B1 KR 102605285B1
Authority
KR
South Korea
Prior art keywords
graph
unit
transformation
intra prediction
prediction mode
Prior art date
Application number
KR1020187004497A
Other languages
English (en)
Other versions
KR20180031710A (ko
Inventor
이 에길메즈힐라미
에만야나
쥐 귈레우즈오누르
Original Assignee
엘지전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Publication of KR20180031710A publication Critical patent/KR20180031710A/ko
Application granted granted Critical
Publication of KR102605285B1 publication Critical patent/KR102605285B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/12—Selection from among a plurality of transforms or standards, e.g. selection between discrete cosine transform [DCT] and sub-band transform or selection between H.263 and H.264
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/90—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using coding techniques not provided for in groups H04N19/10-H04N19/85, e.g. fractals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/103—Selection of coding mode or of prediction mode
    • H04N19/105—Selection of the reference unit for prediction within a chosen coding or prediction mode, e.g. adaptive choice of position and number of pixels used for prediction
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/124—Quantisation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/157—Assigned coding mode, i.e. the coding mode being predefined or preselected to be further used for selection of another element or parameter
    • H04N19/159—Prediction type, e.g. intra-frame, inter-frame or bidirectional frame prediction
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
    • H04N19/18—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being a set of transform coefficients
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/44—Decoders specially adapted therefor, e.g. video decoders which are asymmetric with respect to the encoder
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/60—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/80—Details of filtering operations specially adapted for video compression, e.g. for pixel interpolation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/60—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding
    • H04N19/61—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding in combination with predictive coding

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Discrete Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

본 발명은, 비디오 데이터를 처리하는 방법에 있어서, 상기 비디오 데이터에 대해 클러스터링을 수행하는 단계; 상기 클러스터링 결과, 적어도 하나의 데이터 클러스터를 생성하는 단계; 상기 적어도 하나의 데이터 클러스터에 대응되는 적어도 하나의 그래프 라플라시안 행렬을 생성하는 단계; 다중 그래프 기반 모델들에 기초하여 변환 최적화를 수행하는 단계, 여기서 상기 다중 그래프 기반 모델들 각각은 적어도 하나의 그래프 라플라시안 행렬을 포함함; 및 상기 변환 최적화 수행 결과에 따라 최적화된 변환 행렬을 생성하는 단계를 포함하는 것을 특징으로 하는 방법을 제공한다.

