在信息化高度發(fā)展的當(dāng)今社會(huì),視頻數(shù)據(jù)成為了主要的多媒體數(shù)據(jù)形式。人們對(duì)寬色域、高清晰度、高分辨率的視頻需求日益高漲,這對(duì)視頻數(shù)據(jù)的存儲(chǔ)、傳輸造成極大的負(fù)擔(dān)。應(yīng)用現(xiàn)狀對(duì)視頻壓縮提出了更高的要求,探索更高編碼效率的壓縮技術(shù)成為國(guó)內(nèi)外研究的重點(diǎn)問(wèn)題。本文致力于提高視頻編解碼中幀間預(yù)測(cè)技術(shù)的編碼效率,并主要從提高運(yùn)動(dòng)矢量的預(yù)測(cè)準(zhǔn)確度和提高預(yù)測(cè)塊的預(yù)測(cè)準(zhǔn)確度兩個(gè)方面著手,主要工作和貢獻(xiàn)包括以下幾個(gè)方面:1.提出基于虛擬運(yùn)動(dòng)矢量的運(yùn)動(dòng)矢量預(yù)測(cè)機(jī)制,解決長(zhǎng)期參考機(jī)制下運(yùn)動(dòng)矢量預(yù)測(cè)值候選項(xiàng)不足的問(wèn)題。長(zhǎng)時(shí)運(yùn)動(dòng)矢量和短時(shí)運(yùn)動(dòng)矢量相關(guān)性弱,在現(xiàn)有的視頻編碼技術(shù)中,兩者不能交叉預(yù)測(cè),這將導(dǎo)致運(yùn)動(dòng)矢量預(yù)測(cè)值候選項(xiàng)不足。為此,我們利用重建像素在參考幀上進(jìn)行運(yùn)動(dòng)搜索導(dǎo)出缺失類(lèi)型的運(yùn)動(dòng)矢量,導(dǎo)出的運(yùn)動(dòng)矢量為虛擬運(yùn)動(dòng)矢量。這樣保證每個(gè)編碼塊重建完成后同時(shí)具有長(zhǎng)時(shí)運(yùn)動(dòng)矢量和短時(shí)運(yùn)動(dòng)矢量。后續(xù)塊進(jìn)行運(yùn)動(dòng)矢量預(yù)測(cè)編碼時(shí),可從任一相鄰塊選擇同類(lèi)型的MV進(jìn)行預(yù)測(cè)。同時(shí),由于真實(shí)運(yùn)動(dòng)矢量置信度高于虛擬運(yùn)動(dòng)矢量,我們提出了基于置信度的運(yùn)動(dòng)矢量預(yù)測(cè)值構(gòu)造機(jī)制,使得編碼性能提升1%。2.提出了基于空間相鄰像素的自適應(yīng)雙向加權(quán)預(yù)測(cè)技術(shù),... 

【文章來(lái)源】：浙江大學(xué)浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：116 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
致謝
摘要
Abstract
1 緒論
    1.1 視頻編碼綜述
        1.1.1 視頻編碼的基礎(chǔ)
        1.1.2 混合視頻編碼框架
    1.2 幀間預(yù)測(cè)技術(shù)簡(jiǎn)介
        1.2.1 HEVC中幀間預(yù)測(cè)技術(shù)
        1.2.2 VVC中幀間預(yù)測(cè)技術(shù)
    1.3 基于深度學(xué)習(xí)的視頻編碼技術(shù)簡(jiǎn)介
        1.3.1 基于神經(jīng)網(wǎng)絡(luò)的新編碼框架
        1.3.2 基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)技術(shù)
        1.3.3 基于神經(jīng)網(wǎng)絡(luò)的量化及熵編碼技術(shù)
        1.3.4 基于神經(jīng)網(wǎng)絡(luò)的環(huán)路濾波技術(shù)
    1.4 本文研究問(wèn)題與內(nèi)容組織
2 長(zhǎng)期參考機(jī)制下運(yùn)動(dòng)矢量預(yù)測(cè)的研究
    2.1 基于知識(shí)庫(kù)的長(zhǎng)期參考技術(shù)概述
        2.1.1 知識(shí)庫(kù)構(gòu)建
        2.1.2 長(zhǎng)期參考下運(yùn)動(dòng)矢量預(yù)測(cè)技術(shù)
