KR20230026944A - 개선된 인루프 필터를 이용하는 비디오 코딩방법 및 장치 - Google Patents

개선된 인루프 필터를 이용하는 비디오 코딩방법 및 장치 Download PDF

Info

Publication number
KR20230026944A
KR20230026944A KR1020220089020A KR20220089020A KR20230026944A KR 20230026944 A KR20230026944 A KR 20230026944A KR 1020220089020 A KR1020220089020 A KR 1020220089020A KR 20220089020 A KR20220089020 A KR 20220089020A KR 20230026944 A KR20230026944 A KR 20230026944A
Authority
KR
South Korea
Prior art keywords
frame
residual
residual frame
original
model
Prior art date
Application number
KR1020220089020A
Other languages
English (en)
Inventor
강제원
이정경
박승욱
허진
Original Assignee
현대자동차주식회사
기아 주식회사
이화여자대학교 산학협력단
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 현대자동차주식회사, 기아 주식회사, 이화여자대학교 산학협력단 filed Critical 현대자동차주식회사
Priority to CN202280055257.XA priority Critical patent/CN117837149A/zh
Priority to PCT/KR2022/010603 priority patent/WO2023022376A1/ko
Publication of KR20230026944A publication Critical patent/KR20230026944A/ko
Priority to US18/426,793 priority patent/US20240179324A1/en

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
    • H04N19/80—Details of filtering operations specially adapted for video compression, e.g. for pixel interpolation
    • H04N19/82—Details of filtering operations specially adapted for video compression, e.g. for pixel interpolation involving filtering within a prediction loop
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G06T9/002—Image coding using neural networks
    • 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
    • H04N19/117—Filters, e.g. for pre-processing or post-processing
    • 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
    • H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
    • H04N19/423—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation characterised by memory arrangements
    • 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
    • H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
    • H04N19/597—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding specially adapted for multi-view video sequence encoding
    • 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
    • H04N19/70—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by syntax aspects related to video coding, e.g. related to compression standards
    • 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
    • H04N19/85—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression
    • H04N19/86—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression involving reduction of coding artifacts, e.g. of blockiness
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

개선된 인루프 필터를 이용하는 비디오 코딩방법 및 장치에 관한 개시로서, 본 실시예는, 비디오 부호화 효율을 향상시키고 비디오 화질을 개선하기 위해, 딥러닝 모델(deep learning model)을 이용하여 복원 프레임으로부터 잔차 프레임을 생성하고, 생성된 잔차 프레임을 선형 모델(linear model)에 적용하여 원본 잔차 프레임을 근사함으로써 인루프 필터의 성능을 개선하는 비디오 코딩방법 및 장치를 제공한다.