Description

다중 그래프 기반 모델에 따라 최적화된 변환을 이용하여 비디오 신호를 인코딩/ 디코딩하는 방법 및 장치
본 발명은 그래프 기반 변환(graph-based transform)을 이용하여 비디오 신호를 인코딩, 디코딩하는 방법 및 장치에 관한 것이다. 구체적으로, 다중 그래프 기반 모델에 따라 최적화된 변환 행렬을 생성하는 기술에 관한 것이다.
차세대 비디오 컨텐츠는 고해상도(high spatial resolution), 고프레임율(high frame rate) 및 영상 표현의 고차원화(high dimensionality of scene representation)라는 특징을 갖게 될 것이다. 그러한 컨텐츠를 처리하기 위해서는 메모리 저장(memory storage), 메모리 액세스율(memory access rate) 및 처리 전력(processing power) 측면에서 엄청난 증가를 가져올 것이다. 따라서, 차세대 비디오 컨텐츠를 보다 효율적으로 처리하기 위한 코딩 툴을 디자인할 필요가 있다.
특히, 그래프는 픽셀 간 관계 정보를 기술하는데 유용한 데이터 표현 형태로써, 이러한 픽셀 간 관계 정보를 그래프로 표현하여 처리하는 그래프 기반 신호 처리 방식이 활용되고 있다. 이러한 그래프 기반 신호 처리는 각 신호 샘플이 꼭지점(vertex)을 나타내며 신호의 관계들이 양의 가중치를 가지는 그래프 에지로 나타내어지는 그래프를 사용하여 샘플링, 필터링, 변환 등과 같은 개념들을 일반화할 수 있다. 따라서, 보다 효율적인 그래프 기반의 신호 처리 방법이 비디오 압축 분야뿐만 아니라 많은 응용 분야에서 요구된다.
또한, 신호 처리 및 머신 러닝 응용들에 대하여, 변환들은 단일 모델의 2차 통계들 (예컨대, 공분산 행렬)에 기반하여 일반적으로 획득된다. 그러나 실제적으로, 단일 모델 가정은 데이터의 전체적인 변화에 대해 용이하게 대응할 수 없다. 따라서, 임의의 데이터에 보다 적합한 강인한 변환(robust transform)을 설계할 필요가 있다.
본 발명은, 그래프 기반 표현을 사용하는 강인한 변환(robust transform)을 설계하기 위한 방법을 제공하고자 한다.
또한, 본 발명은, 통계적인 그래프 모델들의 범위에 적용 가능한 최적화된 변환을 생성하는 방법을 제공하고자 한다.
또한, 본 발명은, 강인한 변환들을 설계하기 위한 다중 그래프 기반 모델을 설계하는 방법을 제공하고자 한다.
본 발명은, 데이터 클러스터에 대응되는 적어도 하나의 그래프 라플라시안 행렬을 이용함으로써 보다 강인한 변환(robust transform)을 설계하고자 한다.
또한, 본 발명은, 적응적인 변환을 설계하기 위해 다중 그래프 기반 모델을 생성하는 방법을 제공한다.
또한, 본 발명은, 예측 모드에 기초하여 데이터 클러스터링을 수행함으로써 다중 그래프 기반 모델을 생성하고자 한다.
또한, 본 발명은, 비대각 성분들의 제곱합(squared sum of off-diagonal elements)을 최소화하는 특정된 메트릭을 이용함으로써 최적화된 변환을 생성하고자 한다.
본 발명은 그래프 기반 표현을 사용하는 강인한 변환(robust transform)을 설계하기 위한 방법을 제공하며, 이를 통해 통계적인 그래프 모델들의 범위에 적용 가능한 최적화 변환을 구축하는 것을 가능하게 한다.
일반적으로, 개별 모델들에 대하여 설계된 변환들은 일반적인 사용에 대하여 적합하지 않으며, 본 발명은 서로 다른 모델들에 대하여 적응적인 변환을 구축하는 것을 가능하게 한다.
데이터 모델은 일반적으로 단일 모델에 의해 근사화되며, 데이터가 데이터 모델의 가정으로부터 벗어나는 경우, 대응되는 변환은 특정 데이터에 대하여 적합하지 않을 수 있다. 따라서, 본 발명은 서로 다른 모델들을 고려함으로써, 모델 불확실성에 대하여 강인한 변환을 설계하는 것을 가능하게 한다.
도 1은 본 발명이 적용되는 실시예로서, 비디오 신호의 인코딩이 수행되는 인코더의 개략적인 블록도를 나타낸다.
도 2는 본 발명이 적용되는 실시예로서, 비디오 신호의 디코딩이 수행되는 디코더의 개략적인 블록도를 나타낸다.
도 3은 본 발명이 적용되는 실시예로서, 코딩 유닛의 분할 구조를 설명하기 위한 도면이다.
도 4는 본 발명이 적용되는 일실시예로서, 1차원 그래프와 2차원 그래프에 기초하여 그래프 기반 변환 행렬을 획득하는 과정을 설명하기 위한 도면이다.
도 5는 본 발명이 적용되는 실시예로서, 그래프 기반 신호를 처리하는 인코더의 개략적 블록도를 예시한다.
도 6은 본 발명이 적용되는 실시예로서, 그래프 기반 신호를 처리하는 디코더의 개략적 블록도를 예시한다.
도 7은 본 발명이 적용되는 일실시예로서, 그래프 기반 변환을 수행하는 그래프 기반 변환부의 내부 블록도를 나타낸다.
도 8은 본 발명이 적용되는 일실시예로서, 다중 그래프 모델들에 기초하여 변환 최적화를 수행하는 그래프 기반 변환부의 내부 블록도를 나타낸다.
도 9는 본 발명이 적용되는 일실시예로서, 다중 그래프 모델들을 생성하고 그에 기초하여 변환 최적화를 수행하는 것을 설명하기 위한 블록도를 나타낸다.
도 10은 본 발명이 적용되는 일실시예로서, 데이터 클러스터에 대응되는 그래프 라플라시안 행렬을 이용하여 변환 최적화를 수행하는 것을 설명하기 위한 블록도를 나타낸다.
도 11은 본 발명이 적용되는 일실시예로서, 노이즈 그래프(noisy graph)에 기초하여 생성된 그래프를 이용하여 변환 최적화를 수행하는 것을 설명하기 위한 블록도를 나타낸다.
도 12는 본 발명이 적용되는 일실시예로서, 인트라 예측 모드 각각에 대응되는 데이터 클러스터들을 이용하여 변환 최적화를 수행하는 것을 설명하기 위한 블록도를 나타낸다.
도 13은 본 발명이 적용되는 일실시예로서, 복수의 인트라 예측 모드에 따른 데이터 클러스터들을 이용하여 변환 최적화를 수행하는 것을 설명하기 위한 블록도를 나타낸다.
도 14는 본 발명이 적용되는 일실시예로서, 인터 예측 모드 각각에 대응되는 데이터 클러스터들을 이용하여 변환 최적화를 수행하는 것을 설명하기 위한 블록도를 나타낸다.
도 15는 본 발명이 적용되는 일실시예로서, 소셜 네트워크로부터 추출된 노이즈 그래프(noisy graph)에 기초하여 생성된 그래프를 이용하여 변환 최적화를 수행하는 것을 설명하기 위한 블록도를 나타낸다.
도 16은 본 발명이 적용되는 일실시예로서, 다수의 그래프 기반 모델들에 기초하여 변환 최적화를 수행하는 방법을 설명하는 흐름도이다.
발명의 실시를 위한 최선의 형태
본 발명은, 비디오 데이터를 처리하는 방법에 있어서, 상기 비디오 데이터에 대해 클러스터링을 수행하는 단계; 상기 클러스터링 결과, 적어도 하나의 데이터 클러스터를 생성하는 단계; 상기 적어도 하나의 데이터 클러스터에 대응되는 적어도 하나의 그래프 라플라시안 행렬을 생성하는 단계; 다중 그래프 기반 모델들에 기초하여 변환 최적화를 수행하는 단계, 여기서 상기 다중 그래프 기반 모델들 각각은 적어도 하나의 그래프 라플라시안 행렬을 포함함; 및 상기 변환 최적화 수행 결과에 따라 최적화된 변환 행렬을 생성하는 단계를 포함하는 것을 특징으로 하는 방법을 제공한다.
또한, 본 발명에서, 상기 클러스터링은 예측 모드에 기초하여 수행되는 것을 특징으로 한다.
또한, 본 발명에서, 상기 예측 모드가 인트라 예측 모드인 경우, 상기 적어도 하나의 데이터 클러스터는 상기 인트라 예측 모드에 대한 인트라 레지듀얼 데이터를 나타내는 것을 특징으로 한다.
또한, 본 발명에서, 상기 다중 그래프 기반 모델들 각각은 상기 인트라 예측 모드에 대해 생성되는 것을 특징으로 한다.
또한, 본 발명에서, 상기 예측 모드가 인터 예측 모드인 경우, 상기 적어도 하나의 데이터 클러스터는 상기 인터 예측 모드에 대한 인터 레지듀얼 데이터를 나타내는 것을 특징으로 한다.
또한, 본 발명에서, 상기 변환 최적화는 특정된 메트릭(specified metric)에 기초하여 수행되고, 상기 특정된 메트릭은 비대각 성분들의 제곱합(squared sum of off-diagonal elements)을 최소화하는 것을 특징으로 한다.
또한, 본 발명에서, 상기 변환 최적화는, 변환 행렬을 초기화하는 단계; 상기 변환 행렬의 2개의 기저 벡터(basic vectors)들을 선택하는 단계; 및 상기 특정된 메트릭(specified metric)에 기초하여 상기 2개의 기저 벡터(basic vectors)들을 업데이트하는 단계를 포함하는 것을 특징으로 한다.
또한, 본 발명은, 비디오 데이터를 처리하는 장치에 있어서, 상기 비디오 데이터에 대해 클러스터링을 수행하여, 적어도 하나의 데이터 클러스터를 생성하는 클러스터링부; 상기 적어도 하나의 데이터 클러스터에 대응되는 그래프 라플라시안 행렬을 생성하는 그래프 신호 모델링부; 및 다중 그래프 기반 모델들에 기초하여 변환 최적화를 수행하고, 최적화된 변환 행렬을 생성하는 변환 최적화부를 포함하되, 상기 다중 그래프 기반 모델들 각각은 적어도 하나의 그래프 기반 라플라시안을 포함하는 것을 특징으로 하는 장치를 제공한다.
또한, 본 발명에서, 상기 변환 최적화부는, 변환 행렬을 초기화하는 변환 초기화부; 상기 변환 행렬의 2개의 기저 벡터(basic vectors)들을 선택하는 변환 선택부; 및 상기 특정된 메트릭(specified metric)에 기초하여 상기 2개의 기저 벡터(basic vectors)들을 업데이트하는 변환 업데이트부를 포함하는 것을 특징으로 한다.
발명의 실시를 위한 형태
이하, 첨부된 도면을 참조하여 본 발명의 실시예의 구성과 그 작용을 설명하며, 도면에 의해서 설명되는 본 발명의 구성과 작용은 하나의 실시예로서 설명되는 것이며, 이것에 의해서 본 발명의 기술적 사상과 그 핵심 구성 및 작용이 제한되지는 않는다.
아울러, 본 발명에서 사용되는 용어는 가능한 한 현재 널리 사용되는 일반적인 용어를 선택하였으나, 특정한 경우는 출원인이 임의로 선정한 용어를 사용하여 설명한다. 그러한 경우에는 해당 부분의 상세 설명에서 그 의미를 명확히 기재하므로, 본 발명의 설명에서 사용된 용어의 명칭만으로 단순 해석되어서는 안 될 것이며 그 해당 용어의 의미까지 파악하여 해석되어야 함을 밝혀두고자 한다.
또한, 본 발명에서 사용되는 용어들은 발명을 설명하기 위해 선택된 일반적인 용어들이나, 유사한 의미를 갖는 다른 용어가 있는 경우 보다 적절한 해석을 위해 대체 가능할 것이다. 예를 들어, 신호, 데이터, 샘플, 픽쳐, 프레임, 블록 등의 경우 각 코딩 과정에서 적절하게 대체되어 해석될 수 있을 것이다. 또한, 파티셔닝(partitioning), 분해(decomposition), 스플리팅 (splitting) 및 분할(division) 등의 경우에도 각 코딩 과정에서 적절하게 대체되어 해석될 수 있을 것이다.
도 1은 본 발명이 적용되는 실시예로서, 비디오 신호의 인코딩이 수행되는 인코더의 개략적인 블록도를 나타낸다.
도 1을 참조하면, 인코더(100)는 영상 분할부(110), 변환부(120), 양자화부(130), 역양자화부(140), 역변환부(150), 필터링부(160), 복호 픽쳐 버퍼(DPB: Decoded Picture Buffer)(170), 인터 예측부(180), 인트라 예측부(185) 및 엔트로피 인코딩부(190)를 포함하여 구성될 수 있다.
영상 분할부(110)는 인코더(100)에 입력된 입력 영상(Input image)(또는, 픽쳐, 프레임)를 하나 이상의 처리 유닛으로 분할할 수 있다. 예를 들어, 상기 처리 유닛은 코딩 트리 유닛(CTU: Coding Tree Unit), 코딩 유닛(CU: Coding Unit), 예측 유닛(PU: Prediction Unit) 또는 변환 유닛(TU: Transform Unit)일 수 있다.
다만, 상기 용어들은 본 발명에 대한 설명의 편의를 위해 사용할 뿐이며, 본 발명은 해당 용어의 정의에 한정되지 않는다. 또한, 본 명세서에서는 설명의 편의를 위해, 비디오 신호를 인코딩 또는 디코딩하는 과정에서 이용되는 단위로써 코딩 유닛이라는 용어를 사용하지만, 본 발명은 그에 한정되지 않으며 발명 내용에 따라 적절하게 해석 가능할 것이다.
인코더(100)는 입력 영상 신호에서 인터 예측부(180) 또는 인트라 예측부(185)로부터 출력된 예측 신호(prediction signal)를 감산하여 잔여 신호(residual signal)를 생성할 수 있고, 생성된 잔여 신호는 변환부(120)로 전송된다.
변환부(120)는 잔여 신호에 변환 기법을 적용하여 변환 계수(transform coefficient)를 생성할 수 있다. 변환 과정은 정사각형의 동일한 크기를 갖는 픽셀 블록에 적용될 수도 있고, 정사각형이 아닌 가변 크기의 블록에도 적용될 수 있다.
상기 변환부(120)는 픽셀 간 관계 정보를 그래프로 표현하여 처리하는 그래프 기반 신호 처리 방식을 이용할 수 있다. 예를 들어, 상기 변환부(120)는 그래프 기반 변환부를 포함할 수 있고, 상기 그래프 기반 변환부는 비디오 데이터에 대해 적어도 하나의 데이터 클러스터를 생성하고, 그에 대응되는 적어도 하나의 그래프 라플라시안 행렬을 생성하고, 이를 포함하는 다중 그래프 기반 모델들에 기초하여 변환 최적화를 수행함으로써 최적화된 변환 행렬을 생성할 수 있다.
본 발명이 적용되는 그래프 기반 변환부는 별개의 기능 유닛으로 존재할 수 있고, 이 경우 상기 그래프 기반 변환부는 상기 변환부(120) 앞에 위치할 수 있으나, 본 발명은 이에 한정되지 않는다.
양자화부(130)는 변환 계수를 양자화하여 엔트로피 인코딩부(190)로 전송하고, 엔트로피 인코딩부(190)는 양자화된 신호(quantized signal)를 엔트로피 코딩하여 비트스트림으로 출력할 수 있다.
양자화부(130)로부터 출력된 양자화된 신호(quantized signal)는 예측 신호를 생성하기 위해 이용될 수 있다. 예를 들어, 양자화된 신호(quantized signal)는 루프 내의 역양자화부(140) 및 역변환부(150)를 통해 역양자화 및 역변환을 적용함으로써 잔여 신호를 복원할 수 있다. 복원된 잔여 신호를 인터 예측부(180) 또는 인트라 예측부(185)로부터 출력된 예측 신호(prediction signal)에 더함으로써 복원 신호(reconstructed signal)가 생성될 수 있다.
