Konturbasierte multidirektionale Intra-Prädiktion für die Videocodierung
Zusammenfassung
In dieser Arbeit werden zwei Verfahren zur Verbesserung der Intra-Prädiktion für die Videocodierung vorgeschlagen. Der erste Beitrag in dieser Arbeit besteht aus einem stochastischen Konturmodell zur Modellierung und Extrapolation von Konturen, die im Referenzbereich
detektiert werden. Für die Modellierung wird ein Gauß-Prozess verwendet. Für die Konturextrapolation wird eine multivariate Gauß-Verteilung formuliert. Der zweite Beitrag in dieser Arbeit ist ein auf neuronalen Netzwerken basierendes Verfahren zur Abtastwertprädiktion.
Mit den neuronalen Netzwerken werden die benachbarten Referenzabtastwerte sowie das Ergebnis der Konturmodellierung und -extrapolation als Eingabedaten verarbeitet, um eine Prädiktion der Abtastwerte des zu codierenden Blocks zu erzeugen. Die Codierungseffizienz des Videocodecs HEVC wird um bis zu 5% gesteigert.
INHALTSVERZEICHNIS
1 Einleitung 1
1.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Stand der Forschung . . . . ....
Schlagworte
Machine Learning Maschinelles Lernen Deep Learning video coding Videocodierung HEVC Intra-Prädiktion Gauß-Prozesse neuronale Netzwerke stochastische Prozesse intra-prediction Gauß-processes neural netzwork stochastic processes- Kapitel Ausklappen | EinklappenSeiten
- 1–9 1 Einleitung 1–9
- 10–52 2 Grundlagen 10–52
- 119–122 6 Zusammenfassung 119–122
- 123–146 Literatur 123–146