    2.2 基于虛擬運(yùn)動(dòng)矢量的運(yùn)動(dòng)信息預(yù)測(cè)
        2.2.1 虛擬運(yùn)動(dòng)矢量構(gòu)造
        2.2.2 運(yùn)動(dòng)矢量預(yù)測(cè)列表構(gòu)建
    2.3 實(shí)驗(yàn)結(jié)果及討論
        2.3.1 基于知識(shí)庫(kù)的長(zhǎng)期參考技術(shù)
        2.3.2 基于虛擬運(yùn)動(dòng)矢量的運(yùn)動(dòng)矢量預(yù)測(cè)
    2.4 本章小結(jié)
3 自適應(yīng)雙向線性加權(quán)預(yù)測(cè)的研究
    3.1 雙向加權(quán)預(yù)測(cè)概述
    3.2 自適應(yīng)雙向加權(quán)預(yù)測(cè)的分析
        3.2.1 最佳權(quán)重分布
        3.2.2 均勻加權(quán)預(yù)測(cè)準(zhǔn)確度分析
    3.3 基于模板相似度的雙向加權(quán)預(yù)測(cè)
        3.3.1 模板相似度度量
        3.3.2 基于相似度的權(quán)重因子導(dǎo)出
    3.4 與先進(jìn)幀間預(yù)測(cè)技術(shù)耦合
        3.4.1 與LIC技術(shù)耦合
        3.4.2 與DMVR技術(shù)耦合
        3.4.3 與BDOF技術(shù)耦合
    3.5 實(shí)驗(yàn)分析
        3.5.1 模板相似度SAD和SATD對(duì)編碼性能的影響
        3.5.2 亞像素插值對(duì)編碼性能的影響
        3.5.3 空間相鄰像素步長(zhǎng)對(duì)編碼性能的影響
        3.5.4 自適應(yīng)雙向加權(quán)預(yù)測(cè)的編碼性能
    3.6 本章小結(jié)
4 利用空間信息的基于卷積神經(jīng)網(wǎng)絡(luò)的雙向預(yù)測(cè)
    4.1 研究背景
        4.1.1 幀內(nèi)幀間聯(lián)合預(yù)測(cè)
        4.1.2 基于神經(jīng)網(wǎng)絡(luò)的幀間預(yù)測(cè)技術(shù)
    4.2 利用空間相鄰像素的雙向預(yù)測(cè)
        4.2.1 網(wǎng)絡(luò)結(jié)構(gòu)
        4.2.2 HEVC中SICNN的使用
    4.3 實(shí)驗(yàn)分析
        4.3.1 空間相鄰像素步長(zhǎng)的影響
        4.3.2 不同塊大小下編碼性能
        4.3.3 兩種幀間模式的有效性分析
        4.3.4 與現(xiàn)有工作進(jìn)行對(duì)比
        4.3.5 分析與討論
    4.4 本章小結(jié)
5 利用時(shí)空信息的基于卷積神經(jīng)網(wǎng)絡(luò)的雙假設(shè)預(yù)測(cè)
    5.1 問(wèn)題分析
    5.2 利用空間相鄰像素及時(shí)域距離的雙假設(shè)預(yù)測(cè)
        5.2.1 輸入信息重要性
        5.2.2 網(wǎng)絡(luò)結(jié)構(gòu)
        5.2.3 集成到編解碼過(guò)程
    5.3 實(shí)驗(yàn)分析
        5.3.1 不同幀間模式下STCNN的使用
        5.3.2 時(shí)空信息有效性分析
        5.3.3 與現(xiàn)有技術(shù)對(duì)比
        5.3.4 與先進(jìn)幀間預(yù)測(cè)技術(shù)耦合
        5.3.5 編解碼性能
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 對(duì)本文的總結(jié)
    6.2 對(duì)本文的展望
參考文獻(xiàn)
攻讀博士學(xué)位期間主要的學(xué)術(shù)成果



本文編號(hào)：3176996