한편, 위와 같은 압축 과정에서 인접한 블록들이 서로 다른 양자화 파라미터에 의해 양자화됨으로써 블록 경계가 보이는 열화가 발생될 수 있다. 이러한 현상을 블록킹 열화(blocking artifacts)라고 하며, 이는 화질을 평가하는 중요한 요소 중의 하나이다. 이러한 열화를 줄이기 위해 필터링 과정을 수행할 수 있다. 이러한 필터링 과정을 통해 블록킹 열화를 제거함과 동시에 현재 픽쳐에 대한 오차를 줄임으로써 화질을 향상시킬 수 있게 된다.
필터링부(160)는 복원 신호에 필터링을 적용하여 이를 재생 장치로 출력하거나 복호 픽쳐 버퍼(170)에 전송한다. 복호 픽쳐 버퍼(170)에 전송된 필터링된 신호는 인터 예측부(180)에서 참조 픽쳐로 사용될 수 있다. 이처럼, 필터링된 픽쳐를 화면간 예측 모드에서 참조 픽쳐로 이용함으로써 화질 뿐만 아니라 부호화 효율도 향상시킬 수 있다.
복호 픽쳐 버퍼(170)는 필터링된 픽쳐를 인터 예측부(180)에서의 참조 픽쳐로 사용하기 위해 저장할 수 있다.
인터 예측부(180)는 복원 픽쳐(reconstructed picture)를 참조하여 시간적 중복성 및/또는 공간적 중복성을 제거하기 위해 시간적 예측 및/또는 공간적 예측을 수행한다. 여기서, 예측을 수행하기 위해 이용되는 참조 픽쳐는 이전 시간에 부호화/복호화 시 블록 단위로 양자화와 역양자화를 거친 변환된 신호이기 때문에, 블로킹 아티팩트(blocking artifact)나 링잉 아티팩트(ringing artifact)가 존재할 수 있다.
따라서, 인터 예측부(180)는 이러한 신호의 불연속이나 양자화로 인한 성능 저하를 해결하기 위해, 로우패스 필터(lowpass filter)를 적용함으로써 픽셀들 사이의 신호를 서브 픽셀 단위로 보간할 수 있다. 여기서, 서브 픽셀은 보간 필터를 적용하여 생성된 가상의 화소를 의미하고, 정수 픽셀은 복원된 픽쳐에 존재하는 실제 화소를 의미한다. 보간 방법으로는 선형 보간, 양선형 보간(bi-linear interpolation), 위너 필터(wiener filter) 등이 적용될 수 있다.
보간 필터는 복원 픽쳐(reconstructed picture)에 적용되어 예측의 정밀도를 향상시킬 수 있다. 예를 들어, 인터 예측부(180)는 정수 픽셀에 보간 필터를 적용하여 보간 픽셀을 생성하고, 보간 픽셀들(interpolated pixels)로 구성된 보간 블록(interpolated block)을 예측 블록(prediction block)으로 사용하여 예측을 수행할 수 있다.
인트라 예측부(185)는 현재 부호화를 진행하려고 하는 블록의 주변에 있는 샘플들을 참조하여 현재 블록을 예측할 수 있다. 상기 인트라 예측부(185)는 인트라 예측을 수행하기 위해 다음과 같은 과정을 수행할 수 있다. 먼저, 예측 신호를 생성하기 위해 필요한 참조 샘플을 준비할 수 있다. 그리고, 준비된 참조 샘플을 이용하여 예측 신호를 생성할 수 있다. 이후, 예측 모드를 부호화하게 된다. 이때, 참조 샘플은 참조 샘플 패딩 및/또는 참조 샘플 필터링을 통해 준비될 수 있다. 참조 샘플은 예측 및 복원 과정을 거쳤기 때문에 양자화 에러가 존재할 수 있다. 따라서, 이러한 에러를 줄이기 위해 인트라 예측에 이용되는 각 예측 모드에 대해 참조 샘플 필터링 과정이 수행될 수 있다.
상기 인터 예측부(180) 또는 상기 인트라 예측부(185)를 통해 생성된 예측 신호(prediction signal)는 복원 신호를 생성하기 위해 이용되거나 잔여 신호를 생성하기 위해 이용될 수 있다.
도 2는 본 발명이 적용되는 실시예로서, 비디오 신호의 디코딩이 수행되는 디코더의 개략적인 블록도를 나타낸다.
도 2를 참조하면, 디코더(200)는 엔트로피 디코딩부(210), 역양자화부(220), 역변환부(230), 필터링부(240), 복호 픽쳐 버퍼(DPB: Decoded Picture Buffer Unit)(250), 인터 예측부(260) 및 인트라 예측부(265)를 포함하여 구성될 수 있다.
그리고, 디코더(200)를 통해 출력된 복원 영상 신호(reconstructed video signal)는 재생 장치를 통해 재생될 수 있다.
디코더(200)는 도 1의 인코더(100)로부터 출력된 신호을 수신할 수 있고, 수신된 신호는 엔트로피 디코딩부(210)를 통해 엔트로피 디코딩될 수 있다.
본 발명의 일실시예로, 상기 디코더 또는 상기 엔트로피 디코딩부(210)는 템플릿 인덱스를 수신할 수 있다. 여기서, 상기 템플릿 인덱스는 다중 그래프 기반 모델들에 기초하여 최적화된 변환 행렬에 대응될 수 있다.
엔트로피 디코딩된 템플릿 인덱스는 역양자화부(220)로 전송되어 역양자화되고, 역변환부(230)로 전송되어 이용될 수 있다.
역양자화부(220)에서는 양자화 스텝 사이즈 정보를 이용하여 엔트로피 디코딩된 신호로부터 변환 계수(transform coefficient)를 획득한다. 여기서, 획득된 변환 계수는 상기 도 1의 변환부(120)에서 설명한 다양한 실시예들이 적용된 것일 수 있다.
역변환부(230)에서는 변환 계수를 역변환하여 잔여 신호(residual signal)를 획득하게 된다.
본 발명의 일실시예로, 상기 역변환부(230)는 템플릿 인덱스에 대응되는 상기 타겟 유닛의 그래프 기반 변환 행렬을 획득하고, 그로부터 유도된 역변환 행렬을 이용하여 타겟 유닛에 대해 역변환을 수행할 수 있다. 여기서, 상기 그래프 기반 변환 행렬은 다중 그래프 기반 모델들에 기초하여 최적화된 변환 행렬을 나타낼 수 있다.
획득된 잔여 신호를 인터 예측부(260) 또는 인트라 예측부(265)로부터 출력된 예측 신호(prediction signal)에 더함으로써 복원 신호(reconstructed signal)가 생성된다.
필터링부(240)는 복원 신호(reconstructed signal)에 필터링을 적용하여 이를 재생 장치로 출력하거나 복호 픽쳐 버퍼부(250)에 전송한다. 복호 픽쳐 버퍼부(250)에 전송된 필터링된 신호는 인터 예측부(260)에서 참조 픽쳐로 사용될 수 있다.
본 명세서에서, 인코더(100)의 필터링부(160), 인터 예측부(180) 및 인트라 예측부(185)에서 설명된 실시예들은 각각 디코더의 필터링부(240), 인터 예측부(260) 및 인트라 예측부(265)에도 동일하게 적용될 수 있다.
도 3은 본 발명이 적용되는 실시예로서, 코딩 유닛의 분할 구조를 설명하기 위한 도면이다.
인코더는 하나의 영상(또는 픽쳐)을 사각형 형태의 코딩 트리 유닛(CTU: Coding Tree Unit) 단위로 분할할 수 있다. 그리고, 래스터 스캔 순서(raster scan order)에 따라 하나의 CTU 씩 순차적으로 인코딩한다.
예를 들어, CTU의 크기는 64x64, 32x32, 16x16 중 어느 하나로 정해질 수 있으나, 본 발명은 이에 한정되지 않는다. 인코더는 입력된 영상의 해상도 또는 입력된 영상의 특성 등에 따라 CTU의 크기를 선택하여 사용할 수 있다. CTU은 휘도(luma) 성분에 대한 코딩 트리 블록(CTB: Coding Tree Block)과 이에 대응하는 두 개의 색차(chroma) 성분에 대한 코딩 트리 블록(CTB: Coding Tree Block)을 포함할 수 있다.
하나의 CTU은 쿼드트리(quadtree, 이하 'QT'라 함) 구조로 분해될 수 있다. 예를 들어, 하나의 CTU은 정사각형 형태를 가지면서 각 변의 길이가 절반씩 감소하는 4개의 유닛으로 분할될 수 있다. 이러한 QT 구조의 분해는 재귀적으로 수행될 수 있다.
도 3을 참조하면, QT의 루트 노드(root node)는 CTU와 관련될 수 있다. QT는 리프 노드(leaf node)에 도달할 때까지 분할될 수 있고, 이때 상기 리프 노드는 코딩 유닛(CU: Coding Unit)으로 지칭될 수 있다.
CU은 입력 영상의 처리 과정, 예컨대 인트라(intra)/인터(inter) 예측이 수행되는 코딩의 기본 단위를 의미할 수 있다. CU은 휘도(luma) 성분에 대한 코딩 블록(CB: Coding Block)과 이에 대응하는 두 개의 색차(chroma) 성분에 대한 CB를 포함할 수 있다. 예를 들어, CU의 크기는 64x64, 32x32, 16x16, 8x8 중 어느 하나로 정해질 수 있으나, 본 발명은 이에 한정되지 않으며, 고해상도 영상일 경우, CU의 크기는 더 커지거나 다양해질 수 있다.
도 3을 참조하면, CTU는 루트 노드(root node)에 해당되고, 가장 작은 깊이(depth)(즉, 레벨 0) 값을 가진다. 입력 영상의 특성에 따라 CTU가 분할되지 않을 수도 있으며, 이 경우 CTU은 CU에 해당된다.
CTU은 QT 형태로 분해될 수 있으며, 그 결과 레벨 1의 깊이를 가지는 하위 노드들이 생성될 수 있다. 그리고, 레벨 1의 깊이를 가지는 하위 노드에서 더 이상 분할되지 않은 노드(즉, 리프 노드)는 CU에 해당한다. 예를 들어, 도 3(b)에서 노드 a, b 및 j에 대응하는 CU(a), CU(b), CU(j)는 CTU에서 한 번 분할되었으며, 레벨 1의 깊이를 가진다.
레벨 1의 깊이를 가지는 노드 중 적어도 어느 하나는 다시 QT 형태로 분할될 수 있다. 그리고, 레벨 2의 깊이를 가지는 하위 노드에서 더 이상 분할되지 않은 노드(즉, 리프 노드)는 CU에 해당한다. 예를 들어, 도 3(b)에서 노드 c, h 및 i에 대응하는 CU(c), CU(h), CU(i)는 CTU에서 두 번 분할되었으며, 레벨 2의 깊이를 가진다.
또한, 레벨 2의 깊이를 가지는 노드 중 적어도 어느 하나는 다시 QT 형태로 분할될 수 있다. 그리고, 레벨 3의 깊이를 가지는 하위 노드에서 더 이상 분할되지 않은 노드(즉, 리프 노드)는 CU에 해당한다. 예를 들어, 도 3(b)에서 노드 d, e, f, g에 대응하는 CU(d), CU(e), CU(f), CU(g)는 CTU에서 3번 분할되었으며, 레벨 3의 깊이를 가진다.
인코더에서는 비디오 영상의 특성(예를 들어, 해상도)에 따라서 혹은 부호화의 효율을 고려하여 CU의 최대 크기 또는 최소 크기를 결정할 수 있다. 그리고, 이에 대한 정보 또는 이를 유도할 수 있는 정보가 비트스트림에 포함될 수 있다. 최대 크기를 가지는 CU를 최대 코딩 유닛(LCU: Largest Coding Unit)이라고 지칭하며, 최소 크기를 가지는 CU를 최소 코딩 유닛(SCU: Smallest Coding Unit)이라고 지칭할 수 있다.
또한, 트리 구조를 갖는 CU은 미리 정해진 최대 깊이 정보(또는, 최대 레벨 정보)를 가지고 계층적으로 분할될 수 있다. 그리고, 각각의 분할된 CU은 깊이 정보를 가질 수 있다. 깊이 정보는 CU의 분할된 횟수 및/또는 정도를 나타내므로, CU의 크기에 관한 정보를 포함할 수도 있다.
LCU가 QT 형태로 분할되므로, LCU의 크기 및 최대 깊이 정보를 이용하면 SCU의 크기를 구할 수 있다. 또는 역으로, SCU의 크기 및 트리의 최대 깊이 정보를 이용하면, LCU의 크기를 구할 수 있다.
하나의 CU에 대하여, 해당 CU이 분할 되는지 여부를 나타내는 정보가 디코더에 전달될 수 있다. 예를 들어, 상기 정보는 분할 플래그로 정의될 수 있으며, 신택스 엘리먼트 "split_cu_flag"로 표현될 수 있다. 상기 분할 플래그는 SCU을 제외한 모든 CU에 포함될 수 있다. 예를 들어, 상기 분할 플래그의 값이 '1'이면 해당 CU은 다시 4개의 CU으로 나누어지고, 상기 분할 플래그의 값이 '0'이면 해당 CU은 더 이상 나누어지지 않고 해당 CU에 대한 코딩 과정이 수행될 수 있다.
앞서 도 3의 실시예에서는 CU의 분할 과정에 대해 예로 들어 설명하였으나, 변환을 수행하는 기본 단위인 변환 유닛(TU: Transform Unit)의 분할 과정에 대해서도 상술한 QT 구조를 적용할 수 있다.
TU는 코딩하려는 CU로부터 QT 구조로 계층적으로 분할될 수 있다. 예를 들어, CU은 변환 유닛(TU)에 대한 트리의 루트 노트(root node)에 해당될 수 있다.
TU는 QT 구조로 분할되므로 CU로부터 분할된 TU는 다시 더 작은 하위 TU로 분할될 수 있다. 예를 들어, TU의 크기는 32x32, 16x16, 8x8, 4x4 중 어느 하나로 정해질 수 있으나, 본 발명은 이에 한정되지 않으며, 고해상도 영상일 경우, TU의 크기는 더 커지거나 다양해질 수 있다.
하나의 TU에 대하여, 해당 TU이 분할 되는지 여부를 나타내는 정보가 디코더에 전달될 수 있다. 예를 들어, 상기 정보는 분할 변환 플래그로 정의될 수 있으며, 신택스 엘리먼트 "split_transform_flag"로 표현될 수 있다.
상기 분할 변환 플래그는 최소 크기의 TU을 제외한 모든 TU에 포함될 수 있다. 예를 들어, 상기 분할 변환 플래그의 값이 '1'이면 해당 TU은 다시 4개의 TU으로 나누어지고, 상기 분할 변환 플래그의 값이 '0'이면 해당 TU은 더 이상 나누어지지 않는다.
상기에서 설명한 바와 같이, CU는 인트라 예측 또는 인터 예측이 수행되는 코딩의 기본 단위이다. 입력 영상을 보다 효과적으로 코딩하기 위하여 CU를 예측 유닛(PU: Prediction Unit) 단위로 분할할 수 있다.
PU는 예측 블록을 생성하는 기본 단위로서, 하나의 CU 내에서도 PU 단위로 서로 다르게 예측 블록을 생성할 수 있다. PU는 PU가 속하는 CU의 코딩 모드로 인트라 예측 모드가 사용되는지 인터 예측 모드가 사용되는지에 따라 상이하게 분할될 수 있다.
도 4는 본 발명이 적용되는 일실시예로서, 1차원 그래프와 2차원 그래프에 기초하여 그래프 기반 변환 행렬을 획득하는 과정을 설명하기 위한 도면이다.