Description

개선된 인루프 필터를 이용하는 비디오 코딩방법 및 장치{Video Coding Method And Apparatus Using Improved Inloop Filter}
본 개시는 개선된 인루프 필터를 이용하는 비디오 코딩방법 및 장치에 관한 것이다.
이하에 기술되는 내용은 단순히 본 실시예와 관련되는 배경 정보만을 제공할 뿐 종래기술을 구성하는 것이 아니다.
비디오 데이터는 음성 데이터나 정지 영상 데이터 등에 비하여 많은 데이터량을 가지기 때문에, 압축을 위한 처리 없이 그 자체를 저장하거나 전송하기 위해서는 메모리를 포함하여 많은 하드웨어 자원을 필요로 한다.
따라서, 통상적으로 비디오 데이터를 저장하거나 전송할 때에는 부호화기를 사용하여 비디오 데이터를 압축하여 저장하거나 전송하며, 복호화기에서는 압축된 비디오 데이터를 수신하여 압축을 해제하고 재생한다. 이러한 비디오 압축 기술로는 H.264/AVC, HEVC(High Efficiency Video Coding) 등을 비롯하여, HEVC에 비해 약 30% 이상의 부호화 효율을 향상시킨 VVC(Versatile Video Coding)가 존재한다.
그러나, 영상의 크기 및 해상도, 프레임률이 점차 증가하고 있고, 이에 따라 부호화해야 하는 데이터량도 증가하고 있으므로 기존의 압축 기술보다 더 부호화 효율이 좋고 화질 개선 효과도 높은 새로운 압축 기술이 요구된다.
딥러닝 기술에 기반하는 일반적인 화질 개선 알고리즘은 스킵(skip) 경로에 따른 잔차 신호를 이용함으로써, 화질 개선 및 연산량 감소 등을 추구한다. 또한, 딥러닝 기반 영상처리 기술이 기존의 부호화 요소 기술에도 적용되고 있다. 기존 부호화 기술 중 인터 예측, 인트라 예측, 인루프 필터, 변환 등과 같은 압축 기술에 딥러닝 기반 영상처리 기술을 적용함으로써, 부호화 효율을 향상시킬 수 있다. 대표적인 응용 예로는, 딥러닝 모델 기반으로 생성된 가상 참조 프레임 기반 인터 예측, 복원 프레임 기반의 인루프 필터 등이 있다. 따라서, 영상 부호화/복호화에 있어서, 부호화 효율을 향상시키고 화질을 개선하기 위해, 잔차 신호를 이용하는 딥러닝 기반 영상처리 기술의 적용이 고려될 필요가 있다.
본 개시는, 비디오 부호화 효율을 향상시키고 비디오 화질을 개선하기 위해, 딥러닝 모델(deep learning model)을 이용하여 복원 프레임으로부터 잔차 프레임을 생성하고, 생성된 잔차 프레임을 선형 모델(linear model)에 적용하여 원본 잔차 프레임을 근사함으로써 인루프 필터의 성능을 개선하는 비디오 코딩방법 및 장치를 제공하는 데 목적이 있다.
본 개시의 실시예에 따르면, 컴퓨팅 장치가 수행하는, 복원(reconstructed) 프레임의 화질을 개선하는 방법에 있어서, 상기 복원 프레임을 획득하고, 상기 복원 프레임을 딥러닝 기반 개선 모델(improvement model)에 입력하여 원본(original) 프레임을 근사하는 출력을 생성하는 단계, 여기서, 상기 복원 프레임은, 상기 원본 프레임을 복원한 프레임이고, 상기 컴퓨팅 장치에 의해 사전에 복원됨; 상기 개선 모델의 출력으로부터 상기 복원 프레임을 감산하여 제1 잔차(residual) 프레임을 생성하는 단계; 상기 제1 잔차 프레임을 선형 모델에 입력하여 제2 잔차 프레임을 생성하는 단계, 여기서, 상기 선형 모델은 상기 제1 잔차 프레임과 상기 제2 잔차 프레임 간의 선형 관계를 나타내는 파라미터들을 포함함; 및 상기 제2 잔차 프레임과 상기 복원 프레임을 가산하여 개선(improved) 복원 프레임을 생성하는 단계를 포함하는 것을 특징으로 하는, 방법을 제공한다.
본 개시의 다른 실시예에 따르면, 영상 복호화 장치가 포함하는 화질 개선장치에 있어서, 딥러닝 기반 개선 모델(improvement model)을 포함하고, 복원(reconstructed) 프레임을 획득하고, 상기 복원 프레임을 상기 개선 모델에 입력하여 원본(original) 프레임을 근사하는 출력을 생성하는 제1 개선부, 여기서, 상기 복원 프레임은, 상기 원본 프레임을 복원한 프레임이고, 상기 영상 복호화 장치에 의해 사전에 복원됨; 상기 개선 모델의 출력으로부터 상기 복원 프레임을 감산하여 제1 잔차(residual) 프레임을 생성하는 감산기; 선형 모델을 포함하고, 상기 제1 잔차 프레임을 상기 선형 모델에 입력하여 제2 잔차 프레임을 생성하는 제2 개선부, 여기서, 상기 선형 모델은 상기 제1 잔차 프레임과 상기 제2 잔차 프레임 간의 선형 관계를 나타내는 파라미터들을 포함함; 및 상기 제2 잔차 프레임과 상기 복원 프레임을 가산하여 개선(improved) 복원 프레임을 생성하는 가산기를 포함하는 것을 특징으로 하는, 화질 개선장치를 제공한다.
본 개시의 다른 실시예에 따르면, 컴퓨팅 장치가 수행하는, 복원(reconstructed) 프레임의 화질을 개선하는 방법에 있어서, 상기 복원 프레임을 획득하고, 상기 복원 프레임을 딥러닝 기반 개선 모델(improvement model)에 입력하여 원본 프레임을 근사하는 출력을 생성하는 단계, 여기서, 상기 복원 프레임은, 상기 원본 프레임을 복원한 프레임이고, 상기 컴퓨팅 장치에 의해 사전에 복원됨; 상기 개선 모델의 출력으로부터 상기 복원 프레임을 감산하여 제1 잔차(residual) 프레임을 생성하는 단계; 부호화/복호화 정보를 획득하고, 상기 부호화/복호화 정보를 딥러닝 기반 임베딩 함수(embedding function)에 입력하여 임베딩 벡터(embedding vector)를 생성하는 단계, 여기서, 상기 부호화/복호화 정보는 양자화 파라미터, 비트율 왜곡 최적화 과정에서 사용하는 라그랑쥬 상수(Lagrange constant), GOP(Group of Pictures) 내의 시간적 레이어(temporal layer), 및 프레임의 종류 중 적어도 하나임; 상기 임베딩 벡터와 상기 제1 잔차 프레임을 행렬 곱셈하여 보강(complemented) 잔차 프레임을 생성하는 단계; 상기 보강 잔차 프레임을 선형 모델에 입력하여 제2 잔차 프레임을 생성하는 단계, 여기서, 상기 선형 모델은 상기 보강 잔차 프레임과 상기 제2 잔차 프레임 간의 선형 관계를 나타내는 파라미터들을 포함함; 및 상기 제2 잔차 프레임과 상기 복원 프레임을 가산하여 개선(improved) 복원 프레임을 생성하는 단계를 포함하는 것을 특징으로 하는, 방법을 제공한다.
이상에서 설명한 바와 같이 본 실시예에 따르면, 딥러닝 모델을 이용하여 복원 프레임으로부터 잔차 프레임을 생성하고, 생성된 잔차 프레임을 선형 모델에 적용하여 원본 잔차 프레임을 근사하는 비디오 코딩방법 및 장치를 제공함으로써, 인루프 필터의 성능 개선에 따라 비디오 부호화 효율을 향상시키고 비디오 화질을 개선하는 것이 가능해지는 효과가 있다.
도 1은 본 개시의 기술들을 구현할 수 있는 영상 부호화 장치에 대한 예시적인 블록도이다.
도 2는 QTBTTT 구조를 이용하여 블록을 분할하는 방법을 설명하기 위한 도면이다.
도 3a 및 도 3b는 광각 인트라 예측모드들을 포함한 복수의 인트라 예측모드들을 나타낸 도면이다.
도 4는 현재블록의 주변블록에 대한 예시도이다.
도 5는 본 개시의 기술들을 구현할 수 있는 영상 복호화 장치의 예시적인 블록도이다.
도 6은 본 개시의 일 실시예에 따른 화질 개선장치를 나타내는 예시도이다.
도 7은 본 개시의 다른 실시예에 따른 화질 개선장치를 나타내는 예시도이다.
도 8은 본 개시의 또다른 실시예에 따른 화질 개선장치를 나타내는 예시도이다.
도 9는 본 개시의 일 실시예에 따른 화질 개선방법을 나타내는 순서도이다.
도 10은 본 개시의 일 실시예에 따른 화질 개선방법을 나타내는 순서도이다.
이하, 본 개시의 일부 실시예들을 예시적인 도면을 참조하여 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 실시예들을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 실시예들의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
도 1은 본 개시의 기술들을 구현할 수 있는 영상 부호화 장치에 대한 예시적인 블록도이다. 이하에서는 도 1의 도시를 참조하여 영상 부호화 장치와 이 장치의 하위 구성들에 대하여 설명하도록 한다.
영상 부호화 장치는 픽처 분할부(110), 예측부(120), 감산기(130), 변환부(140), 양자화부(145), 재정렬부(150), 엔트로피 부호화부(155), 역양자화부(160), 역변환부(165), 가산기(170), 루프 필터부(180) 및 메모리(190)를 포함하여 구성될 수 있다.
영상 부호화 장치의 각 구성요소는 하드웨어 또는 소프트웨어로 구현되거나, 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, 각 구성요소의 기능이 소프트웨어로 구현되고 마이크로프로세서가 각 구성요소에 대응하는 소프트웨어의 기능을 실행하도록 구현될 수도 있다.
하나의 영상(비디오)은 복수의 픽처들을 포함하는 하나 이상의 시퀀스로 구성된다. 각 픽처들은 복수의 영역으로 분할되고 각 영역마다 부호화가 수행된다. 예를 들어, 하나의 픽처는 하나 이상의 타일(Tile) 또는/및 슬라이스(Slice)로 분할된다. 여기서, 하나 이상의 타일을 타일 그룹(Tile Group)으로 정의할 수 있다. 각 타일 또는/슬라이스는 하나 이상의 CTU(Coding Tree Unit)로 분할된다. 그리고 각 CTU는 트리 구조에 의해 하나 이상의 CU(Coding Unit)들로 분할된다. 각 CU에 적용되는 정보들은 CU의 신택스로서 부호화되고, 하나의 CTU에 포함된 CU들에 공통적으로 적용되는 정보는 CTU의 신택스로서 부호화된다. 또한, 하나의 슬라이스 내의 모든 블록들에 공통적으로 적용되는 정보는 슬라이스 헤더의 신택스로서 부호화되며, 하나 이상의 픽처들을 구성하는 모든 블록들에 적용되는 정보는 픽처 파라미터 셋(PPS, Picture Parameter Set) 혹은 픽처 헤더에 부호화된다. 나아가, 복수의 픽처가 공통으로 참조하는 정보들은 시퀀스 파라미터 셋(SPS, Sequence Parameter Set)에 부호화된다. 그리고, 하나 이상의 SPS가 공통으로 참조하는 정보들은 비디오 파라미터 셋(VPS, Video Parameter Set)에 부호화된다. 또한, 하나의 타일 또는 타일 그룹에 공통으로 적용되는 정보는 타일 또는 타일 그룹 헤더의 신택스로서 부호화될 수도 있다. SPS, PPS, 슬라이스 헤더, 타일 또는 타일 그룹 헤더에 포함되는 신택스들은 상위수준(high level) 신택스로 칭할 수 있다.
픽처 분할부(110)는 CTU(Coding Tree Unit)의 크기를 결정한다. CTU의 크기에 대한 정보(CTU size)는 SPS 또는 PPS의 신택스로서 부호화되어 영상 복호화 장치로 전달된다.
픽처 분할부(110)는 영상을 구성하는 각 픽처(picture)를 미리 결정된 크기를 가지는 복수의 CTU(Coding Tree Unit)들로 분할한 이후에, 트리 구조(tree structure)를 이용하여 CTU를 반복적으로(recursively) 분할한다. 트리 구조에서의 리프 노드(leaf node)가 부호화의 기본 단위인 CU(coding unit)가 된다.
트리 구조로는 상위 노드(혹은 부모 노드)가 동일한 크기의 네 개의 하위 노드(혹은 자식 노드)로 분할되는 쿼드트리(QuadTree, QT), 또는 상위 노드가 두 개의 하위 노드로 분할되는 바이너리트리(BinaryTree, BT), 또는 상위 노드가 1:2:1 비율로 세 개의 하위 노드로 분할되는 터너리트리(TernaryTree, TT), 또는 이러한 QT 구조, BT 구조 및 TT 구조 중 둘 이상을 혼용한 구조일 수 있다. 예컨대, QTBT(QuadTree plus BinaryTree) 구조가 사용될 수 있고, 또는 QTBTTT(QuadTree plus BinaryTree TernaryTree) 구조가 사용될 수 있다. 여기서, BTTT를 합쳐서 MTT(Multiple-Type Tree)라 지칭될 수 있다.
도 2는 QTBTTT 구조를 이용하여 블록을 분할하는 방법을 설명하기 위한 도면이다.
