基于模型选择 CNN 的 VVC 质量增强
图像与视频处理
2021-05-10 v1
摘要
伪影去除与滤波方法是视频编码中不可或缺的部分。一方面,新编解码器与压缩标准配备先进环内滤波器;另一方面,显示器配备高性能处理单元以对解码视频进行后处理。本文提出一种基于卷积神经网络(CNN)的后处理算法,用于通用视频编码(VVC)码流的帧内与帧间图像。依据帧类型,该方法通过将标准预测信号作为附加输入与重建信号及量化参数(QP)图一并送入 CNN,从而利用标准预测信号。此外,采用一种可选的模型选择(MS)策略,在编码器端从可用模型中挑选最佳训练模型并信令通知解码器端。该 MS 策略可应用于帧级与块级。在 VVC 测试模型(VTM-10.0)的随机接入(RA)配置下实验表明,所提感知预测算法相较无预测信息的方法可带来额外的 -1.3% BD-BR 增益。进而,所提 MS 方案在感知预测方法基础上再带来 -0.5% 的 BD-BR 增益。
引用
@article{arxiv.2105.03338,
title = {Model Selection CNN-based VVC QualityEnhancement},
author = {Fatemeh Nasiri and Wassim Hamidouche and Luce Morin and Nicolas Dhollande and Gildas Cocherel},
journal= {arXiv preprint arXiv:2105.03338},
year = {2021}
}