본 발명의 일실시예로, 이미지 내 픽셀 블록의 처리를 위해 사용될 수 있는 그래프 타입은 도 4를 통해 설명될 수 있다. 예를 들어, 도 4(a)는 픽셀 블록의 각 라인에 대응되는 1차원 그래프를 나타내고, 도 4(b)는 픽셀 블록에 대응되는 2차원 그래프를 나타낼 수 있다.
그래프 꼭지점(vertex)은 픽셀 블록의 각 픽셀에 연관되며, 그래프 꼭지점의 값은 픽셀 값으로 표현될 수 있다. 그리고, 그래프 에지(graph edge)는 그래프 꼭지점을 연결하는 선을 의미할 수 있다. 상기 그래프 에지는 신호 내의 어떠한 형태의 통계적 의존성을 나타내기 위해 사용되며, 그 강도를 나타내는 값을 에지 가중치(edge weight)라 할 수 있다.
예를 들어, 도 4(a)를 살펴보면, 1차원 그래프를 나타내며, 0,1,2,3은 각 꼭지점의 위치를 나타내고, w0,w1,w2는 각 꼭지점 간의 에지 가중치를 나타낸다. 도 4(b)를 살펴보면, 2차원 그래프를 나타내며, aij (i=0,1,2,3,j=0,1,2), bkl (k=0,1,2,l=0,1,2,3)는 각 꼭지점 간의 에지 가중치를 나타낸다.
각 꼭지점은 모든 다른 꼭지점에 연결될 수 있으며, 0의 에지 가중치는 서로 연관되지 않거나 약하게 연관된 꼭지점들을 연결하는 에지에 할당될 수 있다. 다만, 표현의 간단화를 위해, 0의 에지 가중치를 갖는 에지는 완전히 제거될 수 있다.
본 발명이 적용되는 일실시예로, 그래프 신호로부터 획득되는 변환을 그래프 기반 변환(Graph-Based Transform, 이하 'GBT'라 함)이라 정의할 수 있다. 예를 들어, TU를 구성하는 픽셀 간의 관계 정보를 그래프로 표현한다고 할 때, 이 그래프로부터 얻어진 변환을 GBT라고 할 수 있다.
픽셀 간의 관계 정보는 다양한 방법으로 표현될 수 있다. 예를 들어, 픽셀 값들 사이의 유사성, 동일한 PU에 속해 있는지 여부, 같은 오브젝트에 속해 있는지 여부 등에 기초하여 픽셀 간의 관계 정보를 표현할 수 있다. 상기 픽셀 간 관계 정보는 각 픽셀을 그래프의 꼭지점에 대응시켰을 때 픽셀들 간의 에지 유무 및 에지 가중치(edge weight) 값으로 표현될 수 있다.
이 경우, 상기 GBT는 다음과 같은 과정을 통해 획득될 수 있다. 예를 들어, 인코더 또는 디코더는 비디오 신호의 타겟 블록으로부터 그래프 정보를 획득할 수 있다. 상기 획득된 그래프 정보로부터 다음 수학식 1과 같이 라플라시안 행렬(Laplacian matrix) L을 획득할 수 있다.
Figure 112018015873041-pct00001
상기 수학식 1에서, D는 대각 행렬(diagonal matrix)을 나타내고, A는 인접 행렬(adjacency matrix)을 나타낸다.
그리고, 상기 라플라시안 행렬(Laplacian matrix) L에 대해 아래 수학식 2와 같이 고유 분해(eigen decomposition)를 수행함으로써 GBT 커널을 획득할 수 있다.
Figure 112018015873041-pct00002
상기 수학식 2에서, L은 라플라시안 행렬(Laplacian matrix), U는 고유 행렬(eigen matrix), UT는 U의 전치 행렬(transpose matrix)을 의미한다. 상기 수학식 2에서, 상기 고유 행렬(eigen matrix) U는 해당 그래프 모델에 맞는 신호에 대해 특화된 그래프 기반 푸리에(Fourier) 변환을 제공할 수 있다. 예를 들어, 상기 수학식 2를 만족하는 고유 행렬(eigen matrix) U는 GBT 커널을 의미할 수 있다.
도 5는 본 발명이 적용되는 실시예로서, 그래프 기반 신호를 처리하는 인코더의 개략적 블록도를 예시한다.
신호 특성에 따라 변하는 변환으로 잘 알려진 방법은 KLT를 이용하는 것이다. 그러나, KLT 변환을 수행하는 직교 매트릭스들은 많은 비트를 필요로 하고, KLT 변환은 신호 특성에 잘 맞춰진 방식이어서 일시적으로 업데이트되지 않으면 실질적으로 압축 효율은 감소한다는 문제점이 있다.
따라서, 본 발명에서는 그래프 신호 처리를 통해 이를 해결하고자 한다. 여기서, 비디오 신호은 샘플간 신호 관계를 나타내는 그래프로 표현될 수 있다.
또한, 상기 문제를 해결하기 위해 에지 적응적 변환(edge-adaptive transform, 이하 ‘EAT’라 함)이 이용될 수 있으나, 이 또한 디코더에서의 에지 신호에 대한 시그널링이 너무 복잡하다는 문제가 있다. 따라서, 본 발명은 레지듀얼 신호의 일부 통계적 특성을 이용하는 템플릿 그래프 셋을 정의함으로써 이 문제를 해결하고자 한다.
상기 도 1 및 도 2에서와 같은 비디오 코딩 구조에서는 DCT와 같은 고정된 변환이 이용될 수 있다. 이는 암묵적으로 모든 레지듀얼 신호가 동일한 등방성 통계 특성을 가지고 있다고 가정하에 수행되는 것이다.
그러나, 현실적으로 비디오 타입과 픽셀 블록 예측에서 너무 다른 분포를 가지는 것을 확인할 수 있다. 따라서, 본 발명에서는, 적응성 및 복잡도에 대한 최적화를 해결하기 위해 다음과 같은 가정에 기초할 수 있으나, 본 발명은 이에 한정되지 않는다.
첫째, 본 발명은 통계적 특성에 매칭되는 각 비디오 블록에 적응적으로 적용되도록 특정 선형 변환을 선택할 수 있다.
둘째, 변환 매트릭스 데이터를 전송하고 변환을 선택하기 위한 오버헤드는 모든 코딩 게인에 비해 비교적 작다.
이러한 가정에 기초하여, 본 발명은 그래프 기반 변환 템플릿에 기초하여 저복잡도의 적응적 변환을 제안함으로써 적응성 및 복잡도에 대한 최적화를 해결하고자 한다. 예를 들어, 본 발명이 적용되는 그래프 기반 변환 템플릿은 인터 예측된 레지듀얼 신호의 통계적 특성을 고려함으로써 디자인 될 수 있다.
한편, 상기 도 5를 살펴보면, 본 발명이 적용되는 인코더(500)는 그래프 기반 변환부(510), 양자화부(520), 역양자화부(530), 역변환부(540), 버퍼(550), 예측부(560), 및 엔트로피 인코딩부(570)을 포함한다.
인코더(500)는 비디오 신호를 수신하고 상기 비디오 신호로부터 상기 예측부(560)에서 출력된 예측된 신호를 차감하여 레지듀얼 신호를 생성한다. 상기 생성된 레지듀얼 신호는 상기 그래프 기반 변환부(510)으로 전송되고, 상기 그래프 기반 변환부(510)은 변환 방식을 상기 레지듀얼 신호에 적용함으로써 변환 계수를 생성한다.
예를 들어, 상기 그래프 기반 변환부(510)는 비디오 데이터에 대해 적어도 하나의 데이터 클러스터를 생성하고, 그에 대응되는 적어도 하나의 그래프 라플라시안 행렬을 생성하고, 이를 포함하는 다중 그래프 기반 모델들에 기초하여 변환 최적화를 수행함으로써 최적화된 변환 행렬을 생성할 수 있다. 여기서, 다중 그래프 기반 모델들에 대응되는 그래프들은 아래의 실시예들을 통해 생성될 수 있다.
또한, 본 발명의 다른 실시예로, 레지듀얼 신호의 통계적 특성을 활용하기 위해, 적응적이고 저복잡도의 GBT 템플릿 셋을 이용할 수 있다. 본 명세서에서 사용되는 GBT 템플릿(GBT template), 그래프 템플릿(graph template), 템플릿 그래프(template graph), GBT 템플릿 셋(GBT template set), 그래프 템플릿 셋(graph template set), 또는 템플릿 그래프 셋(template graph set) 등의 용어는 본 발명을 설명하기 위해 선택된 일반적인 용어들이므로 각 코딩 과정에서 적절하게 대체되어 해석될 수 있을 것이다.
상기 그래프 기반 변환부(510)는 레지듀얼 신호의 타겟 유닛에 대응되는 그래프 내 그래프 파라미터를 추출할 수 있다. 예를 들어, 상기 그래프 파라미터는 꼭지점 파라미터, 및 에지 파라미터 중 적어도 하나를 포함할 수 있다. 상기 꼭지점 파라미터는 꼭지점 위치 및 꼭지점 개수 중 적어도 하나를 포함하고, 상기 에지 파라미터는 에지 가중치 값 및 에지 가중치 개수 중 적어도 하나를 포함할 수 있다. 또한, 상기 그래프 파라미터는 일정 개수의 셋(set)으로 정의될 수 있다. 예를 들어, 상기 에지 파라미터 셋(edge parameter set)은 가중치 행렬(weight matrix)로 정의될 수 있다.
상기 그래프 기반 변환부(510)는 상기 추출된 그래프 파라미터에 기초하여 그래프를 생성할 수 있다.
본 발명은, 상기 생성된 그래프에 대해 기본 템플릿(base template)으로 설정할 수 있다. 이하에서는, 이를 기본 템플릿 그래프(base template graph)라 한다. 예를 들어, 상기 기본 템플릿 그래프는 균일 가중치가 적용된 그래프(uniformly weighted graph)일 수 있으며, 이 경우 Guni로 표현될 수 있다. 상기 그래프의 노드는 타겟 유닛의 픽셀에 대응되고 타겟 유닛의 모든 에지 가중치(edge weight)는 Wuni로 설정될 수 있다.
또한, 본 발명은, 상기 기본 템플릿 그래프의 에지 가중치 셋을 조정함으로써, T개의 서로 다른 그래프들을 생성할 수 있다. 이하에서는, 이를 템플릿 그래프 셋(template graph set)이라 하며, 다음 수학식 3과 같이 표현할 수 있다.
Figure 112018015873041-pct00003
또한, 본 발명은, 변환 블록 내 코너 주변의 에지들의 가중치를 감소시킴으로써 블록 적응적 템플릿 그래프(block-adaptive template graph)를 생성할 수 있다. 예를 들어, 상기 변환 블록 내 코너 주변의 에지들은 상기 Wuni보다 작은 에지 가중치인 Wweak로 설정될 수 있다. 여기서, Wweak는 약한 에지 가중치(weak edge weight)라 한다.
또한, 본 발명은, 상기 변환 블록 내 코너 주변의 에지들이 동일한 상기 약한 에지 가중치(weak edge weight) Wweak 값을 갖도록 함으로써 복잡도를 감소시킬 수 있다.
또한, 본 발명은, 레지듀얼 블록들의 다른 위치에 따라 적응적으로 신호 특성을 반영하기 위해, T 개의 다른 그래프들을 템플릿 그래프 셋(template graph set)으로 선택하는 방법을 제공한다. 그리고, 본 발명은, 상기 선택된 템플릿 그래프 셋(template graph set)의 스펙트럼 분해(spectral decomposition)를 통해 GBT를 획득할 수 있다.
상기 양자화부(520)은 상기 생성된 변환 계수를 양자화하여 상기 양자화된 계수를 엔트로피 인코딩부(570)으로 전송한다.
상기 엔트로피 인코딩부(570)은 상기 양자화된 신호에 대한 엔트로피 코딩을 수행하고 엔트로피 코딩된 신호를 출력한다.
상기 양자화부(520)에 의해 출력된 상기 양자화된 신호는 예측 신호를 생성하기 위해 사용될 수 있다. 예를 들어, 상기 인코더(500)의 루프 내의 상기 역양자화부(530) 및 상기 역변환부(540)은 상기 양자화된 신호가 레지듀얼 신호로 복원되도록 상기 양자화된 신호에 대한 역양자화 및 역변환을 수행할 수 있다. 복원된 신호는 상기 복원된 레지듀얼 신호를 상기 예측부(560)에 의해 출력된 예측 신호에 더함으로써 생성될 수 있다.
상기 버퍼(550)는 예측부(560)의 향후 참조를 위해 복원된 신호를 저장한다.
상기 예측부(560)은 이전에 복원되어 상기 버퍼(550)에 저장된 신호를 사용하여 예측 신호를 생성할 수 있다. 이러한 경우, 본 발명은 앵커(anchor) 이미지 내 영역을 사용하여 목표 이미지 내 영역을 효율적으로 예측하는 것에 관련된 것이다. 여기서, 상기 앵커 이미지는 참조 이미지, 참조 픽쳐 또는 참조 프레임을 의미할 수 있다. 효율은 율-왜곡(Rate-Distortion) 비용 또는 레지듀얼 신호 내 왜곡을 정량화하는 평균 제곱 에러를 산출함으로써 결정될 수 있다.
본 발명은 그래프 내의 꼭지점과 에지를 식별하며, 잔여값 신호를 인코딩 또는 디코딩하는 방법을 제안한다. 예를 들어, 본 발명의 실시예들은 그래프 기반 변환부(510)를 통해 다양한 실시예들을 수행할 수 있다. 상기 그래프 기반 변환부(510)는 상기 인코더(500) 또는 상기 디코더(700)에 포함될 수 있다.
도 6은 본 발명이 적용되는 실시예로서, 그래프 기반 신호를 처리하는 디코더의 개략적 블록도를 예시한다.
도 6의 디코더(600)는 도 5의 인코더(500)에 의해 출력된 신호를 수신한다.
상기 엔트로피 디코딩부(610)은 수신된 신호에 대한 엔트로피 디코딩을 수행한다. 상기 역양자화부(620)은 양자화 단계 크기에 대한 정보를 기초로 하여 상기 엔트로피 디코딩된 신호로부터 변환 계수를 획득한다.
상기 역변환부(630)은 변환 계수에 대한 역변환을 수행함으로써 레지듀얼 신호를 취득한다. 이때, 상기 역변환은 상기 인코더(500)에서 획득된 그래프 기반 변환에 대한 역변환을 의미할 수 있다.
본 발명의 일실시예로, 상기 역변환부(630)는 그래프 기반 변환 템플릿을 나타내는 템플릿 인덱스를 수신하고, 상기 템플릿 인덱스에 대응되는 그래프 기반 변환 커널을 획득할 수 있다. 상기 획득된 그래프 기반 커널을 이용하여 변환 유닛을 복원할 수 있다. 여기서, 상기 그래프 기반 변환 커널은 다중 그래프 기반 모델들에 기초하여 최적화된 변환 커널을 나타낼 수 있다.
상기 레지듀얼 신호를 상기 예측부(650)에 의해 출력된 예측 신호에 더함으로써 복원 신호가 생성될 수 있다.
상기 버퍼(640)는 상기 예측부(650)의 향후 참조를 위해 상기 복원 신호를 저장한다.
상기 예측부(650)은 이전에 복원되어 상기 버퍼(640)에 저장된 신호를 기반으로 예측 신호를 생성한다.
도 7은 본 발명이 적용되는 일실시예로서, 그래프 기반 변환을 수행하는 그래프 기반 변환부의 내부 블록도를 나타낸다.
도 7을 참조하면, 그래프 기반 변환부는 그래프 파라미터 결정부(710), 그래프 생성부(720), 변환 행렬 결정부(730) 및 변환 수행부(740)를 포함할 수 있다.
그래프 파라미터 결정부(710)는 비디오 신호 또는 차분 신호의 타겟 유닛에 대응되는 그래프 내 그래프 파라미터를 추출할 수 있다. 예를 들어, 상기 그래프 파라미터는 꼭지점 파라미터 및 에지 파라미터 중 적어도 하나를 포함할 수 있다. 상기 꼭지점 파라미터는 꼭지점 위치 및 꼭지점 개수 중 적어도 하나를 포함하고, 상기 에지 파라미터는 에지 가중치 값 및 에지 가중치 개수 중 적어도 하나를 포함할 수 있다. 또한, 상기 그래프 파라미터는 일정 개수의 셋(set)으로 정의될 수 있다.
