本文來自DCC2020論文《Sub-sampled Cross-Component Prediction For Chroma Component Coding》
跨分支預測可以去除不同顏色分量間的冗余，最初在HEVC中就提出過CCLM來實作跨分支預測，
CCLM
CCLM（Cross-component linear prediction mode）使用一個線性模型來通過亮度來預測色度，該線性模型使用最小二乘法（ least square regression，LSR）利用鄰域參考像素生成，
對于2Nx2N的亮度CB，其對應色度CB為NxN（4：2：0格式），若對色度CB使用CCLM則對應預測值通過下式獲得，
Predc是色度預測值，RecL是對應亮度塊重建值的降采樣結果，alpha和beta是模型引數，利用鄰域亮度和色度重建值通過LSR方法計算得到，
M是鄰域像素數，RecC和RecL分別是色度塊參考像素和亮度塊降采樣的參考像素，如Fig.1(a)所示，注意，為了降低復雜度除法操作通過乘法實作，上面計算共需要2M+4次乘法，7M+3次加法，除法2次，
通常來說乘法操作所需的時鐘周期數高于加法操作和比較操作，為了減少乘法操作次數，VTM4.0使用max-min method替代LSR來求alpha和beta，它通過亮度最大和最小的兩個點直接生成一條直線，如Fig.1(b)所示，alpha和beta通過下式求得，
xA和xB分別代表降采樣亮度塊最小和最大的亮度值，yA和yB是它們對應的色度值，在該方法中乘法操作變成搜索最大值和最小值的操作（比較操作），
子像素跨分支預測和實作
子像素跨分支預測
在生成CCLM引數程序中包含了大量比較操作，這對應硬體和軟體設計很不友好，尤其對于解碼端不友好，因此，本文提出子像素方法生成模型引數，只需要利用四個鄰域色度像素和對應的降采樣亮度像素，如Fig.2(a)所示，
在該方法中，亮度塊僅需對指定位置進行降采樣操作，極大提高了記憶體訪問效率，同時，比較次數也降為4次，獲取兩個較小的亮度值：xA0和xA1，獲取兩個較大的亮度值：xB0和xB1，對應的色度值分別是yA0,yA1,yB0,yB1，通過下式求得xA,xB,yA,yB，
然后通過max-min method可求得alpha和beta，此外，當上方或左側參考像素不存在時，默認alpha=0,beta=1<<(bitDepth-1)，
VVC中實作細節
除了CCLM，VVC中還使用LM-Above和LM-Left模型來更好的進行分支預測，LM-Above僅使用上方像素，LM-Left僅使用左側像素生成模型引數，CCLM既要使用上方也要使用左側像素，
為了簡化操作，本文提出的子像素模型適配所有LM模型，4個子像素由塊尺寸、LM模式和鄰域像素決定，假設當前色度CB尺寸為WxH，則根據下式求W'，H'，
上方鄰域像素范圍可表示為S[0,-1]到S[W'-1,-1]，左側鄰域像素范圍可表示為S[-1,0]到S[-1,H'-1]，根據下面方法選擇4個子像素，
-
如果使用CCLM模式，且上方和左側鄰域像素都可用，
-
如果使用LM-Above模式，或僅上方鄰域像素可用，
-
如果使用LM-Left模式，或僅左側鄰域像素可用，
-
對于32x32的色度塊，且上方和左側鄰域像素都可用時，該方法復雜度減少如下表所示，
AVS3中實作細節
AVS3幀內預測有5種色度預測模式，包括derived mode(DM), horizontal mode, vertical mode, DC mode 和bi-linear mode，基于子像素跨分支預測，本文提出Two-Step Cross-component Prediction Mode (TSCPM)，TSCPM和CCLM有些區別，線性模型可直接應用于重建的亮度像素，生成相同大小的臨時色度預測塊，隨后，進行下采樣，得到最終的色度預測塊，
首先計算色度塊的寬高比r，
根據下面方法選擇4個子像素，
-
上方和左側參考像素都可用，
-
僅上方參考像素可用，
-
僅左側參考像素可用，
4個子像素選擇如Fig.3所示，
當色度塊尺寸為2，且僅一側參考像素可用時，只選擇2個子像素，
獲得模型引數后，首先通過下式計算臨時色度預測塊（和亮度塊尺寸相同），
然后，使用6抽頭濾波器[1 2 1;1 2 1]對臨時色度預測塊進行下采樣，
但是，對于色度塊最左側的列，使用2抽頭平均濾波器，
需要在碼流中傳輸一個標志位來表示是否開啟TSCPM功能，標志位位于DM模式之后，詳細的情況如下表，
實驗結果
該方法在VTM4.0和AVS3測驗模型HPM5.0中實作，
VTM4.0結果
在VTM4.0中AI和RA配置下的結果如下，
在AI配置下YUV分量BD-Rate增益分別為0.05%,0.30%,0.38%，在RA配置下YUV分量BD-Rate增益分別為0.05%,0.36%,0.63%，增益最大的是A1序列（4k序列），
HPM5.0結果
可以看見對于所有序列尤其是4k序列，TSCPM表現良好，在AI配置下YUV分量BD-Rate增益分別為0.99%,9.18%,9，41%，在RA配置下YUV分量BD-Rate增益分別為0.50%,7.63%,7.80%，
感興趣的請關注微信公眾號Video Coding
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/248518.html
標籤：其他
上一篇：2021年 第12屆 藍橋杯 第2次模擬賽真題詳解及小結【Java版】
下一篇：qtmaind. lib(qtmain win.obj) : error LNK2019:無法決議的外部符號main，函式 WinMain 中參考了該符號