도 2에 도시된 바와 같이, CTU는 먼저 QT 구조로 분할될 수 있다. 쿼드트리 분할은 분할 블록(splitting block)의 크기가 QT에서 허용되는 리프 노드의 최소 블록 크기(MinQTSize)에 도달할 때까지 반복될 수 있다. QT 구조의 각 노드가 하위 레이어의 4개의 노드들로 분할되는지 여부를 지시하는 제1 플래그(QT_split_flag)는 엔트로피 부호화부(155)에 의해 부호화되어 영상 복호화 장치로 시그널링된다. QT의 리프 노드가 BT에서 허용되는 루트 노드의 최대 블록 크기(MaxBTSize)보다 크지 않은 경우, BT 구조 또는 TT 구조 중 어느 하나 이상으로 더 분할될 수 있다. BT 구조 및/또는 TT 구조에서는 복수의 분할 방향이 존재할 수 있다. 예컨대, 해당 노드의 블록이 가로로 분할되는 방향과 세로로 분할되는 방향 두 가지가 존재할 수 있다. 도 2의 도시와 같이, MTT 분할이 시작되면, 노드들이 분할되었는지 여부를 지시하는 제2 플래그(mtt_split_flag)와, 분할이 되었다면 추가적으로 분할 방향(vertical 혹은 horizontal)을 나타내는 플래그 및/또는 분할 타입(Binary 혹은 Ternary)을 나타내는 플래그가 엔트로피 부호화부(155)에 의해 부호화되어 영상 복호화 장치로 시그널링된다.
대안적으로, 각 노드가 하위 레이어의 4개의 노드들로 분할되는지 여부를 지시하는 제1 플래그(QT_split_flag)를 부호화하기에 앞서, 그 노드가 분할되는지 여부를 지시하는 CU 분할 플래그(split_cu_flag)가 부호화될 수도 있다. CU 분할 플래그(split_cu_flag) 값이 분할되지 않았음을 지시하는 경우, 해당 노드의 블록이 분할 트리 구조에서의 리프 노드(leaf node)가 되어 부호화의 기본 단위인 CU(coding unit)가 된다. CU 분할 플래그(split_cu_flag) 값이 분할됨을 지시하는 경우, 영상 부호화 장치는 전술한 방식으로 제1 플래그부터 부호화를 시작한다.
트리 구조의 다른 예시로서 QTBT가 사용되는 경우, 해당 노드의 블록을 동일 크기의 두 개 블록으로 가로로 분할하는 타입(즉, symmetric horizontal splitting)과 세로로 분할하는 타입(즉, symmetric vertical splitting) 두 가지가 존재할 수 있다. BT 구조의 각 노드가 하위 레이어의 블록으로 분할되는지 여부를 지시하는 분할 플래그(split_flag) 및 분할되는 타입을 지시하는 분할 타입 정보가 엔트로피 부호화부(155)에 의해 부호화되어 영상 복호화 장치로 전달된다. 한편, 해당 노드의 블록을 서로 비대칭 형태의 두 개의 블록으로 분할하는 타입이 추가로 더 존재할 수도 있다. 비대칭 형태에는 해당 노드의 블록을 1:3의 크기 비율을 가지는 두 개의 직사각형 블록으로 분할하는 형태가 포함될 수 있고, 혹은 해당 노드의 블록을 대각선 방향으로 분할하는 형태가 포함될 수도 있다.
CU는 CTU로부터의 QTBT 또는 QTBTTT 분할에 따라 다양한 크기를 가질 수 있다. 이하에서는, 부호화 또는 복호화하고자 하는 CU(즉, QTBTTT의 리프 노드)에 해당하는 블록을 '현재블록'이라 칭한다. QTBTTT 분할의 채용에 따라, 현재블록의 모양은 정사각형뿐만 아니라 직사각형일 수도 있다.
예측부(120)는 현재블록을 예측하여 예측블록을 생성한다. 예측부(120)는 인트라 예측부(122)와 인터 예측부(124)를 포함한다.
일반적으로, 픽처 내 현재블록들은 각각 예측적으로 코딩될 수 있다. 일반적으로 현재블록의 예측은 (현재블록을 포함하는 픽처로부터의 데이터를 사용하는) 인트라 예측 기술 또는 (현재블록을 포함하는 픽처 이전에 코딩된 픽처로부터의 데이터를 사용하는) 인터 예측 기술을 사용하여 수행될 수 있다. 인터 예측은 단방향 예측과 양방향 예측 모두를 포함한다.
인트라 예측부(122)는 현재블록이 포함된 현재 픽처 내에서 현재블록의 주변에 위치한 픽셀(참조 픽셀)들을 이용하여 현재블록 내의 픽셀들을 예측한다. 예측 방향에 따라 복수의 인트라 예측모드가 존재한다. 예컨대, 도 3a에서 보는 바와 같이, 복수의 인트라 예측모드는 planar 모드와 DC 모드를 포함하는 2개의 비방향성 모드와 65개의 방향성 모드를 포함할 수 있다. 각 예측모드에 따라 사용할 주변 픽셀과 연산식이 다르게 정의된다.
직사각형 모양의 현재블록에 대한 효율적인 방향성 예측을 위해, 도 3b에 점선 화살표로 도시된 방향성 모드들(67 ~ 80번, -1 ~ -14 번 인트라 예측모드들)이 추가로 사용될 수 있다. 이들은 "광각 인트라 예측모드들(wide angle intra-prediction modes)"로 지칭될 수 있다. 도 3b에서 화살표들은 예측에 사용되는 대응하는 참조샘플들을 가리키는 것이며, 예측 방향을 나타내는 것이 아니다. 예측 방향은 화살표가 가리키는 방향과 반대이다. 광각 인트라 예측모드들은 현재블록이 직사각형일 때 추가적인 비트 전송 없이 특정 방향성 모드를 반대방향으로 예측을 수행하는 모드이다. 이때 광각 인트라 예측모드들 중에서, 직사각형의 현재블록의 너비와 높이의 비율에 의해, 현재블록에 이용 가능한 일부 광각 인트라 예측모드들이 결정될 수 있다. 예컨대, 45도보다 작은 각도를 갖는 광각 인트라 예측모드들(67 ~ 80번 인트라 예측모드들)은 현재블록이 높이가 너비보다 작은 직사각형 형태일 때 이용 가능하고, -135도보다 큰 각도를 갖는 광각 인트라 예측모드들(-1 ~ -14 번 인트라 예측모드들)은 현재블록이 너비가 높이보다 큰 직사각형 형태일 때 이용 가능하다.
인트라 예측부(122)는 현재블록을 부호화하는데 사용할 인트라 예측모드를 결정할 수 있다. 일부 예들에서, 인트라 예측부(122)는 여러 인트라 예측모드들을 사용하여 현재블록을 인코딩하고, 테스트된 모드들로부터 사용할 적절한 인트라 예측모드를 선택할 수도 있다. 예를 들어, 인트라 예측부(122)는 여러 테스트된 인트라 예측모드들에 대한 비트율 왜곡(rate-distortion) 분석을 사용하여 비트율 왜곡 값들을 계산하고, 테스트된 모드들 중 최선의 비트율 왜곡 특징들을 갖는 인트라 예측모드를 선택할 수도 있다.
인트라 예측부(122)는 복수의 인트라 예측모드 중에서 하나의 인트라 예측모드를 선택하고, 선택된 인트라 예측모드에 따라 결정되는 주변 픽셀(참조 픽셀)과 연산식을 사용하여 현재블록을 예측한다. 선택된 인트라 예측모드에 대한 정보는 엔트로피 부호화부(155)에 의해 부호화되어 영상 복호화 장치로 전달된다.
인터 예측부(124)는 움직임 보상 과정을 이용하여 현재블록에 대한 예측블록을 생성한다. 인터 예측부(124)는 현재 픽처보다 먼저 부호화 및 복호화된 참조픽처 내에서 현재블록과 가장 유사한 블록을 탐색하고, 그 탐색된 블록을 이용하여 현재블록에 대한 예측블록을 생성한다. 그리고, 현재 픽처 내의 현재블록과 참조픽처 내의 예측블록 간의 변위(displacement)에 해당하는 움직임벡터(Motion Vector: MV)를 생성한다. 일반적으로, 움직임 추정은 루마(luma) 성분에 대해 수행되고, 루마 성분에 기초하여 계산된 움직임벡터는 루마 성분 및 크로마 성분 모두에 대해 사용된다. 현재블록을 예측하기 위해 사용된 참조픽처에 대한 정보 및 움직임벡터에 대한 정보를 포함하는 움직임 정보는 엔트로피 부호화부(155)에 의해 부호화되어 영상 복호화 장치로 전달된다.
인터 예측부(124)는, 예측의 정확성을 높이기 위해, 참조픽처 또는 참조 블록에 대한 보간을 수행할 수도 있다. 즉, 연속한 두 정수 샘플 사이의 서브 샘플들은 그 두 정수 샘플을 포함한 연속된 복수의 정수 샘플들에 필터 계수들을 적용하여 보간된다. 보간된 참조픽처에 대해서 현재블록과 가장 유사한 블록을 탐색하는 과정을 수행하면, 움직임벡터는 정수 샘플 단위의 정밀도(precision)가 아닌 소수 단위의 정밀도까지 표현될 수 있다. 움직임벡터의 정밀도 또는 해상도(resolution)는 부호화하고자 하는 대상 영역, 예컨대, 슬라이스, 타일, CTU, CU 등의 단위마다 다르게 설정될 수 있다. 이와 같은 적응적 움직임벡터 해상도(Adaptive Motion Vector Resolution: AMVR)가 적용되는 경우 각 대상 영역에 적용할 움직임벡터 해상도에 대한 정보는 대상 영역마다 시그널링되어야 한다. 예컨대, 대상 영역이 CU인 경우, 각 CU마다 적용된 움직임벡터 해상도에 대한 정보가 시그널링된다. 움직임벡터 해상도에 대한 정보는 후술할 차분 움직임벡터의 정밀도를 나타내는 정보일 수 있다.
한편, 인터 예측부(124)는 양방향 예측(bi-prediction)을 이용하여 인터 예측을 수행할 수 있다. 양방향 예측의 경우, 두 개의 참조픽처와 각 참조픽처 내에서 현재블록과 가장 유사한 블록 위치를 나타내는 두 개의 움직임벡터가 이용된다. 인터 예측부(124)는 참조픽처 리스트 0(RefPicList0) 및 참조픽처 리스트 1(RefPicList1)로부터 각각 제1 참조픽처 및 제2 참조픽처를 선택하고, 각 참조픽처 내에서 현재블록과 유사한 블록을 탐색하여 제1 참조블록과 제2 참조블록을 생성한다. 그리고, 제1 참조블록과 제2 참조블록을 평균 또는 가중 평균하여 현재블록에 대한 예측블록을 생성한다. 그리고 현재블록을 예측하기 위해 사용한 두 개의 참조픽처에 대한 정보 및 두 개의 움직임벡터에 대한 정보를 포함하는 움직임 정보를 부호화부(150)로 전달한다. 여기서, 참조픽처 리스트 0은 기복원된 픽처들 중 디스플레이 순서에서 현재 픽처 이전의 픽처들로 구성되고, 참조픽처 리스트 1은 기복원된 픽처들 중 디스플레이 순서에서 현재 픽처 이후의 픽처들로 구성될 수 있다. 그러나 반드시 이에 한정되는 것은 아니며, 디스플레이 순서 상으로 현재 픽처 이후의 기복원 픽처들이 참조픽처 리스트 0에 추가로 더 포함될 수 있고, 역으로 현재 픽처 이전의 기복원 픽처들이 참조픽처 리스트 1에 추가로 더 포함될 수도 있다.
움직임 정보를 부호화하는 데에 소요되는 비트량을 최소화하기 위해 다양한 방법이 사용될 수 있다.
예컨대, 현재블록의 참조픽처와 움직임벡터가 주변블록의 참조픽처 및 움직임벡터와 동일한 경우에는 그 주변블록을 식별할 수 있는 정보를 부호화함으로써, 현재블록의 움직임 정보를 영상 복호화 장치로 전달할 수 있다. 이러한 방법을 '머지 모드(merge mode)'라 한다.
머지 모드에서, 인터 예측부(124)는 현재블록의 주변블록들로부터 기 결정된 개수의 머지 후보블록(이하, '머지 후보'라 함)들을 선택한다.
머지 후보를 유도하기 위한 주변블록으로는, 도 4에 도시된 바와 같이, 현재 픽처 내에서 현재블록에 인접한 좌측블록(A0), 좌하단블록(A1), 상단블록(B0), 우상단블록(B1), 및 좌상단블록(A2) 중에서 전부 또는 일부가 사용될 수 있다. 또한, 현재블록이 위치한 현재 픽처가 아닌 참조픽처(현재블록을 예측하기 위해 사용된 참조픽처와 동일할 수도 있고 다를 수도 있음) 내에 위치한 블록이 머지 후보로서 사용될 수도 있다. 예컨대, 참조픽처 내에서 현재블록과 동일 위치에 있는 블록(co-located block) 또는 그 동일 위치의 블록에 인접한 블록들이 머지 후보로서 추가로 더 사용될 수 있다. 이상에서 기술된 방법에 의해 선정된 머지 후보의 개수가 기설정된 개수보다 작으면, 0 벡터를 머지 후보에 추가한다.
인터 예측부(124)는 이러한 주변블록들을 이용하여 기 결정된 개수의 머지 후보를 포함하는 머지 리스트를 구성한다. 머지 리스트에 포함된 머지 후보들 중에서 현재블록의 움직임정보로서 사용할 머지 후보를 선택하고 선택된 후보를 식별하기 위한 머지 인덱스 정보를 생성한다. 생성된 머지 인덱스 정보는 부호화부(150)에 의해 부호화되어 영상 복호화 장치로 전달된다.
머지 스킵(merge skip) 모드는 머지 모드의 특별한 경우로서, 양자화를 수행한 후, 엔트로피 부호화를 위한 변환 계수가 모두 영(zero)에 가까울 때, 잔차신호의 전송 없이 주변블록 선택 정보만을 전송한다. 머지 스킵 모드를 이용함으로써, 움직임이 적은 영상, 정지 영상, 스크린 콘텐츠 영상 등에서 상대적으로 높은 부호화 효율을 달성할 수 있다.
이하, 머지 모드와 머지 스킵 모드를 통칭하여, 머지/스킵 모드로 나타낸다.
움직임 정보를 부호화하기 위한 또 다른 방법은 AMVP(Advanced Motion Vector Prediction) 모드이다.