본 발명의 일실시예에 따르면, 상기 그래프 파라미터 결정부(710)로부터 추출된 그래프 파라미터는 일반화된 형태로 표현될 수 있다.
그래프 생성부(720)는 상기 그래프 파라미터 결정부(710)로부터 추출된 그래프 파라미터에 기초하여 그래프 신호를 생성할 수 있다. 여기서, 상기 그래프 신호는 가중치 적용된 또는 가중치 적용되지 않은 라인 그래프를 포함할 수 있다. 상기 라인 그래프는 타겟 블록의 행 또는 열 각각에 대해 생성될 수 있다.
변환 행렬 결정부(730)는 상기 그래프 신호에 적합한 변환 행렬을 결정할 수 있다. 예를 들어, 상기 변환 행렬은 RD(Rate Distortion) 성능에 기초하여 결정될 수 있다. 또한, 본 명세서에서 변환 행렬은 변환 또는 변환 커널이란 표현으로 대체되어 사용될 수 있다.
본 발명의 실시예로, 상기 변환 행렬은 인코더 및 디코더에서 이미 결정된 값일 수 있으며, 이 경우 변환 행렬 결정부(730)는 상기 그래프 신호에 적합한 변환 행렬을 저장된 곳으로부터 유도할 수 있다.
본 발명의 다른 실시예로, 상기 변환 행렬 결정부(730)는 라인 그래프에 대한 1차원 변환 커널을 생성할 수 있고, 상기 1차원 변환 커널 중 2개를 결합하여 2차원 분리 가능한 그래프 기반 변환 커널을 생성할 수 있다. 상기 변환 행렬 결정부(730)는 RD(Rate Distortion) 성능에 기초하여 상기 2차원 분리 가능한 그래프 기반 변환 커널들 중 상기 그래프 신호에 적합한 변환 커널을 결정할 수 있다.
변환 수행부(740)는 상기 변환 행렬 결정부(730)로부터 획득된 변환 행렬을 이용하여 변환을 수행할 수 있다.
상기 도 7과 관련하여, 본 명세서에서는 그래프 기반 변환을 수행하는 과정을 설명하기 위해 각 기능별로 세분화하여 설명하지만, 본 발명은 이에 한정되지 않는다. 예를 들어, 상기 그래프 기반 변환부는 크게 그래프 생성부와 변환부로 구성될 수 있으며, 이 경우 상기 그래프 파라미터 결정부(710)의 기능은 상기 그래프 생성부에서 수행될 수 있고, 상기 변환 행렬 결정부(730) 및 상기 변환 수행부(740)의 기능은 상기 변환부에서 수행될 수 있다. 또한, 상기 변환부의 기능은 변환 행렬 결정부와 변환 수행부로 구분될 수도 있다.
도 8은 본 발명이 적용되는 일실시예로서, 다중 그래프 모델들에 기초하여 변환 최적화를 수행하는 그래프 기반 변환부의 내부 블록도를 나타낸다.
도 8을 참조하면, 그래프 기반 변환부는 클러스터링부(810), 그래프 모델링부(820), 변환 최적화부(830) 및 변환 수행부(840)를 포함할 수 있다.
클러스터링부(810)는 입력된 비디오 데이터에 대해 클러스터링을 수행하여 적어도 하나의 데이터 클러스터를 생성할 수 있다. 이때, 상기 클러스터링은 예측 모드에 기초하여 수행될 수 있다. 예를 들어, 상기 예측 모드가 인트라 예측 모드인 경우, 상기 적어도 하나의 데이터 클러스터는 상기 인트라 예측 모드에 대한 인트라 레지듀얼 데이터를 나타낸다. 또는, 상기 예측 모드가 인터 예측 모드인 경우, 상기 적어도 하나의 데이터 클러스터는 상기 인터 예측 모드에 대한 인터 레지듀얼 데이터를 나타낸다.
그래프 모델링부(820)는 데이터 클러스터들에 대응되는 다중 그래프 기반 모델들을 생성할 수 있고, 상기 다중 그래프 기반 모델들에 대응되는 그래프 라플라시안 행렬을 생성할 수 있다. 이때, 상기 다중 그래프 기반 모델들 각각은 상기 인트라 예측 모드에 대해 생성될 수 있다.
변환 최적화부(830)는 상기 다중 그래프 기반 모델들에 기초하여 변환 최적화를 수행할 수 있다. 여기서, 상기 변환 최적화는 특정된 메트릭(specified metric)에 기초하여 수행될 수 있으며, 상기 특정된 메트릭은 비대각 성분들의 제곱합(squared sum of off-diagonal elements)을 최소화할 수 있다. 여기서, 상기 특정된 메트릭은 라플라시안 메트릭(Laplacian metric) 또는 인버스 라플라시안 메트릭(inverse Laplacian metric)일 수 있다.
일실시예로, 상기 변환 최적화부(830)는 변환 초기화부(미도시), 변환 선택부(미도시) 및 변환 업데이트부(미도시) 중 적어도 하나를 포함할 수 있다. 상기 변환 초기화부(미도시)는 변환 행렬을 초기화하고, 상기 변환 선택부(미도시)는 상기 변환 행렬의 2개의 기저 벡터(basic vectors)들을 선택할 수 있다. 그리고, 상기 변환 업데이트부(미도시)는 상기 특정된 메트릭(specified metric)에 기초하여 상기 2개의 기저 벡터(basic vectors)들을 업데이트할 수 있다. 이와 같은 과정을 통해, 상기 변환 최적화부(830)는 변환 최적화를 수행할 수 있다.
변환 수행부(840)는 상기 변환 최적화를 수행한 결과에 따라 생성된 최적화된 변환 행렬을 이용하여 변환을 수행할 수 있다.
도 9는 본 발명이 적용되는 일실시예로서, 다중 그래프 모델들을 생성하고 그에 기초하여 변환 최적화를 수행하는 것을 설명하기 위한 블록도를 나타낸다.
본 발명은 그래프 기반 표현들을 사용하는 강인한 변환들을 설계하기 위한 방법을 제공하며, 주어진 강인화된 관심 메트릭(metric of interest)에 대하여 통계적인 그래프 모델들의 범위에 적용 가능한 최적화 변환을 구축하는 것을 가능하게 한다.
일반적으로 변환들은 단일 모델에 기반하여 획득된다. 그러나 실제적으로, 단일 모델은 복잡한 비디오 신호의 특징을 적응적으로 처리하기 어렵다.
따라서, 본 발명은 다중 그래프 모델들을 정의하고 보다 적응적인 변환을 이용함으로써 이러한 문제를 해결할 수 있다.
상기 도 9를 살펴보면, 본 발명이 적용되는 인코더는 데이터 모델 생성부(910) 및 변환 최적화부(920) 중 적어도 하나를 포함할 수 있다. 상기 유닛들은 인코더에 필수적으로 포함되어야 하는 것은 아니며, 외부에 저장된 정보를 이용하거나 인코더 내 기정의된 정보를 이용할 수 있다.
상기 데이터 모델 생성부(910)는 비디오 데이터가 입력되면 상기 비디오 데이터에 대응되는 데이터 모델을 생성할 수 있다. 상기 데이터 모델 생성부(910)는 주어진 메트릭(metric)을 이용하여 다중 데이터 모델을 생성할 수 있다. 예를 들어, 상기 데이터 모델 생성부(910)는 상기 비디오 데이터에 대응되는 N 개의 데이터 모델들(model1, model2, …, modelN)을 생성할 수 있다. 이렇게 생성된 N 개의 데이터 모델들은 변환 최적화부(920)로 전송될 수 있다.
상기 변환 최적화부(920)는 상기 N 개의 데이터 모델들을 입력받아 각 데이터 모델에 최적화된 변환 커널을 생성할 수 있다. 상기 최적화된 변환 커널은 상기 비디오 데이터를 변환하기 위해 이용될 수 있다.
도 10은 본 발명이 적용되는 일실시예로서, 데이터 클러스터에 대응되는 그래프 라플라시안 행렬을 이용하여 변환 최적화를 수행하는 것을 설명하기 위한 블록도를 나타낸다.
상기 도 10을 살펴보면, 본 발명이 적용되는 인코더는 클러스터링부(1010), 그래프 모델링부(미도시) 및 변환 최적화부(920) 중 적어도 하나를 포함할 수 있다. 상기 유닛들은 인코더에 필수적으로 포함되어야 하는 것은 아니며, 외부에 저장된 정보를 이용하거나 인코더 내 기정의된 정보를 이용할 수 있다.
상기 클러스터링부(1010)는 입력된 비디오 데이터에 대해 클러스터링을 수행할 수 있다. 상기 클러스터링 수행 결과, 상기 클러스터링부(1010)는 적어도 하나의 데이터 클러스터를 생성할 수 있다. 예를 들어, 상기 클러스터링부(1010)는 N개의 데이터 클러스터들을 생성할 수 있다.
본 발명의 일실시예로, 상기 클러스터링은 예측 모드에 기초하여 수행될 수 있다. 예를 들어, 상기 예측 모드가 인트라 예측 모드인 경우, 상기 적어도 하나의 데이터 클러스터는 상기 인트라 예측 모드에 대한 인트라 레지듀얼 데이터를 나타낸다. 또는, 상기 예측 모드가 인터 예측 모드인 경우, 상기 적어도 하나의 데이터 클러스터는 상기 인터 예측 모드에 대한 인터 레지듀얼 데이터를 나타낸다.
그래프 모델링부(미도시)는 데이터 클러스터들에 대응되는 다중 그래프 기반 모델들을 생성할 수 있고, 상기 다중 그래프 기반 모델들에 대응되는 그래프 라플라시안 행렬을 생성할 수 있다. 예를 들어, 상기 그래프 모델링부(미도시)는 상기 클러스터링부(1010)로부터 출력된 N개의 데이터 클러스터들에 대해 N개의 그래프 라플라시안 행렬(L1, L2, …, LN)을 생성할 수 있다.
본 발명의 일실시예로, 상기 다중 그래프 기반 모델들 각각은 예측 모드에 대해 생성될 수 있다. 또한, 상기 다중 그래프 기반 모델들은 기정의된 모델일 수 있다.
상기 변환 최적화부(920)는 특정된 메트릭(Metric)에 기초하여 변환 행렬을 업데이트함으로써 최적화된 변환 행렬(T)을 생성할 수 있다. 여기서, 상기 특정된 메트릭은 라플라시안 메트릭(Laplacian metric) 또는 인버스 라플라시안 메트릭(inverse Laplacian metric)일 수 있다.
도 11은 본 발명이 적용되는 일실시예로서, 노이즈 그래프(noisy graph)에 기초하여 생성된 그래프를 이용하여 변환 최적화를 수행하는 것을 설명하기 위한 블록도를 나타낸다.
상기 도 11을 살펴보면, 본 발명이 적용되는 인코더는 노이즈 그래프 측정부(1110), 그래프 생성부(1120) 및 변환 최적화부(1130) 중 적어도 하나를 포함할 수 있다. 상기 유닛들은 인코더에 필수적으로 포함되어야 하는 것은 아니며, 외부에 저장된 정보를 이용하거나 인코더 내 기정의된 정보를 이용할 수 있다.
상기 노이즈 그래프 측정부(1110)는 입력된 비디오 데이터로부터 노이즈 그래프(noisy graph)를 측정할 수 있다.
상기 그래프 생성부(1120)는 상기 측정된 노이즈 그래프(noisy graph)와 확률적으로 관련된 N개의 그래프를 생성할 수 있다. 그리고, 상기 그래프 생성부(1120)는 상기 N개의 그래프에 대응되는 N개의 그래프 라플라시안 행렬들(L1, L2, …, LN)을 생성할 수 있다. 여기서, N은 어플리케이션의 유형 및 요구 사항들에 의존적일 수 있으며, 예를 들어, N = 1,2,17,127,1954, … 일 수 있다.
상기 변환 최적화부(1130)는 특정된 메트릭(Metric)에 기초하여 변환 행렬을 업데이트함으로써 최적화된 변환 행렬(T)을 생성할 수 있다. 여기서, 상기 특정된 메트릭은 라플라시안 메트릭(Laplacian metric) 또는 인버스 라플라시안 메트릭(inverse Laplacian metric)일 수 있다.
도 12는 본 발명이 적용되는 일실시예로서, 인트라 예측 모드 각각에 대응되는 데이터 클러스터들을 이용하여 변환 최적화를 수행하는 것을 설명하기 위한 블록도를 나타낸다.
상기 도 12를 살펴보면, 본 발명이 적용되는 인코더는 클러스터링부(미도시), 그래프 모델링부(미도시) 및 변환 최적화부(1210) 중 적어도 하나를 포함할 수 있다. 상기 유닛들은 인코더에 필수적으로 포함되어야 하는 것은 아니며, 외부에 저장된 정보를 이용하거나 인코더 내 기정의된 정보를 이용할 수 있다.
상기 클러스터링부(미도시)는 예측 모드에 기초하여 입력된 비디오 데이터에 대한 클러스터링을 수행할 수 있다. 상기 클러스터링부(미도시)는 예측 모드 mi에 대해 N개의 데이터 클러스터들을 생성할 수 있다. 예를 들어, 상기 예측 모드는 인트라 예측 모드 또는 인터 예측 모드를 나타낼 수 있다. 상기 예측 모드가 인트라 예측 모드를 나타내는 경우, 상기 비디오 데이터는 인트라 예측 모드 mi에 대한 인트라 레지듀얼 데이터를 나타낸다. 예를 들어, 인트라 예측 모드의 개수가 35개인 경우, i = 1, 2, …, 35 일 수 있다.
그래프 모델링부(미도시)는 인트라 예측 모드 mi에 대한 인트라 레지듀얼 데이터에 대응되는 N개의 다중 그래프 기반 모델들을 생성할 수 있고, 상기 N개의 다중 그래프 기반 모델들에 대응되는 그래프 라플라시안 행렬을 생성할 수 있다. 여기서, 상기 N개의 다중 그래프 기반 모델들에 대응되는 그래프 라플라시안 행렬은 L1,i, L2,i, … , LN,i 로 표현될 수 있다.
상기 변환 최적화부(1210)는 특정된 메트릭(Metric)에 기초하여 변환 행렬을 업데이트함으로써 최적화된 변환 행렬(T)을 생성할 수 있다.
도 13은 본 발명이 적용되는 일실시예로서, 복수의 인트라 예측 모드에 따른 데이터 클러스터들을 이용하여 변환 최적화를 수행하는 것을 설명하기 위한 블록도를 나타낸다.
상기 도 13을 살펴보면, 본 발명이 적용되는 인코더는 제1클러스터링부(미도시), 제2클러스터링부(미도시), 그래프 모델링부(미도시) 및 변환 최적화부(1310) 중 적어도 하나를 포함할 수 있다. 상기 유닛들은 인코더에 필수적으로 포함되어야 하는 것은 아니며, 외부에 저장된 정보를 이용하거나 인코더 내 기정의된 정보를 이용할 수 있다.
상기 제1클러스터링부(미도시)는 예측 모드 mi에 대해 N개의 데이터 클러스터들을 생성할 수 있다. 예를 들어, 상기 예측 모드가 인트라 예측 모드를 나타내는 경우, 상기 제1클러스터링부(미도시)는 제1 인트라 예측 모드 mi에 대한 인트라 레지듀얼 데이터에 대해 N개의 데이터 클러스터들을 생성할 수 있다. 여기서, 인트라 예측 모드의 개수가 35개인 경우, i = 1, 2, …, 35 일 수 있다.
상기 제2클러스터링부(미도시)도 예측 모드 mj에 대해 N개의 데이터 클러스터들을 생성할 수 있다. 예를 들어, 상기 예측 모드가 인트라 예측 모드를 나타내는 경우, 상기 제2클러스터링부(미도시)는 제2 인트라 예측 모드 mj에 대한 인트라 레지듀얼 데이터에 대해 N개의 데이터 클러스터들을 생성할 수 있다. 이때, 상기 제2 인트라 예측 모드 mj는 상기 제1 인트라 예측 모드 mi와 다른 값을 가질 수 있다.
