.png){kind=icon}
.png){kind=icon}
返回
Efficient optimization of partitioning algorithm in enhanced compression model beyond versatile video coding using convolutional neural networks
.png){kind=icon}
PRE
AI
DOI：10.1117/1.jei.35.3.033017.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
增强压缩模型（ECM），作为超越通用视频编码（VVC）标准的改进，进一步提高了编码效率，但增加了编码复杂度。与VVC的四叉树嵌套多类型树分割类似，ECM采用了灵活自适应的分割结构以增强压缩性能，但因其计算密集型的率失真成本评估而导致编码时间增加。为应对此挑战，我们提出了一种高效的帧内分割算法，利用深度学习（DL）技术通过卷积神经网络（CNN）实现。具体而言，该方法采用两个CNN模型预测32×32编码单元的水平及垂直二叉树分割，并将其整合为ECM的统一快速分割决策过程。实验结果表明，与ECM-10.0参考软件相比，所提出的基于CNN的方法可节省高达45.20%的编码时间，同时对压缩性能影响极小。
Keyword:
video compression
enhanced compression model
quad-tree with nested multitype tree
convolution neural network
computational complexity