AMVP 모드에서, 인터 예측부(124)는 현재블록의 주변블록들을 이용하여 현재블록의 움직임벡터에 대한 예측 움직임벡터 후보들을 유도한다. 예측 움직임벡터 후보들을 유도하기 위해 사용되는 주변블록으로는, 도 4에 도시된 현재 픽처 내에서 현재블록에 인접한 좌측블록(A0), 좌하단블록(A1), 상단블록(B0), 우상단블록(B1), 및 좌상단블록(A2) 중에서 전부 또는 일부가 사용될 수 있다. 또한, 현재블록이 위치한 현재 픽처가 아닌 참조픽처(현재블록을 예측하기 위해 사용된 참조픽처와 동일할 수도 있고 다를 수도 있음) 내에 위치한 블록이 예측 움직임벡터 후보들을 유도하기 위해 사용되는 주변블록으로서 사용될 수도 있다. 예컨대, 참조픽처 내에서 현재블록과 동일 위치에 있는 블록(collocated block) 또는 그 동일 위치의 블록에 인접한 블록들이 사용될 수 있다. 이상에서 기술된 방법에 의해 움직임벡터 후보의 개수가 기설정된 개수보다 작으면, 0 벡터를 움직임벡터 후보에 추가한다.
인터 예측부(124)는 이 주변블록들의 움직임벡터를 이용하여 예측 움직임벡터 후보들을 유도하고, 예측 움직임벡터 후보들을 이용하여 현재블록의 움직임벡터에 대한 예측 움직임벡터를 결정한다. 그리고, 현재블록의 움직임벡터로부터 예측 움직임벡터를 감산하여 차분 움직임벡터를 산출한다.
예측 움직임벡터는 예측 움직임벡터 후보들에 기 정의된 함수(예컨대, 중앙값, 평균값 연산 등)를 적용하여 구할 수 있다. 이 경우, 영상 복호화 장치도 기 정의된 함수를 알고 있다. 또한, 예측 움직임벡터 후보를 유도하기 위해 사용하는 주변블록은 이미 부호화 및 복호화가 완료된 블록이므로 영상 복호화 장치도 그 주변블록의 움직임벡터도 이미 알고 있다. 그러므로 영상 부호화 장치는 예측 움직임벡터 후보를 식별하기 위한 정보를 부호화할 필요가 없다. 따라서, 이 경우에는 차분 움직임벡터에 대한 정보와 현재블록을 예측하기 위해 사용한 참조픽처에 대한 정보가 부호화된다.
한편, 예측 움직임벡터는 예측 움직임벡터 후보들 중 어느 하나를 선택하는 방식으로 결정될 수도 있다. 이 경우에는 차분 움직임벡터에 대한 정보 및 현재블록을 예측하기 위해 사용한 참조픽처에 대한 정보와 함께, 선택된 예측 움직임벡터 후보를 식별하기 위한 정보가 추가로 부호화된다.
감산기(130)는 현재블록으로부터 인트라 예측부(122) 또는 인터 예측부(124)에 의해 생성된 예측블록을 감산하여 잔차블록을 생성한다.
변환부(140)는 공간 영역의 픽셀 값들을 가지는 잔차블록 내의 잔차신호를 주파수 도메인의 변환 계수로 변환한다. 변환부(140)는 잔차블록의 전체 크기를 변환 단위로 사용하여 잔차블록 내의 잔차신호들을 변환할 수 있으며, 또는 잔차블록을 복수 개의 서브블록으로 분할하고 그 서브블록을 변환 단위로 사용하여 변환을 할 수도 있다. 또는, 변환 영역 및 비변환 영역인 두 개의 서브블록으로 구분하여, 변환 영역 서브블록만 변환 단위로 사용하여 잔차신호들을 변환할 수 있다. 여기서, 변환 영역 서브블록은 가로축 (혹은 세로축) 기준 1:1의 크기 비율을 가지는 두 개의 직사각형 블록 중 하나일 수 있다. 이런 경우, 서브블록 만을 변환하였음을 지시하는 플래그(cu_sbt_flag), 방향성(vertical/horizontal) 정보(cu_sbt_horizontal_flag) 및/또는 위치 정보(cu_sbt_pos_flag)가 엔트로피 부호화부(155)에 의해 부호화되어 영상 복호화 장치로 시그널링된다. 또한, 변환 영역 서브블록의 크기는 가로축 (혹은 세로축) 기준 1:3의 크기 비율을 가질 수 있으며, 이런 경우 해당 분할을 구분하는 플래그(cu_sbt_quad_flag)가 추가적으로 엔트로피 부호화부(155)에 의해 부호화되어 영상 복호화 장치로 시그널링된다.
한편, 변환부(140)는 잔차블록에 대해 가로 방향과 세로 방향으로 개별적으로 변환을 수행할 수 있다. 변환을 위해, 다양한 타입의 변환 함수 또는 변환 행렬이 사용될 수 있다. 예컨대, 가로 방향 변환과 세로 방향 변환을 위한 변환 함수의 쌍을 MTS(Multiple Transform Set)로 정의할 수 있다. 변환부(140)는 MTS 중 변환 효율이 가장 좋은 하나의 변환 함수 쌍을 선택하고 가로 및 세로 방향으로 각각 잔차블록을 변환할 수 있다. MTS 중에서 선택된 변환 함수 쌍에 대한 정보(mts_idx)는 엔트로피 부호화부(155)에 의해 부호화되어 영상 복호화 장치로 시그널링된다.
양자화부(145)는 변환부(140)로부터 출력되는 변환 계수들을 양자화 파라미터를 이용하여 양자화하고, 양자화된 변환 계수들을 엔트로피 부호화부(155)로 출력한다. 양자화부(145)는, 어떤 블록 혹은 프레임에 대해, 변환 없이, 관련된 잔차 블록을 곧바로 양자화할 수도 있다. 양자화부(145)는 변환블록 내의 변환 계수들의 위치에 따라 서로 다른 양자화 계수(스케일링 값)을 적용할 수도 있다. 2차원으로 배열된 양자화된 변환 계수들에 적용되는 양자화 행렬은 부호화되어 영상 복호화 장치로 시그널링될 수 있다.
재정렬부(150)는 양자화된 잔차값에 대해 계수값의 재정렬을 수행할 수 있다.
재정렬부(150)는 계수 스캐닝(coefficient scanning)을 이용하여 2차원의 계수 어레이를 1차원의 계수 시퀀스로 변경할 수 있다. 예를 들어, 재정렬부(150)에서는 지그-재그 스캔(zig-zag scan) 또는 대각선 스캔(diagonal scan)을 이용하여 DC 계수부터 고주파수 영역의 계수까지 스캔하여 1차원의 계수 시퀀스를 출력할 수 있다. 변환 단위의 크기 및 인트라 예측모드에 따라 지그-재그 스캔 대신 2차원의 계수 어레이를 열 방향으로 스캔하는 수직 스캔, 2차원의 블록 형태 계수를 행 방향으로 스캔하는 수평 스캔이 사용될 수도 있다. 즉, 변환 단위의 크기 및 인트라 예측모드에 따라 지그-재그 스캔, 대각선 스캔, 수직 방향 스캔 및 수평 방향 스캔 중에서 사용될 스캔 방법이 결정될 수도 있다.
엔트로피 부호화부(155)는, CABAC(Context-based Adaptive Binary Arithmetic Code), 지수 골롬(Exponential Golomb) 등의 다양한 부호화 방식을 사용하여, 재정렬부(150)로부터 출력된 1차원의 양자화된 변환 계수들의 시퀀스를 부호화함으로써 비트스트림을 생성한다.
또한, 엔트로피 부호화부(155)는 블록 분할과 관련된 CTU size, CU 분할 플래그, QT 분할 플래그, MTT 분할 타입, MTT 분할 방향 등의 정보를 부호화하여, 영상 복호화 장치가 영상 부호화 장치와 동일하게 블록을 분할할 수 있도록 한다. 또한, 엔트로피 부호화부(155)는 현재블록이 인트라 예측에 의해 부호화되었는지 아니면 인터 예측에 의해 부호화되었는지 여부를 지시하는 예측 타입에 대한 정보를 부호화하고, 예측 타입에 따라 인트라 예측정보(즉, 인트라 예측모드에 대한 정보) 또는 인터 예측정보(움직임 정보의 부호화 모드(머지 모드 또는 AMVP 모드), 머지 모드의 경우 머지 인덱스, AMVP 모드의 경우 참조픽처 인덱스 및 차분 움직임벡터에 대한 정보)를 부호화한다. 또한, 엔트로피 부호화부(155)는 양자화와 관련된 정보, 즉, 양자화 파라미터에 대한 정보 및 양자화 행렬에 대한 정보를 부호화한다.
역양자화부(160)는 양자화부(145)로부터 출력되는 양자화된 변환 계수들을 역양자화하여 변환 계수들을 생성한다. 역변환부(165)는 역양자화부(160)로부터 출력되는 변환 계수들을 주파수 도메인으로부터 공간 도메인으로 변환하여 잔차블록을 복원한다.
가산부(170)는 복원된 잔차블록과 예측부(120)에 의해 생성된 예측블록을 가산하여 현재블록을 복원한다. 복원된 현재블록 내의 픽셀들은 다음 순서의 블록을 인트라 예측할 때 참조 픽셀로서 사용된다.
루프(loop) 필터부(180)는 블록 기반의 예측 및 변환/양자화로 인해 발생하는 블록킹 아티팩트(blocking artifacts), 링잉 아티팩트(ringing artifacts), 블러링 아티팩트(blurring artifacts) 등을 줄이기 위해 복원된 픽셀들에 대한 필터링을 수행한다. 필터부(180)는 인루프(in-loop) 필터로서 디블록킹 필터(182), SAO(Sample Adaptive Offset) 필터(184) 및 ALF(Adaptive Loop Filter, 186)의 전부 또는 일부를 포함할 수 있다.
디블록킹 필터(182)는 블록 단위의 부호화/복호화로 인해 발생하는 블록킹 현상(blocking artifact)을 제거하기 위해 복원된 블록 간의 경계를 필터링하고, SAO 필터(184) 및 alf(186)는 디블록킹 필터링된 영상에 대해 추가적인 필터링을 수행한다. SAO 필터(184) 및 alf(186)는 손실 부호화(lossy coding)로 인해 발생하는 복원된 픽셀과 원본 픽셀 간의 차이를 보상하기 위해 사용되는 필터이다. SAO 필터(184)는 CTU 단위로 오프셋을 적용함으로써 주관적 화질뿐만 아니라 부호화 효율도 향상시킨다. 이에 비하여 ALF(186)는 블록 단위의 필터링을 수행하는데, 해당 블록의 에지 및 변화량의 정도를 구분하여 상이한 필터를 적용하여 왜곡을 보상한다. ALF에 사용될 필터 계수들에 대한 정보는 부호화되어 영상 복호화 장치로 시그널링될 수 있다.
디블록킹 필터(182), SAO 필터(184) 및 ALF(186)를 통해 필터링된 복원블록은 메모리(190)에 저장된다. 한 픽처 내의 모든 블록들이 복원되면, 복원된 픽처는 이후에 부호화하고자 하는 픽처 내의 블록을 인터 예측하기 위한 참조픽처로 사용될 수 있다.
도 5는 본 개시의 기술들을 구현할 수 있는 영상 복호화 장치의 예시적인 블록도이다. 이하에서는 도 5를 참조하여 영상 복호화 장치와 이 장치의 하위 구성들에 대하여 설명하도록 한다.
영상 복호화 장치는 엔트로피 복호화부(510), 재정렬부(515), 역양자화부(520), 역변환부(530), 예측부(540), 가산기(550), 루프 필터부(560) 및 메모리(570)를 포함하여 구성될 수 있다.
도 1의 영상 부호화 장치와 마찬가지로, 영상 복호화 장치의 각 구성요소는 하드웨어 또는 소프트웨어로 구현되거나, 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, 각 구성요소의 기능이 소프트웨어로 구현되고 마이크로프로세서가 각 구성요소에 대응하는 소프트웨어의 기능을 실행하도록 구현될 수도 있다.
엔트로피 복호화부(510)는 영상 부호화 장치에 의해 생성된 비트스트림을 복호화하여 블록 분할과 관련된 정보를 추출함으로써 복호화하고자 하는 현재블록을 결정하고, 현재블록을 복원하기 위해 필요한 예측정보와 잔차신호에 대한 정보 등을 추출한다.
엔트로피 복호화부(510)는 SPS(Sequence Parameter Set) 또는 PPS(Picture Parameter Set)로부터 CTU size에 대한 정보를 추출하여 CTU의 크기를 결정하고, 픽처를 결정된 크기의 CTU로 분할한다. 그리고, CTU를 트리 구조의 최상위 레이어, 즉, 루트 노드로 결정하고, CTU에 대한 분할정보를 추출함으로써 트리 구조를 이용하여 CTU를 분할한다.
예컨대, QTBTTT 구조를 사용하여 CTU를 분할하는 경우, 먼저 QT의 분할과 관련된 제1 플래그(QT_split_flag)를 추출하여 각 노드를 하위 레이어의 네 개의 노드로 분할한다. 그리고, QT의 리프 노드에 해당하는 노드에 대해서는 MTT의 분할과 관련된 제2 플래그(MTT_split_flag) 및 분할 방향(vertical / horizontal) 및/또는 분할 타입(binary / ternary) 정보를 추출하여 해당 리프 노드를 MTT 구조로 분할한다. 이에 따라 QT의 리프 노드 이하의 각 노드들을 BT 또는 TT 구조로 반복적으로(recursively) 분할한다.
또 다른 예로서, QTBTTT 구조를 사용하여 CTU를 분할하는 경우, 먼저 CU의 분할 여부를 지시하는 CU 분할 플래그(split_cu_flag)를 추출하고, 해당 블록이 분할된 경우, 제1 플래그(QT_split_flag)를 추출할 수도 있다. 분할 과정에서 각 노드는 0번 이상의 반복적인 QT 분할 후에 0번 이상의 반복적인 MTT 분할이 발생할 수 있다. 예컨대, CTU는 바로 MTT 분할이 발생하거나, 반대로 다수 번의 QT 분할만 발생할 수도 있다.