그래프 모델링부(미도시)는 상기 제1 인트라 예측 모드 mi에 대한 인트라 레지듀얼 데이터에 대응되는 N개의 다중 그래프 기반 모델들을 생성할 수 있고, 상기 N개의 다중 그래프 기반 모델들에 대응되는 그래프 라플라시안 행렬을 생성할 수 있다. 여기서, 상기 N개의 다중 그래프 기반 모델들에 대응되는 그래프 라플라시안 행렬은 L1,i, L2,i, … , LN,i 로 표현될 수 있다.
또한, 상기 그래프 모델링부(미도시)는 상기 제2 인트라 예측 모드 mj에 대한 인트라 레지듀얼 데이터에 대응되는 N개의 다중 그래프 기반 모델들을 생성할 수 있고, 상기 N개의 다중 그래프 기반 모델들에 대응되는 그래프 라플라시안 행렬을 생성할 수 있다. 여기서, 상기 N개의 다중 그래프 기반 모델들에 대응되는 그래프 라플라시안 행렬은 L1,j, L2,j, … , LN,j 로 표현될 수 있다.
또한, 상기 그래프 모델링부(미도시)는 상기 제1 인트라 예측 모드 mi에 대한 인트라 레지듀얼 데이터와 상기 제2 인트라 예측 모드 mj에 대한 인트라 레지듀얼 데이터에 대응되는 N개의 다중 그래프 기반 모델들을 생성할 수 있고, 상기 N개의 다중 그래프 기반 모델들에 대응되는 그래프 라플라시안 행렬을 생성할 수 있다. 여기서, 상기 N개의 다중 그래프 기반 모델들에 대응되는 그래프 라플라시안 행렬은 L1,i,j, L2,i,j, … , LN,i,j 로 표현될 수 있다.
예를 들어, 복수개의 예측 모드(인트라 DC 모드 및 인트라 플래너 모드)가 하나의 변환을 생성하기 위해 이용될 수 있다. 또한, 하나의 변환을 생성하기 위해 예측 모드들 중 적어도 2개 이상이 그룹핑되어 이용될 수 있다.
상기 변환 최적화부(1210)는 특정된 메트릭(Metric)에 기초하여 변환 행렬을 업데이트함으로써 최적화된 변환 행렬(T)을 생성할 수 있다. 여기서, 상기 특정된 메트릭은 라플라시안 메트릭(Laplacian metric) 또는 인버스 라플라시안 메트릭(inverse Laplacian metric)일 수 있다. 예를 들어, 상기 변환 최적화부(1210)는 최적화 과정을 통해 복수개의 예측 모드에 대응되는 최적화된 변환 행렬(T)을 생성할 수 있다.
도 14는 본 발명이 적용되는 일실시예로서, 인터 예측 모드 각각에 대응되는 데이터 클러스터들을 이용하여 변환 최적화를 수행하는 것을 설명하기 위한 블록도를 나타낸다.
상기 도 14를 살펴보면, 본 발명이 적용되는 인코더는 클러스터링부(1410), 그래프 모델링부(미도시) 및 변환 최적화부(1420) 중 적어도 하나를 포함할 수 있다. 상기 유닛들은 인코더에 필수적으로 포함되어야 하는 것은 아니며, 외부에 저장된 정보를 이용하거나 인코더 내 기정의된 정보를 이용할 수 있다.
상기 클러스터링부(1410)는 예측 모드에 기초하여 입력된 비디오 데이터에 대한 클러스터링을 수행할 수 있다. 상기 클러스터링부(미도시)는 예측 모드 mi에 대해 N개의 데이터 클러스터들을 생성할 수 있다. 여기서, N개의 데이터 클러스터들은 C1, C2, … , CN 으로 표현될 수 있다. 예를 들어, 상기 예측 모드가 인터 예측 모드를 나타내는 경우, 상기 비디오 데이터는 인터 예측 모드에 대한 인터 레지듀얼 데이터를 나타낸다.
상기 클러스터링은 서로 다른 차이 메트릭(difference metric) 또는 유사도 메트릭(similarity metric)을 사용하는 다양한 방법으로 수행될 수 있다. 예를 들어, 클러스터링은 레지듀얼 데이터의 저수준 처리(low-level processing)에 기초하여 수행될 수 있다. 여기서, 상기 저수준 처리(low-level processing)는 경계 검출(edge detection), 에너지 변화 측정(energy variation estimation) 등을 포함할 수 있다. 또한, 방향, 위치, 급격함(sharpness)과 같은 경계 정보는 유사도 측정을 결정하는 유사도 메트릭에서 사용될 수 있고, K-평균 알고리즘(K-means algorithm)은 데이터를 클러스터링하는데 사용될 수 있다.
그래프 모델링부(미도시)는 인터 예측 모드에 대한 인터 레지듀얼 데이터에 대응되는 N개의 다중 그래프 기반 모델들을 생성할 수 있고, 상기 N개의 다중 그래프 기반 모델들에 대응되는 그래프 라플라시안 행렬을 생성할 수 있다. 여기서, 상기 N개의 다중 그래프 기반 모델들에 대응되는 그래프 라플라시안 행렬은 L1, L2, … , LN 로 표현될 수 있다.
상기 변환 최적화부(1420)는 특정된 메트릭(Metric)에 기초하여 변환 행렬을 업데이트함으로써 최적화된 변환 행렬(T)을 생성할 수 있다. 여기서, 상기 특정된 메트릭은 라플라시안 메트릭(Laplacian metric) 또는 인버스 라플라시안 메트릭(inverse Laplacian metric)일 수 있다. 예를 들어, 상기 변환 최적화부(1420)는 최적화 과정을 통해 인터 예측 모드에 대응되는 최적화된 변환 행렬(T)을 생성할 수 있다.
도 15는 본 발명이 적용되는 일실시예로서, 소셜 네트워크로부터 추출된 노이즈 그래프(noisy graph)에 기초하여 생성된 그래프를 이용하여 변환 최적화를 수행하는 것을 설명하기 위한 블록도를 나타낸다.
상기 도 15를 살펴보면, 본 발명이 적용되는 인코더는 노이즈 그래프 측정부(1510), 그래프 생성부(1520) 및 변환 최적화부(1530) 중 적어도 하나를 포함할 수 있다. 상기 유닛들은 인코더에 필수적으로 포함되어야 하는 것은 아니며, 외부에 저장된 정보를 이용하거나 인코더 내 기정의된 정보를 이용할 수 있다.
상기 노이즈 그래프 측정부(1510)는 그래프 기반의 소셜 네트워크 데이터(graph-based social network data)로부터 노이즈 그래프(noisy graph)를 측정할 수 있다. 예를 들어, 상기 그래프 기반의 소셜 네트워크 데이터(graph-based social network data)는 개인의 나이, 소득, 또는 그/그녀의 친구 네트워크 데이터 등을 포함할 수 있다.
일 실시예로, 소셜 네트워크의 시간 변화 특징(time varying nature)은 링크 가중치가 랜덤하게 배분되는 노이즈 그래프 모델(noisy graph model)을 유도할 수 있다.
상기 그래프 생성부(1520)는 상기 측정된 노이즈 그래프와 확률적으로 관련된 N개의 그래프를 생성할 수 있다. 그리고, 상기 그래프 생성부(1520)는 상기 N개의 그래프에 대응되는 N개의 그래프 라플라시안 행렬들(L1, L2, …, LN)을 생성할 수 있다. 여기서, N은 어플리케이션의 유형 및 요구 사항들에 의존적일 수 있다.
일실시예로, 상기 그래프 생성부(1520)는 랜덤 샘플링을 통해 상기 노이즈 그래프의 몇몇 산출물을 생성하기 위하여 분산 및/또는 허용 공차 (tolerance measures)를 이용할 수 있다.
상기 변환 최적화부(1130)는 특정된 메트릭(Metric)에 기초하여 변환 행렬을 업데이트함으로써 최적화된 변환 행렬(T)을 생성할 수 있다. 여기서, 상기 특정된 메트릭은 라플라시안 메트릭(Laplacian metric) 또는 인버스 라플라시안 메트릭(inverse Laplacian metric)일 수 있다.
도 16은 본 발명이 적용되는 일실시예로서, 다수의 그래프 기반 모델들에 기초하여 변환 최적화를 수행하는 방법을 설명하는 흐름도이다.
본 발명은 다수의 그래프 기반 모델들에 기초하여 변환 최적화를 수행하는 방법을 제공한다.
본 발명이 적용되는 인코더는 입력된 비디오 데이터에 대해 클러스터링을 수행할 수 있다(S1610).
상기 클러스터링 결과, 상기 인코더는 적어도 하나의 데이터 클러스터를 생성할 수 있다(S1620). 이때, 상기 클러스터링은 예측 모드에 기초하여 수행될 수 있다. 예를 들어, 상기 예측 모드가 인트라 예측 모드인 경우, 상기 적어도 하나의 데이터 클러스터는 상기 인트라 예측 모드에 대한 인트라 레지듀얼 데이터를 나타낸다. 또는, 상기 예측 모드가 인터 예측 모드인 경우, 상기 적어도 하나의 데이터 클러스터는 상기 인터 예측 모드에 대한 인터 레지듀얼 데이터를 나타낸다.
그리고, 상기 인코더는 데이터 클러스터들에 대응되는 다중 그래프 기반 모델들을 생성할 수 있고, 상기 다중 그래프 기반 모델들에 대응되는 적어도 하나의 그래프 라플라시안 행렬을 생성할 수 있다(S1630).
상기 인코더는 상기 다중 그래프 기반 모델들에 기초하여 변환 최적화를 수행할 수 있다(S1640). 여기서, 상기 변환 최적화는 특정된 메트릭(specified metric)에 기초하여 수행될 수 있으며, 상기 특정된 메트릭은 비대각 성분들의 제곱합(squared sum of off-diagonal elements)을 최소화할 수 있다. 여기서, 상기 특정된 메트릭은 라플라시안 메트릭(Laplacian metric) 또는 인버스 라플라시안 메트릭(inverse Laplacian metric)일 수 있다.
상기 인코더는 상기 변환 최적화를 수행한 결과에 따라 최적화된 변환 행렬을 생성할 수 있다(S1650). 그리고, 최적화된 변환 행렬을 이용하여 변환을 수행할 수 있다.
이하에서는, 최적화된 변환 행렬을 획득하기 위한 과정을 상세히 살펴보도록 한다.
먼저, 각 클래스가 그래프 라플라시안 행렬들(L1, L2, … , LN)에 기반하는, N개의 서로 다른 데이터 클래스들이 있다고 가정한다. 본 발명은, 특정된 메트릭에 기반하여 최적화된 변환 T를 획득하는 것이다.
본 발명의 일실시예로, 변환 최적화는 다음 수학식 4와 같이 비-대각 성분들의 제곱 합(squared sum of off-diagonal elements)을 최소화한다.
Figure 112018015873041-pct00004
여기서, ddiag(TL i T t)연산자는 행렬 TL i T t의 대각 성분들로부터 대각 행렬을 생성한다.
일실시예로, 상기 변환 행렬 T를 최적화기 위해 다른 메트릭들이 사용될 수도 있다. 예를 들어, 그래프 라플라시안 행렬들(L1, L2, … , LN) 각각에 대한 의사-역(pseudo-inverse)을 나타내는 L1 +,L2 +...,LN +이 그래프 라플라시안 행렬들 대신에 상기 수학식 4에서 이용될 수 있다.
다른 실시예로, 공분산 행렬들(K1, K2, … , KN)이 입력된 데이터를 모델링하는데 이용될 수 있다.
일실시예로, 최적화된 변환 T를 획득하기 위해 다음 수학식 5가 이용될 수 있다.
Figure 112018015873041-pct00005
여기서, ddiag(TKT t)연산자는 행렬 TKT t의 대각 성분들로부터 대각 행렬을 생성하고, ddiag(K)연산자는 행렬 K의 대각 성분들로부터 대각 행렬을 생성한다.
다른 실시예로, 본 발명은 변환 T를 최적화하기 위해 다음의 과정을 반복적으로 수행할 수 있다.
먼저, 인코더는 변환 행렬 T를 초기화할 수 있다. 그리고, 상기 변환 행렬의 2개의 기저 벡터(basic vectors)들, tl, tj를 선택할 수 있다. 그리고, 상기 인코더는 특정된 메트릭(specified metric)에 기초하여 상기 2개의 기저 벡터(basic vectors)들을 업데이트할 수 있으며, 기결정된 수렴 기준에 만족할 때까지 상기의 과정들을 반복적으로 수행할 수 있다.
본 명세서에서 설명하는 실시예들은 인코더를 기반으로 주로 설명하고 있으나, 본 발명은 이에 한정되지 않는다. 변환부 또는 그래부 기반 변환부의 각 기능 유닛들은 인코더뿐 아니라 디코더에서도 수행될 수 있으며, 이 경우 상기 실시예들에서 설명한 변환부 또는 그래프 기반 변환부의 모든 기능 유닛들은 디코더에 필수적으로 포함되어야 하는 것은 아니며, 일부가 포함될 수도 있으며, 또는 외부에 저장된 정보를 이용하거나 인코더/디코더 내 기정의된 정보를 이용할 수 있다.
상기 기술된 것과 같이, 본 발명에서 설명한 실시예들은 프로세서, 마이크로 프로세서, 컨트롤러 또는 칩 상에서 구현되어 수행될 수 있다. 예를 들어, 상기 도 1, 도 2 및 도 5 내지 도 15에서 도시한 기능 유닛들은 컴퓨터, 프로세서, 마이크로 프로세서, 컨트롤러 또는 칩 상에서 구현되어 수행될 수 있다.
또한, 본 발명이 적용되는 디코더 및 인코더는 멀티미디어 방송 송수신 장치, 모바일 통신 단말, 홈 시네마 비디오 장치, 디지털 시네마 비디오 장치, 감시용 카메라, 비디오 대화 장치, 비디오 통신과 같은 실시간 통신 장치, 모바일 스트리밍 장치, 저장 매체, 캠코더, 주문형 비디오(VoD) 서비스 제공 장치, 인터넷 스트리밍 서비스 제공 장치, 3차원(3D) 비디오 장치, 화상 전화 비디오 장치, 및 의료용 비디오 장치 등에 포함될 수 있으며, 비디오 신호 및 데이터 신호를 처리하기 위해 사용될 수 있다.
또한, 본 발명이 적용되는 처리 방법은 컴퓨터로 실행되는 프로그램의 형태로 생산될 수 있으며, 컴퓨터가 판독할 수 있는 기록 매체에 저장될 수 있다. 본 발명에 따른 데이터 구조를 가지는 멀티미디어 데이터도 또한 컴퓨터가 판독할 수 있는 기록 매체에 저장될 수 있다. 상기 컴퓨터가 판독할 수 있는 기록 매체는 컴퓨터로 읽을 수 있는 데이터가 저장되는 모든 종류의 저장 장치를 포함한다. 상기 컴퓨터가 판독할 수 있는 기록 매체는, 예를 들어, 블루레이 디스크(BD), 범용 직렬 버스(USB), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크 및 광학적 데이터 저장 장치를 포함할 수 있다. 또한, 상기 컴퓨터가 판독할 수 있는 기록 매체는 반송파(예를 들어, 인터넷을 통한 전송)의 형태로 구현된 미디어를 포함한다. 또한, 인코딩 방법으로 생성된 비트 스트림이 컴퓨터가 판독할 수 있는 기록 매체에 저장되거나 유무선 통신 네트워크를 통해 전송될 수 있다.
이상, 전술한 본 발명의 바람직한 실시예는, 예시의 목적을 위해 개시된 것으로, 당업자라면 이하 첨부된 특허청구범위에 개시된 본 발명의 기술적 사상과 그 기술적 범위 내에서, 다양한 다른 실시예들을 개량, 변경, 대체 또는 부가 등이 가능할 것이다.

