帧内预测的可分离路径图变换自适应在线学习
图像与视频处理
2024-02-27 v1
摘要
当前的视频编码标准，包括 H.264/AVC、HEVC 和 VVC，采用离散余弦变换（DCT）、离散正弦变换（DST）以及次优于 Karhunen-Loeve 变换（KLT）的方法来对帧内预测残差进行去相关。然而，当信号具有非平滑和非周期性结构（如具有复杂图案的纹理中出现的结构）时，这些变换的去相关效率可能受到限制。本文介绍了一种新颖的自适应可分离路径基于图的变换（GBT），其对于帧内预测的纹理数据能提供比 DCT 更好的去相关性。所提出的 GBT 是在在线场景中通过顺序 K-means 聚类学习得到的，该方法在编码和解码过程中对相似块进行分组，从而从先前重建的具有相似特征的区域自适应地学习当前块的 GBT。在每个编码块的比特流中增加了信令开销，以指示所提出的基于图的变换的使用情况。我们评估了该方法与 H.264/AVC 帧内编码工具结合的性能，并证明其对于帧内预测的纹理数据能显著优于 H.264/AVC DCT。
引用
@article{arxiv.2402.16371,
title = {Adaptive Online Learning of Separable Path Graph Transforms for Intra-prediction},
author = {Wen-Yang Lu and Eduardo Pavez and Antonio Ortega and Xin Zhao and Shan Liu},
journal= {arXiv preprint arXiv:2402.16371},
year = {2024}
}
备注
5 pages, 4 figures