다른 예로서, QTBT 구조를 사용하여 CTU를 분할하는 경우, QT의 분할과 관련된 제1 플래그(QT_split_flag)를 추출하여 각 노드를 하위 레이어의 네 개의 노드로 분할한다. 그리고, QT의 리프 노드에 해당하는 노드에 대해서는 BT로 더 분할되는지 여부를 지시하는 분할 플래그(split_flag) 및 분할 방향 정보를 추출한다.
한편, 엔트로피 복호화부(510)는 트리 구조의 분할을 이용하여 복호화하고자 하는 현재블록을 결정하게 되면, 현재블록이 인트라 예측되었는지 아니면 인터 예측되었는지를 지시하는 예측 타입에 대한 정보를 추출한다. 예측 타입 정보가 인트라 예측을 지시하는 경우, 엔트로피 복호화부(510)는 현재블록의 인트라 예측정보(인트라 예측모드)에 대한 신택스 요소를 추출한다. 예측 타입 정보가 인터 예측을 지시하는 경우, 엔트로피 복호화부(510)는 인터 예측정보에 대한 신택스 요소, 즉, 움직임벡터 및 그 움직임벡터가 참조하는 참조픽처를 나타내는 정보를 추출한다.
또한, 엔트로피 복호화부(510)는 양자화 관련된 정보, 및 잔차신호에 대한 정보로서 현재블록의 양자화된 변환계수들에 대한 정보를 추출한다.
재정렬부(515)는, 영상 부호화 장치에 의해 수행된 계수 스캐닝 순서의 역순으로, 엔트로피 복호화부(510)에서 엔트로피 복호화된 1차원의 양자화된 변환계수들의 시퀀스를 다시 2차원의 계수 어레이(즉, 블록)로 변경할 수 있다.
역양자화부(520)는 양자화된 변환계수들을 역양자화하고, 양자화 파라미터를 이용하여 양자화된 변환계수들을 역양자화한다. 역양자화부(520)는 2차원으로 배열된 양자화된 변환계수들에 대해 서로 다른 양자화 계수(스케일링 값)을 적용할 수도 있다. 역양자화부(520)는 영상 부호화 장치로부터 양자화 계수(스케일링 값)들의 행렬을 양자화된 변환계수들의 2차원 어레이에 적용하여 역양자화를 수행할 수 있다.
역변환부(530)는 역양자화된 변환계수들을 주파수 도메인으로부터 공간 도메인으로 역변환하여 잔차신호들을 복원함으로써 현재블록에 대한 잔차블록을 생성한다.
또한, 역변환부(530)는 변환블록의 일부 영역(서브블록)만 역변환하는 경우, 변환블록의 서브블록만을 변환하였음을 지시하는 플래그(cu_sbt_flag), 서브블록의 방향성(vertical/horizontal) 정보(cu_sbt_horizontal_flag) 및/또는 서브블록의 위치 정보(cu_sbt_pos_flag)를 추출하여, 해당 서브블록의 변환계수들을 주파수 도메인으로부터 공간 도메인으로 역변환함으로써 잔차신호들을 복원하고, 역변환되지 않은 영역에 대해서는 잔차신호로 “0”값을 채움으로써 현재블록에 대한 최종 잔차블록을 생성한다.
또한, MTS가 적용된 경우, 역변환부(530)는 영상 부호화 장치로부터 시그널링된 MTS 정보(mts_idx)를 이용하여 가로 및 세로 방향으로 각각 적용할 변환 함수 또는 변환 행렬을 결정하고, 결정된 변환 함수를 이용하여 가로 및 세로 방향으로 변환블록 내의 변환계수들에 대해 역변환을 수행한다.
예측부(540)는 인트라 예측부(542) 및 인터 예측부(544)를 포함할 수 있다. 인트라 예측부(542)는 현재블록의 예측 타입이 인트라 예측일 때 활성화되고, 인터 예측부(544)는 현재블록의 예측 타입이 인터 예측일 때 활성화된다.
인트라 예측부(542)는 엔트로피 복호화부(510)로부터 추출된 인트라 예측모드에 대한 신택스 요소로부터 복수의 인트라 예측모드 중 현재블록의 인트라 예측모드를 결정하고, 인트라 예측모드에 따라 현재블록 주변의 참조 픽셀들을 이용하여 현재블록을 예측한다.
인터 예측부(544)는 엔트로피 복호화부(510)로부터 추출된 인터 예측모드에 대한 신택스 요소를 이용하여 현재블록의 움직임벡터와 그 움직임벡터가 참조하는 참조픽처를 결정하고, 움직임벡터와 참조픽처를 이용하여 현재블록을 예측한다.
가산기(550)는 역변환부로부터 출력되는 잔차블록과 인터 예측부 또는 인트라 예측부로부터 출력되는 예측블록을 가산하여 현재블록을 복원한다. 복원된 현재블록 내의 픽셀들은 이후에 복호화할 블록을 인트라 예측할 때의 참조픽셀로서 활용된다.
루프 필터부(560)는 인루프 필터로서 디블록킹 필터(562), SAO 필터(564) 및 ALF(566)를 포함할 수 있다. 디블록킹 필터(562)는 블록 단위의 복호화로 인해 발생하는 블록킹 현상(blocking artifact)을 제거하기 위해, 복원된 블록 간의 경계를 디블록킹 필터링한다. SAO 필터(564) 및 ALF(566)는 손실 부호화(lossy coding)으로 인해 발생하는 복원된 픽셀과 원본 픽셀 간의 차이를 보상하기 위해, 디블록킹 필터링 이후의 복원된 블록에 대해 추가적인 필터링을 수행한다. ALF의 필터 계수는 비스트림으로부터 복호한 필터 계수에 대한 정보를 이용하여 결정된다.
디블록킹 필터(562), SAO 필터(564) 및 ALF(566)를 통해 필터링된 복원블록은 메모리(570)에 저장된다. 한 픽처 내의 모든 블록들이 복원되면, 복원된 픽처는 이후에 부호화하고자 하는 픽처 내의 블록을 인터 예측하기 위한 참조픽처로 사용된다.
본 실시예는 이상에서 설명한 바와 같은 영상(비디오)의 부호화 및 복호화에 관한 것이다. 보다 자세하게는, 비디오 부호화 효율을 향상시키고 비디오 화질을 개선하기 위해, 딥러닝 모델(deep learning model)을 이용하여 복원(reconstructed) 프레임으로부터 잔차(residual) 프레임을 생성하고, 생성된 잔차 프레임을 선형 모델(linear model)에 적용하여 원본(original) 잔차 프레임을 근사함으로써 인루프 필터의 성능을 개선하는 비디오 코딩방법 및 장치를 제공한다.
이하의 실시예들은 영상 부호화 장치 내 루프 필터부(180) 및 영상 복호화 장치 내 루프 필터부(560)에 공통적으로 적용될 수 있다. 또한, 이하의 실시예들은 영상 부호화 장치와 영상 복호화 장치의 딥러닝 기술을 이용하는 부분에 공통적으로 적용될 수 있다.
이하의 설명에서, '대상블록(target block)'이라는 용어는 전술한 바와 같은 현재블록 또는 코딩 유닛(CU, Coding Unit)과 동일한 의미로 사용될 수 있고, 또는 코딩 유닛의 일부 영역을 의미할 수도 있다.
도 6은 본 개시의 일 실시예에 따른 화질 개선장치를 나타내는 예시도이다.
본 실시예에 따른 화질 개선장치는 딥러닝 모델을 이용하여 복원 프레임으로부터 잔차 프레임을 생성하고, 생성된 잔차 프레임을 선형 모델에 적용하여 원본 잔차 프레임을 근사하며, 근사된 원본 잔차 프레임을 이용하여 개선된(improved) 복원 프레임을 생성한다. 화질 개선장치는 제1 개선부(602), 감산기(604), 제2 개선부(606), 및 가산기(608)의 전부 또는 일부를 포함한다. 또한, 제1 개선부(602)는 딥러닝 모델인 개선 모델(improvement model)을 포함하고, 제2 개선부(606)는 선형 모델을 포함한다.
본 실시예에 따른 화질 개선장치가 영상 부호화 장치에 포함된 경우, 화질 개선장치에 포함되는 구성요소가 반드시 도 1의 예시에 한정되는 것은 아니다. 예컨대, 화질 개선장치는 개선 모델의 트레이닝을 위한 트레이닝부(미도시)를 추가로 구비하거나, 외부의 트레이닝부와 연동되는 형태로 구현될 수 있다.
제1 개선부(602)는 복원 프레임 xrec[i,j]를 입력으로 획득하고, 복원 프레임 xrec[i,j]를 개선 모델에 입력하여 원본 프레임 xori[i,j]을 근사한 출력 xnn[i,j]을 생성한다. 여기서, [i,j]는 프레임 내 픽셀의 위치를 나타낸다. 개선 모델은 복수의 레이어들을 이용하여 근사 출력 xnn을 생성할 수 있다. 여기서, 복수의 레이어들은 딥러닝 기반 비디오 신호처리에 적합한 콘볼루션 레이어들(convolutional layers)일 수 있다.
감산기(604)는, 수학식 1에 나타낸 바와 같이, 근사 출력 xnn[i,j]으로부터 복원 프레임 xrec[i,j]를 감산하여 잔차 프레임 xres[i,j]를 생성한다.
Figure pat00001
따라서, 잔차 프레임 xres는 원본 프레임 xori과 복원 프레임 xrec 간의 차이를 근사한다. 이하, 이러한 차이를 '원본 잔차 프레임 xo_res'으로 명칭한다. 원본 잔차 프레임 xo_res[i,j]은 수학식 2와 같이 나타낼 수 있다.
Figure pat00002
제2 개선부(606)는 선형 모델을 이용하여 잔차 프레임 xres로부터 원본 잔차 프레임 xo_res를 한번 더 근사한다. 선형 모델이 제공하는 선형 관계(linear relation)을 나타내는 파라미터들을 α 및 β라 할 때, 선형 근사된 잔차 프레임 x'res[i,j]은 수학식 3과 같이 나타낼 수 있다.
Figure pat00003
이하, 잔차 프레임 xres은 '제1 잔차 프레임'과 호환적으로 이용되고, 선형 근사된 잔차 프레임 x'res은 '제2 잔차 프레임'과 호환적으로 이용된다.
가산기(608)는, 수학식 4에 나타낸 바와 같이, 제2 잔차 프레임 x'res[i,j]과 복원 프레임 xrec[i,j]을 가산하여 개선 복원 프레임 x'rec[i,j]를 생성한다.
Figure pat00004
수학식 3 및 수학식 4로부터 제2 잔차 프레임 x'res[i,j]는 수학식 5와 같이 표현될 수 있다.
Figure pat00005
한편, 개선 모델이 원본 프레임 xori를 근사하는 것을 학습할 수 있도록, 트레이닝부는 원본 잔차 프레임 xo_res를 타겟으로 이용하여 개선 모델을 트레이닝시킬 수 있다. 트레이닝부는 수학식 6에 나타낸 바와 같은 손실 함수를 이용하여 다수의 레이어들에 포함된 파라미터들을 업데이트할 수 있다.
Figure pat00006
여기서, ∥·∥은 L2 메트릭을 나타낸다. 한편, 수학식 6에 나타낸 바와 같이, 개선 모델의 손실 함수는 L2 메트릭으로 표현되나 반드시 이에 한정하는 것은 아니다. 제1 잔차 프레임 xres과 원본 잔차 프레임 xo_res 간의 거리를 나타낼 수 있는 어느 메트릭이든 손실 함수로서 이용될 수 있다.
선형 모델의 파라미터들 α 및 β는 제1 잔차 프레임 xres[i,j]과 제2 잔차 프레임 x'res[i,j]을 이용하여 산정될 수 있다. 이때, 제2 잔차 프레임 x'res[i,j]은 아직 확정되지 않은 값이나 원본 잔차 프레임을 근사하므로, 원본 잔차 프레임 xo_res[i,j]가 대신 사용될 수 있다. 선형 최소 제곱 방정식(linear least square equation)을 활용하여 α 및 β는 수학식 7에 나타낸 바와 같이 추정될 수 있다.
Figure pat00007
여기서, K는 프레임에 포함된 전체 픽셀들의 개수를 나타낸다. 즉, α 및 β를 산정하기 위해, [i,j]는 [k]로 대체될 수 있다. 따라서, 선형 모델은 제1 잔차 프레임 xres 내 픽셀들과 원본 잔차 프레임 xo_res 내 픽셀들 간의 선형 관계를 제공한다.
한편, α 및 β 중 하나가 0으로 설정된 경우, 수학식 7에 따라 0이 아닌 파라미터를 추정할 수 있다. 이후, 제2 개선부(606)는 추정된 하나의 파라미터를 포함하는 수학식 3을 이용하여 제2 잔차 프레임 x'res[i,j]를 생성할 수 있다.
도 7은 본 개시의 다른 실시예에 따른 화질 개선장치를 나타내는 예시도이다.
본 실시예에 따른 화질 개선장치는 비디오 부/복호화 정보의 임베딩 벡터(embedding vector)를 이용하여 제1 잔차 프레임 xres을 보강할 수 있다. 화질 개선장치는 추가적으로 임베딩벡터 생성부(702) 및 행렬 승산기(704)를 포함할 수 있다.
임베딩벡터 생성부(702)는 임베딩 함수(embedding function) e(·)를 이용하여 비디오 부호화/복호화 정보 P로부터 임베딩 벡터 λP를 생성한다. 여기서, 임베딩 함수는 전연결 레이어(fully-connected layer) 또는 콘볼루션 레이어로 이루어진 딥러닝 모델이다.
부호화/복호화 정보 P로는, 양자화 파라미터(quantization parameter), 비트율 왜곡 최적화 과정에서 사용하는 라그랑쥬 상수(Lagrange constant), GOP(Group of Pictures) 내의 시간적 레이어(temporal layer), 프레임의 종류(I/P/B, Intra/Predictive/Bi-Predictive) 등이 이용될 수 있다. 또는, 이들의 전부 또는 일부의 조합이 부호화/복호화 정보 P로 사용될 수 있다.
행렬 승산기(704)는 임베딩 벡터 λP과 제1 잔차 프레임 xres을 행렬 곱셈하여 xres와 동일한 크기의 보강된(complemented) 잔차 프레임 xh_res[i,j]을 생성한다. 여기서, 행렬 곱셈은, 예컨대, 임베딩 벡터와 제1 잔차 프레임 내 행들 간의 요소별(component-wise) 곱셈일 수 있다, 이를 위해, 임베딩 벡터의 크기가 제1 잔차 프레임 내 행의 크기와 동일해지도록, 임베딩 함수가 정의될 수 있다. 다른 예로서, 행렬 곱셈은 임베딩 벡터와 제1 잔차 프레임 내 열들 간의 요소별 곱셈일 수 있다, 이를 위해, 임베딩 벡터의 크기가 제1 잔차 프레임 내 열의 크기와 동일해지도록, 임베딩 함수가 정의될 수 있다.
제2 개선부(606)는 선형 모델을 이용하여 보강된 잔차 프레임 xh_res[i,j]로부터 원본 잔차 프레임 xo_res를 한번 더 근사한다. 선형 모델을 나타내는 파라미터들 α 및 β에 대해, 선형 근사된 잔차 프레임 x'res[i,j]은 수학식 8과 같이 나타낼 수 있다.
Figure pat00008
이때, 선형 모델의 파라미터들 α 및 β는 원본 잔차 프레임 xo_res[i,j]과 보강된 잔차 프레임 xh_res[i,j]을 이용하여 수학식 9에 나타낸 바와 같이 추정될 수 있다.
Figure pat00009
일 예로서, 영상 부호화 장치는 선형 모델의 파라미터들을 유도한 후, 비트스트림으로 부호화하여 영상 복호화 장치로 전송할 수 있다. 이때, 화질 개선의 적용 여부는 프레임, 픽처, 서브 픽처, 슬라이스, 타일, 블록 단위 및 화소 단위 수준에서 결정될 수 있다. 블록 단위인 경우, CTU, CU/PU(Prediction Unit)에 기초하여 화질 개선의 적용 여부가 결정될 수 있다. 또는, sub-CU와 같은 크기에 기초하여 화질 개선의 적용 여부가 결정될 수 있다. 블록의 집합으로서 타일이나 서브 픽처와 같은 크기에 기초하여 화질 개선의 적용 여부가 결정될 수 있다.
다른 예로서, 영상 부호화 장치는 플래그를 이용하여 화질 개선 여부를 영상 복호화 장치로 시그널링할 수 있다. 영상 부호화 장치는 이 플래그를 상위 레벨로부터 전달받을 수 있고, 영상 복호화 장치는 비트스트림을 복호화하여 이 플래그를 획득할 수 있다. 한편, 적용 단위에 관계 없이 파라미터들의 정보를 부호화하는 방법이 기존의 복원 신호만을 전송하는 방법보다 비트율 왜곡 측면에서 손해인 경우, 플래그 값에 따라 화질 개선방법이 적용되지 않을 수 있다.
다른 예로서, 모든 적용 단위에 대해 선형 모델의 파라미터 값들을 전송하는 방법 외에, 비디오의 부호화/복호화 정보에 따른 파라미터 값들이 통계적으로 활용될 수 있다. 예를 들어, 양자화 파라미터가 22인 경우 자주 발생하는 선형 모델의 파라미터의 값들을 미리 계산한 후, 계산된 값들을 이용하여 파라미터 값들이 기설정될 수 있다. 또는, 부호화/복호화 정보에 따른 파라미터 값들의 통계를 기반으로 룩업테이블(lookup table)을 생성한 후, 룩업테이블이 사용될 수 있다. 이때, 양자화 파라미터 값, 프레임 타입, GOP 내 시간적 식별자(temporal ID), 적용 블록의 크기, 블록의 인트라/인터 코딩 여부 등에 따라 하나 이상의 룩업테이블들이 생성된 후, 화질 개선방법의 적용 시 활용될 수 있다.
다른 예로서, 부호화/복호화 정보에 따른 파라미터 값들의 통계를 기반으로 복수의 (α,β) 쌍들, 및 그에 해당하는 인덱스가 사전에 설정될 수 있다. 영상 부호화 장치는 인덱스를 시그널링하고, 영상 복호화 장치는 인덱스를 이용하여 사전에 정의한 α 및 β를 획득할 수 있다. 이때, α 또는 β 중의 하나가 0으로 고정되는 경우, 0이 아닌 파라미터 값에 대해 인덱스가 시그널링될 수 있다.
한편, 화질 개선장치는 영상 부호화 장치 내 루프 필터부(180) 또는 영상 복호화 장치 내 루프 필터부(560)에 포함되는 하나의 필터일 수 있다. 따라서, 복원 프레임 xrec는 원본 프레임을 복원한 프레임으로서, 영상 부호화 장치 또는 영상 복호화 장치에 의해 사전에 복원된 어느 프레임이든 사용될 수 있다. 예컨대, 복원 프레임 xrec는 메모리(190, 570) 내 DPB(Decoded Picture Buffer)에 저장된 신호, 디블록킹 필터(182, 562)의 출력, SAO 필터(184, 564)의 출력, BF(Bilateral Filter)의 출력, 및 ALF(186, 566)의 출력 중 하나일 수 있다. 여기서, BF는 인루프 필터의 하나로서, 복원 프레임의 화질 개선을 위해 적용될 수 있다. 또한, DPB에 저장된 신호는 가산기(170, 550)의 출력, 즉 예측 신호와 역변환 신호의 합에 해당하는 복원 신호로 정의한다. 한편, DBP는, 도 1 및 도 5에 예시와 같이, 인루프 필터들을 모두 통과하여 생성된 복원 픽처들을 저장할 수 있다.
다른 예로서, 인루프 필터 외에 xrec는 인터 예측 신호 또는 인트라 예측 신호일 수 있으며, 예측 신호의 개선, 압축 후 화질 개선 등이 본 실시예에 따른 화질 개선방법에 의해 수행될 수 있다.
도 6 및 도 7의 예시에서, 수학식 1에 따른 xnn은 딥러닝 모델인 개선 모델의 출력이다. 하지만, 딥러닝 모델이 사용되지 않는 경우, xnn은 디블록킹 필터(182, 562)의 출력, SAO 필터(184, 564)의 출력, 바이래터럴 필터의 출력, 및 ALF(186, 566)의 출력 중 하나일 수 있다.
도 8은 본 개시의 또다른 실시예에 따른 화질 개선장치를 나타내는 예시도이다.
예를 들어, 도 8에 예시된 바와 같이, xrec는 SAO(564)의 출력이자 ALF(566)의 입력으로 이용되고, xnn은 ALF(566)의 출력으로 사용될 수 있다, 이후, xnn은 개선된 복원 신호 x'rec를 생성하기 위해 이용될 수 있다. 도 8에 예시된 화질 개선장치는 영상 복호화 장치 내 인루프 필터들에 기초하여 구성되나. 반드시 이에 한정하는 것은 아니다. 예컨대, 화질 개선장치는 영상 부호화 장치 내 인루프 필터들에 기초하여 유사하게 구성될 수 있다.
이하, 도 9 및 도 10을 이용하여, 선형 모델을 이용하는 화질 개선방법을 기술한다.
도 9는 본 개시의 일 실시예에 따른 화질 개선방법을 나타내는 순서도이다.
화질 개선장치는 복원 프레임을 획득한다(S900).
화질 개선장치는 복원 프레임을 딥러닝 기반 개선 모델에 입력하여 원본 프레임을 근사하는 출력을 생성한다(S902). 여기서, 복원 프레임은 원본 프레임을 복원한 프레임이고, 영상 부호화 장치 또는 영상 복호화 장치에 의해 사전에 복원된다. 예컨대, 복원 프레임은 메모리(190, 570) 내 DPB에 저장된 신호, 디블록킹 필터(182, 562)의 출력, SAO 필터(184, 564)의 출력, BF의 출력, 및 ALF(186, 566)의 출력 중 하나일 수 있다.
화질 개선장치는 개선 모델의 출력으로부터 복원 프레임을 감산하여 제1 잔차 프레임을 생성한다(S904). 제1 잔차 프레임은 원본 잔차 프레임을 근사하되, 원본 잔차 프레임은 원본 프레임과 복원 프레임 간의 차이이다.
개선 모델은 다수의 레이어들을 포함하는 딥러닝 모델로서, 원본 프레임을 근사하는 것을 학습하도록 트레이닝된다. 개선 모델은 수학식 6에 나타낸 바와 같은, 제1 잔차 프레임과 원본 잔차 프레임 간의 차이에 기반하는 손실 함수를 이용하여 트레이닝될 수 있다.
화질 개선장치는 제1 잔차 프레임을 선형 모델에 입력하여 제2 잔차 프레임을 생성한다(S906). 여기서, 선형 모델은 제1 잔차 프레임과 제2 잔차 프레임 간의 선형 관계를 나타내는 파라미터들 α 및 β를 포함한다.
선형 모델의 파라미터들은 제1 잔차 프레임과 제2 잔차 프레임을 이용하여 산정될 수 있다. 이때, 제2 잔차 프레임은 아직 확정되지 않은 값이지만 원본 잔차 프레임을 근사하므로, 원본 잔차 프레임이 대신 사용될 수 있다. 선형 모델의 파라미터들은 선형 최소 제곱 방정식을 활용하여 수학식 7에 나타낸 바와 같이 산정될 수 있다. 선형 모델은 제1 잔차 프레임 내의 픽셀값들과 원본 잔차 프레임 내의 픽셀값들 간의 선형 관계를 제공할 수 있다.
화질 개선장치는 제2 잔차 프레임과 복원 프레임을 가산하여 개선 복원 프레임을 생성한다(908).
도 10은 본 개시의 일 실시예에 따른 화질 개선방법을 나타내는 순서도이다.
화질 개선장치는 복원 프레임을 획득한다(S1000).
화질 개선장치는 복원 프레임을 딥러닝 기반 개선 모델에 입력하여 원본 프레임을 근사하는 출력을 생성한다(S1002). 여기서, 복원 프레임은 원본 프레임을 복원한 프레임이고, 영상 부호화 장치 또는 영상 복호화 장치에 의해 사전에 복원된다.
화질 개선장치는 개선 모델의 출력으로부터 복원 프레임을 감산하여 제1 잔차 프레임을 생성한다(S1004).
화질 개선장치는 부호화/복호화 정보를 획득한다(S1006). 여기서, 부호화/복호화 정보로는, 양자화 파라미터, 비트율 왜곡 최적화 과정에서 사용하는 라그랑쥬 상수, GOP 내의 시간적 레이어, 프레임의 종류(I/P/B) 등이 이용될 수 있다. 또는, 이들의 전부 또는 일부의 조합이 부호화/복호화 정보로 사용될 수 있다.
화질 개선장치는 부호화/복호화 정보를 딥러닝 기반 임베딩 함수에 입력하여 임베딩 벡터를 생성한다(S1008). 임베딩 함수는 전연결 레이어 또는 콘볼루션 레이어로 이루어진 딥러닝 모델이다.
화질 개선장치는 임베딩 벡터와 제1 잔차 프레임을 행렬 곱셈하여 보강 잔차 프레임을 생성한다(S1010). 여기서, 행렬 곱셈은, 예컨대, 임베딩 벡터와 제1 잔차 프레임 내 행들 간의 요소별 곱셈일 수 있다, 다른 예로서, 행렬 곱셈은 임베딩 벡터와 제1 잔차 프레임 내 열들 간의 요소별 곱셈일 수 있다,
화질 개선장치는 보강 잔차 프레임을 선형 모델에 입력하여 제2 잔차 프레임을 생성한다(S1012). 여기서, 선형 모델은 보강 잔차 프레임과 제2 잔차 프레임 간의 선형 관계를 나타내는 파라미터들 α 및 β를 포함한다. 선형 모델의 파라미터들은 원본 잔차 프레임과 보강 잔차 프레임을 이용하여 수학식 9에 나타낸 바와 같이 산정될 수 있다.
화질 개선장치는 제2 잔차 프레임과 복원 프레임을 가산하여 개선복원 프레임을 생성한다(S1014).
본 명세서의 흐름도/타이밍도에서는 각 과정들을 순차적으로 실행하는 것으로 기재하고 있으나, 이는 본 개시의 일 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것이다. 다시 말해, 본 개시의 일 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 개시의 일 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 흐름도/타이밍도에 기재된 순서를 변경하여 실행하거나 각 과정들 중 하나 이상의 과정을 병렬적으로 실행하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이므로, 흐름도/타이밍도는 시계열적인 순서로 한정되는 것은 아니다.
이상의 설명에서 예시적인 실시예들은 많은 다른 방식으로 구현될 수 있다는 것을 이해해야 한다. 하나 이상의 예시들에서 설명된 기능들 혹은 방법들은 하드웨어, 소프트웨어, 펌웨어 또는 이들의 임의의 조합으로 구현될 수 있다. 본 명세서에서 설명된 기능적 컴포넌트들은 그들의 구현 독립성을 특히 더 강조하기 위해 "...부(unit)" 로 라벨링되었음을 이해해야 한다.
한편, 본 실시예에서 설명된 다양한 기능들 혹은 방법들은 하나 이상의 프로세서에 의해 판독되고 실행될 수 있는 비일시적 기록매체에 저장된 명령어들로 구현될 수도 있다. 비일시적 기록매체는, 예를 들어, 컴퓨터 시스템에 의하여 판독가능한 형태로 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 예를 들어, 비일시적 기록매체는 EPROM(erasable programmable read only memory), 플래시 드라이브, 광학 드라이브, 자기 하드 드라이브, 솔리드 스테이트 드라이브(SSD)와 같은 저장매체를 포함한다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
180: 루프 필터부
560: 루프 필터부
602: 제1 개선부
606: 제2 개선부
702: 임베딩벡터 생성부

Claims (17)

  1. 컴퓨팅 장치가 수행하는, 복원(reconstructed) 프레임의 화질을 개선하는 방법에 있어서,
    상기 복원 프레임을 획득하고, 상기 복원 프레임을 딥러닝 기반 개선 모델(improvement model)에 입력하여 원본(original) 프레임을 근사하는 출력을 생성하는 단계, 여기서, 상기 복원 프레임은, 상기 원본 프레임을 복원한 프레임이고, 상기 컴퓨팅 장치에 의해 사전에 복원됨;
    상기 개선 모델의 출력으로부터 상기 복원 프레임을 감산하여 제1 잔차(residual) 프레임을 생성하는 단계;
    상기 제1 잔차 프레임을 선형 모델에 입력하여 제2 잔차 프레임을 생성하는 단계, 여기서, 상기 선형 모델은 상기 제1 잔차 프레임과 상기 제2 잔차 프레임 간의 선형 관계를 나타내는 파라미터들을 포함함; 및
    상기 제2 잔차 프레임과 상기 복원 프레임을 가산하여 개선(improved) 복원 프레임을 생성하는 단계
    를 포함하는 것을 특징으로 하는, 방법.
  2. 제1항에 있어서,
    상기 제1 잔차 프레임은,
    원본 잔차 프레임을 근사하되, 상기 원본 잔차 프레임은 상기 원본 프레임과 상기 복원 프레임 간의 차이인 것을 특징으로 하는, 방법.
  3. 제2항에 있어서,
    상기 개선 모델은,
    다수의 레이어들을 포함하는 딥러닝 모델이고, 상기 제1 잔차 프레임과 상기 원본 잔차 프레임 간의 차이에 기반하는 손실 함수를 이용하여 트레이닝되는 것을 특징으로 하는, 방법.
  4. 제1항에 있어서,
    상기 복원 프레임은,
    DPB(Decoded Picture Buffer)에 저장된 복원 신호, 디블록킹 필터의 출력, SAO(Sample Adaptive Offset) 필터의 출력, 및 ALF(Adaptive Loop Filter)의 출력 중 하나이되, 상기 복원 신호는 예측 신호와 역변환 신호의 합인 것을 특징으로 하는, 방법.
  5. 제1항에 있어서,
    상기 화질을 개선하는 방법의 적용 여부를 지시하는 플래그를 시그널링하는 단계를 더 포함하는 것을 특징으로 하는, 방법.
  6. 제2항에 있어서,
    상기 선형 모델의 파라미터들은,
    상기 제1 잔차 프레임 내의 픽셀값들과 상기 원본 잔차 프레임 내의 픽셀값들에 기초하는 선형 최소 제곱 방정식(linear least square equation)을 활용하여 추정되는 것을 특징으로 하는, 방법.
  7. 제1항에 있어서,
    상기 선형 모델의 파라미터들은,
    영상 부호화 장치에 의해 유도되고 비트스트림으로 부호화된 후, 영상 복호화 장치로 전송되는 것을 특징으로 하는, 방법.
  8. 제1항에 있어서,
    상기 선형 모델의 파라미터들은,
    기설정된 값들을 이용하되, 상기 기설정된 값들은 부호화 및 복호화 정보에 기초하여 통계적으로 자주 발생하는 값들인 것을 특징으로 하는, 방법.
  9. 제1항에 있어서,
    상기 선형 모델의 파라미터들은,
    상기 선형 모델의 파라미터 값들 및 해당되는 인덱스가 사전에 설정되되, 영상 부호화 장치는 상기 인덱스를 영상 복호화 장치로 시그널링하고, 상기 영상 복호화 장치는 상기 인덱스를 이용하여 사전에 설정된 상기 파라미터 값들을 획득하는 것을 특징으로 하는, 방법.
  10. 영상 복호화 장치가 포함하는 화질 개선장치에 있어서,
    딥러닝 기반 개선 모델(improvement model)을 포함하고, 복원(reconstructed) 프레임을 획득하고, 상기 복원 프레임을 상기 개선 모델에 입력하여 원본(original) 프레임을 근사하는 출력을 생성하는 제1 개선부, 여기서, 상기 복원 프레임은, 상기 원본 프레임을 복원한 프레임이고, 상기 영상 복호화 장치에 의해 사전에 복원됨;
    상기 개선 모델의 출력으로부터 상기 복원 프레임을 감산하여 제1 잔차(residual) 프레임을 생성하는 감산기;
    선형 모델을 포함하고, 상기 제1 잔차 프레임을 상기 선형 모델에 입력하여 제2 잔차 프레임을 생성하는 제2 개선부, 여기서, 상기 선형 모델은 상기 제1 잔차 프레임과 상기 제2 잔차 프레임 간의 선형 관계를 나타내는 파라미터들을 포함함; 및
    상기 제2 잔차 프레임과 상기 복원 프레임을 가산하여 개선(improved) 복원 프레임을 생성하는 가산기
    를 포함하는 것을 특징으로 하는, 화질 개선장치.
  11. 제10항에 있어서,
    상기 제1 잔차 프레임은,
    원본 잔차 프레임을 근사하되, 상기 원본 잔차 프레임은 상기 원본 프레임과 상기 복원 프레임 간의 차이인 것을 특징으로 하는, 화질 개선장치.
  12. 제11항에 있어서,
    상기 개선 모델은,
    다수의 레이어들을 포함하는 딥러닝 모델이고, 상기 제1 잔차 프레임과 상기 원본 잔차 프레임 간의 차이에 기반하는 손실 함수를 이용하여 트레이닝되는 것을 특징으로 하는, 화질 개선장치.
  13. 제11항에 있어서,
    상기 선형 모델의 파라미터들은,
    상기 제1 잔차 프레임 내의 픽셀값들과 상기 원본 잔차 프레임 내의 픽셀값들에 기초하는 선형 최소 제곱 방정식(linear least square equation)을 활용하여 추정되는 것을 특징으로 하는, 화질 개선장치.
  14. 컴퓨팅 장치가 수행하는, 복원(reconstructed) 프레임의 화질을 개선하는 방법에 있어서,
    상기 복원 프레임을 획득하고, 상기 복원 프레임을 딥러닝 기반 개선 모델(improvement model)에 입력하여 원본 프레임을 근사하는 출력을 생성하는 단계, 여기서, 상기 복원 프레임은, 상기 원본 프레임을 복원한 프레임이고, 상기 컴퓨팅 장치에 의해 사전에 복원됨;
    상기 개선 모델의 출력으로부터 상기 복원 프레임을 감산하여 제1 잔차(residual) 프레임을 생성하는 단계;
    부호화/복호화 정보를 획득하고, 상기 부호화/복호화 정보를 딥러닝 기반 임베딩 함수(embedding function)에 입력하여 임베딩 벡터(embedding vector)를 생성하는 단계, 여기서, 상기 부호화/복호화 정보는 양자화 파라미터, 비트율 왜곡 최적화 과정에서 사용하는 라그랑쥬 상수(Lagrange constant), GOP(Group of Pictures) 내의 시간적 레이어(temporal layer), 및 프레임의 종류 중 적어도 하나임;
    상기 임베딩 벡터와 상기 제1 잔차 프레임을 행렬 곱셈하여 보강(complemented) 잔차 프레임을 생성하는 단계;
    상기 보강 잔차 프레임을 선형 모델에 입력하여 제2 잔차 프레임을 생성하는 단계, 여기서, 상기 선형 모델은 상기 보강 잔차 프레임과 상기 제2 잔차 프레임 간의 선형 관계를 나타내는 파라미터들을 포함함; 및
    상기 제2 잔차 프레임과 상기 복원 프레임을 가산하여 개선(improved) 복원 프레임을 생성하는 단계
    를 포함하는 것을 특징으로 하는, 방법.
  15. 제14항에 있어서,
    상기 제1 잔차 프레임은,
    원본 잔차 프레임을 근사하되, 상기 원본 잔차 프레임은 상기 원본 프레임과 상기 복원 프레임 간의 차이인 것을 특징으로 하는, 방법.
  16. 제15항에 있어서,
    상기 개선 모델은,
    다수의 레이어들을 포함하는 딥러닝 모델이고, 상기 제1 잔차 프레임과 상기 원본 잔차 프레임 간의 차이에 기반하는 손실 함수를 이용하여 트레이닝되는 것을 특징으로 하는, 방법.
  17. 제15항에 있어서,
    상기 선형 모델의 파라미터들은,
    상기 보강 잔차 프레임 내의 픽셀값들과 상기 원본 잔차 프레임 내의 픽셀값들에 기초하는 선형 최소 제곱 방정식(linear least square equation)을 활용하여 추정되는 것을 특징으로 하는, 방법.




KR1020220089020A 2021-08-17 2022-07-19 개선된 인루프 필터를 이용하는 비디오 코딩방법 및 장치 KR20230026944A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202280055257.XA CN117837149A (zh) 2021-08-17 2022-07-20 使用改进的环内滤波器的视频编码方法和设备
PCT/KR2022/010603 WO2023022376A1 (ko) 2021-08-17 2022-07-20 개선된 인루프 필터를 이용하는 비디오 코딩방법 및 장치
US18/426,793 US20240179324A1 (en) 2021-08-17 2024-01-30 Method and apparatus for video coding using an improved in-loop filter

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210108041 2021-08-17
KR20210108041 2021-08-17

Publications (1)

Publication Number Publication Date
KR20230026944A true KR20230026944A (ko) 2023-02-27

Family

ID=85329516

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220089020A KR20230026944A (ko) 2021-08-17 2022-07-19 개선된 인루프 필터를 이용하는 비디오 코딩방법 및 장치

Country Status (1)

Country Link
KR (1) KR20230026944A (ko)

Similar Documents

Publication Publication Date Title
KR20220018447A (ko) 딥러닝 기반 인터 예측을 이용하는 영상 부호화 및 복호화
KR20220118351A (ko) 인트라 예측 신호와 인터 예측 신호의 가중 합을 이용한 예측 블록을 생성하는 방법 및 이를 이용한 장치
KR20220071939A (ko) 비디오 부호화 및 복호화를 위한 장치 및 방법
KR20230105646A (ko) 크로마 성분을 위한 템플릿 기반 인트라 모드 유도 방법
KR20230049568A (ko) 기하학적 분할 모드를 이용한 비디오 부호화/복호화 방법 및 장치
KR20220165205A (ko) 개선된 크로스 컴포넌트 선형 모델 예측을 이용하는 비디오 코딩방법 및 장치
KR20220125175A (ko) 인트라 예측모드 유도를 이용하는 비디오 코딩방법 및 장치
KR20220077096A (ko) 블록병합을 이용하는 비디오 코딩 방법 및 장치
KR20230026944A (ko) 개선된 인루프 필터를 이용하는 비디오 코딩방법 및 장치
US20240179324A1 (en) Method and apparatus for video coding using an improved in-loop filter
KR20220125171A (ko) 인트라 예측의 예측 신호를 개선하는 비디오 코딩방법 및 장치
KR20220017372A (ko) 영상 부/복호화 장치에서 이용하는 양자화 파라미터 예측 방법
KR20230059135A (ko) 다양한 블록 분할 구조를 이용하는 비디오 코딩방법 및 장치
KR20220126226A (ko) 나선스캔 순서를 이용하는 비디오 코딩방법 및 장치
KR20230073970A (ko) 템플릿 매칭 기반의 인트라 예측을 사용하는 비디오 코딩 방법 및 장치
KR20230085063A (ko) 참조샘플라인의 유도 기반 인트라 예측을 이용하는 비디오 코딩방법 및 장치
KR20230068286A (ko) 암시적 임의 블록분할 및 이에 따른 예측을 이용하는 비디오 코딩방법 및 장치
KR20230005763A (ko) 비디오 부호화/복호화 방법 및 장치
KR20230059136A (ko) 기하학적 인트라 예측모드를 이용하는 비디오 코딩방법 및 장치
KR20220071944A (ko) 성분 간 참조를 이용하는 잔차신호 생성방법과 장치
KR20220136162A (ko) 매핑 기반 비디오 코딩방법 및 장치
KR20230090996A (ko) 잔차신호들의 매핑을 이용하는 비디오 코딩방법 및 장치
KR20220118349A (ko) 인터 예측 기반의 비디오 부호화 및 복호화
KR20230006396A (ko) 비디오 부호화/복호화 방법 및 장치
KR20230105647A (ko) 개선된 차분 움직임벡터 머지를 이용하는 비디오 코딩 방법 및 장치