Claims (14)

  1. 인트라 예측 모드에 기초하여 비디오 데이터를 디코딩하는 방법에 있어서,
    비트스트림을 통해 시그널링 되는 정보로부터, 현재 블록에 이용되는 역변환 행렬에 대응되는 모델 인덱스를 획득하는 단계;
    상기 인트라 예측 모드에 기초하여 복수개의 기결정된 역변환 모델들 중 상기 현재 블록에 이용되는 역변환 모델을 결정하는 단계;
    상기 역변환 모델 및 상기 모델 인덱스에 기초하여 단일 역변환 행렬을 유도하는 단계; 및
    상기 단일 역변환 행렬에 기초하여 상기 현재 블록에 대해 역변환을 수행하는 단계를 포함하되,
    복수개의 인트라 예측 모드들은 그룹핑되고, 상기 그룹핑된 인트라 예측 모드들은 하나의 역변환 모델에 대응되고,
    인트라 DC 모드 및 인트라 플래너 모드는 하나의 인트라 예측 모드 그룹으로 그룹핑되고, 상기 하나의 인트라 예측 모드 그룹은 하나의 역변환 모델에 대응되는 것을 특징으로 하는 방법.
  2. 인트라 예측 모드에 기초하여 비디오 데이터를 인코딩하는 방법에 있어서,
    상기 인트라 예측 모드에 기초하여 복수개의 기결정된 역변환 모델들 중 현재 블록에 이용되는 역변환 모델을 결정하는 단계;
    상기 역변환 모델에 기초하여 단일 역변환 행렬을 유도하는 단계;
    상기 단일 역변환 행렬에 기초하여 상기 현재 블록에 대해 역변환을 수행하는 단계;
    상기 단일 역변환 행렬에 대응되는 모델 인덱스를 생성하는 단계; 및
    상기 모델 인덱스를 인코딩 하는 단계를 포함하되,
    복수개의 인트라 예측 모드들은 그룹핑되고, 상기 그룹핑된 인트라 예측 모드들은 하나의 역변환 모델에 대응되고,
    인트라 DC 모드 및 인트라 플래너 모드는 하나의 인트라 예측 모드 그룹으로 그룹핑되고, 상기 하나의 인트라 예측 모드 그룹은 하나의 역변환 모델에 대응되는 것을 특징으로 하는 방법.
  3. 비디오 인코딩 방법에 의해 생성된 비디오 정보를 저장하는 컴퓨터 판독 가능한 매체에 있어서, 상기 비디오 인코딩 방법은,
    인트라 예측 모드에 기초하여 복수개의 기결정된 역변환 모델들 중 현재 블록에 이용되는 역변환 모델을 결정하는 단계;
    상기 역변환 모델에 기초하여 단일 역변환 행렬을 유도하는 단계;
    상기 단일 역변환 행렬에 기초하여 상기 현재 블록에 대해 역변환을 수행하는 단계;
    상기 단일 역변환 행렬에 대응되는 모델 인덱스를 생성하는 단계; 및
    상기 모델 인덱스를 인코딩 하는 단계를 포함하되,
    복수개의 인트라 예측 모드들은 그룹핑되고, 상기 그룹핑된 인트라 예측 모드들은 하나의 역변환 모델에 대응되고,
    인트라 DC 모드 및 인트라 플래너 모드는 하나의 인트라 예측 모드 그룹으로 그룹핑되고, 상기 하나의 인트라 예측 모드 그룹은 하나의 역변환 모델에 대응되는 것을 특징으로 하는 컴퓨터 판독 가능한 매체.
  4. 삭제
  5. 삭제
  6. 삭제
  7. 삭제
  8. 삭제
  9. 삭제
  10. 삭제
  11. 삭제
  12. 삭제
  13. 삭제
  14. 삭제
KR1020187004497A 2015-08-19 2016-08-19 다중 그래프 기반 모델에 따라 최적화된 변환을 이용하여 비디오 신호를 인코딩/디코딩하는 방법 및 장치 KR102605285B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201562207337P 2015-08-19 2015-08-19
US62/207,337 2015-08-19
PCT/KR2016/009189 WO2017030418A1 (ko) 2015-08-19 2016-08-19 다중 그래프 기반 모델에 따라 최적화된 변환을 이용하여 비디오 신호를 인코딩/ 디코딩하는 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20180031710A KR20180031710A (ko) 2018-03-28
KR102605285B1 true KR102605285B1 (ko) 2023-11-24

Family

ID=58051378

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020187004497A KR102605285B1 (ko) 2015-08-19 2016-08-19 다중 그래프 기반 모델에 따라 최적화된 변환을 이용하여 비디오 신호를 인코딩/디코딩하는 방법 및 장치

Country Status (5)

Country Link
US (2) US11394972B2 (ko)
EP (1) EP3340632B1 (ko)
KR (1) KR102605285B1 (ko)
CN (1) CN108353193B (ko)
WO (1) WO2017030418A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11394972B2 (en) * 2015-08-19 2022-07-19 Lg Electronics Inc. Method and device for encoding/decoding video signal by using optimized conversion based on multiple graph-based model
CN110020695A (zh) * 2019-04-19 2019-07-16 杭州电子科技大学 用于滤波器组多载波调制光通信***的K-means非均匀量化算法
CN113812155B (zh) 2019-05-11 2023-10-27 北京字节跳动网络技术有限公司 多种帧间编解码方法之间的交互
US11785254B2 (en) * 2020-05-29 2023-10-10 Tencent America LLC Implicit mode dependent primary transforms

Family Cites Families (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007113458A1 (en) * 2006-03-30 2007-10-11 British Telecommunications Public Limited Company Video abstraction
KR101086773B1 (ko) * 2008-12-31 2011-11-25 포항공과대학교 산학협력단 다중 카메라로 촬영된 디지털 사진의 클러스터링을 위한 방법 및 장치
WO2011016247A1 (ja) * 2009-08-06 2011-02-10 パナソニック株式会社 符号化方法、復号方法、符号化装置及び復号装置
CN102045560B (zh) * 2009-10-23 2013-08-07 华为技术有限公司 一种视频编解码方法及设备
KR101598857B1 (ko) * 2010-02-12 2016-03-02 삼성전자주식회사 그래프 기반 화소 예측을 이용한 영상 부호화/복호화 시스템 및 방법 그리고 깊이 맵 부호화 시스템 및 방법
KR20110135787A (ko) * 2010-06-11 2011-12-19 삼성전자주식회사 엣지-적응 변환을 이용한 영상 부호화/복호화 시스템 및 방법
US9661338B2 (en) * 2010-07-09 2017-05-23 Qualcomm Incorporated Coding syntax elements for adaptive scans of transform coefficients for video coding
KR101373814B1 (ko) * 2010-07-31 2014-03-18 엠앤케이홀딩스 주식회사 예측 블록 생성 장치
KR20120012385A (ko) * 2010-07-31 2012-02-09 오수미 인트라 예측 부호화 장치
PT2993903T (pt) * 2010-12-21 2018-07-25 Ntt Docomo Inc Codificação e descodificação com intra-predição melhorada utilizando representações planares
SG191347A1 (en) * 2010-12-23 2013-07-31 Samsung Electronics Co Ltd Method and device for encoding intra prediction mode for image prediction unit, and method and device for decoding intra prediction mode for image prediction unit
KR101383775B1 (ko) * 2011-05-20 2014-04-14 주식회사 케이티 화면 내 예측 방법 및 장치
CN102857764B (zh) * 2011-07-01 2016-03-09 华为技术有限公司 帧内预测模式处理的方法和装置
CN103283222B (zh) * 2011-09-13 2016-10-26 寰发股份有限公司 基于最可能模式的帧内预测模式的方法及装置
CN107360421B (zh) * 2011-10-17 2020-03-06 株式会社Kt 利用解码装置解码视频信号的方法
GB2559062B (en) * 2011-10-17 2018-11-14 Kt Corp Video decoding method using transform method selected from a transform method set
MX2014004851A (es) * 2011-10-18 2014-05-28 Kt Corp Metodo para codificar imagen, metodo para decodificar imagen, codificador de imagen y decodificador de imagen.
CN107197264B (zh) * 2011-10-19 2019-07-23 株式会社Kt 解码视频信号的方法
LT2950535T (lt) * 2011-10-24 2020-08-10 Innotive Ltd Vidinės prognozės dekodavimo būdas ir aparatas
US20130107949A1 (en) * 2011-10-26 2013-05-02 Intellectual Discovery Co., Ltd. Scalable video coding method and apparatus using intra prediction mode
KR20130049522A (ko) * 2011-11-04 2013-05-14 오수미 인트라 예측 블록 생성 방법
KR20130049525A (ko) * 2011-11-04 2013-05-14 오수미 잔차 블록 복원을 위한 역변환 방법
KR20130058524A (ko) * 2011-11-25 2013-06-04 오수미 색차 인트라 예측 블록 생성 방법
CN107547901B (zh) * 2012-04-16 2021-07-20 韩国电子通信研究院 用于解码视频信号的方法
GB2504069B (en) * 2012-07-12 2015-09-16 Canon Kk Method and device for predicting an image portion for encoding or decoding of an image
EP2904797B1 (en) * 2012-10-01 2021-08-11 Nokia Technologies Oy Method and apparatus for scalable video coding
CN103067716B (zh) * 2013-01-10 2016-06-29 华为技术有限公司 深度图像的编解码方法和编解码装置
JP6033725B2 (ja) * 2013-03-28 2016-11-30 Kddi株式会社 動画像符号化装置、動画像復号装置、動画像符号化方法、動画像復号方法、およびプログラム
CN104702961B (zh) * 2015-02-17 2018-06-01 南京邮电大学 一种分布式视频编码中码率控制方法
US11394972B2 (en) * 2015-08-19 2022-07-19 Lg Electronics Inc. Method and device for encoding/decoding video signal by using optimized conversion based on multiple graph-based model
US10708164B2 (en) * 2016-05-03 2020-07-07 Qualcomm Incorporated Binarizing secondary transform index
US10855997B2 (en) * 2017-04-14 2020-12-01 Mediatek Inc. Secondary transform kernel size selection

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Ankur Saxena, et al., Jointly optimal intra prediction and adaptive primary transform, JCTVC-C108, 2010.10.07.*
Ankur Saxena, et al., On secondary transforms for intra/inter prediction residual, JCTVC-I0232, 2012.04.27.*
H. 265: High efficiency video coding. Recommendation ITU-T H.265, 2013.04.*

Also Published As

Publication number Publication date
US20220303537A1 (en) 2022-09-22
US11394972B2 (en) 2022-07-19
US20200288129A1 (en) 2020-09-10
EP3340632A4 (en) 2019-03-20
CN108353193A (zh) 2018-07-31
KR20180031710A (ko) 2018-03-28
CN108353193B (zh) 2022-07-15
EP3340632B1 (en) 2021-08-11
WO2017030418A1 (ko) 2017-02-23
EP3340632A1 (en) 2018-06-27

Similar Documents

Publication Publication Date Title
US11190762B2 (en) Intra-prediction mode-based image processing method and apparatus therefor
US10742988B2 (en) Method and apparatus for processing video signal using graph-based transform
US10567763B2 (en) Method and device for processing a video signal by using an adaptive separable graph-based transform
KR101912769B1 (ko) 그래프 템플릿으로부터 유도된 변환을 이용하여 비디오 신호를 디코딩/인코딩하는 방법 및 장치
EP3334163A1 (en) Device and method for performing transform by using singleton coefficient update
US20220303537A1 (en) Method and device for encoding/decoding video signal by using optimized conversion based on multiple graph-based model
US20180167618A1 (en) Method and device for processing video signal by using graph-based transform
KR20190039562A (ko) 레이어드 기븐스 변환을 이용하여 변환을 수행하는 방법 및 장치
KR102287302B1 (ko) 인트라 예측 모드 기반 영상 처리 방법 및 이를 위한 장치
US10469838B2 (en) Method and apparatus for processing video signal using graph-based transformation based on prediction angle
KR20180021101A (ko) 분리 가능한 그래프 기반 변환을 이용하여 비디오 신호를 처리하는 방법 및 장치
US20180048890A1 (en) Method and device for encoding and decoding video signal by using improved prediction filter
KR102059842B1 (ko) 일반화된 그래프 파라미터를 이용하여 그래프 기반 변환을 수행하는 방법 및 장치
KR20180079314A (ko) 그래프 기반 리프팅 변환을 이용하여 비디오 신호를 인코딩, 디코딩하는 방법 및 장치
US10382792B2 (en) Method and apparatus for encoding and decoding video signal by means of transform-domain prediction
US10785499B2 (en) Method and apparatus for processing video signal on basis of combination of pixel recursive coding and transform coding
US10893274B2 (en) Method for processing video signal on basis of arbitrary partition transform
KR20180089858A (ko) 레이어드 기븐스 변환을 이용하여 변환을 수행하는 방법 및 장치
US11503292B2 (en) Method and apparatus for encoding/decoding video signal by using graph-based separable transform
US11647228B2 (en) Method and apparatus for encoding and decoding video signal using transform domain prediction for prediction unit partition
WO2018143687A1 (ko) 행-열 변환을 이용하여 변환을 수행하는 방법 및 장치

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant