Konturbasierte multidirektionale Intra-Prädiktion für die Videocodierung

Produktbeschreibung

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 . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Ungelöste Probleme . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Ziele der Arbeit . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5 Aufbau der Arbeit . . . . . . . . . . . . . . . . . . . . . . . 9
2 Grundlagen 10
2.1 Videocodierung . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2 Maschinelles Lernen . . . . . . . . . . . . . . . . . . . . . . 27
2.3 Konturdetektion . . . . . . . . . . . . . . . . . . . . . . . . 49
3 verfahren zur modellierung von konturen 53
3.1 Konturdetektion . . . . . . . . . . . . . . . . . . . . . . . . 53
3.2 Konturglättung . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.3 Modellierung der Kontur . . . . . . . . . . . . . . . . . . . 57
3.4 A-Priori-Gauß-Prozess . . . . . . . . . . . . . . . . . . . . . 58
3.5 Posterior-Gauß-Prozess . . . . . . . . . . . . . . . . . . . . 59
3.6 Konturextrapolation . . . . . . . . . . . . . . . . . . . . . . 63
3.7 Einbettung in das Gesamtsystem . . . . . . . . . . . . . . . 65
4 Verfahren zur abtastwertprädiktion mittels maschinellen
lernens 67
4.1 Einordnung in das Gesamtsystem . . . . . . . . . . . . . . 67
4.2 Datenbasis . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.3 Architekturen . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.4 Training . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
5 Experimentelle untersuchung und bewertung 84
5.1 Integration in einen Bildcodec . . . . . . . . . . . . . . . . 85
5.1.1 Mehrwert des vorgeschlagenen Konturmodells . . 89
5.1.2 Mehrwert der vorgeschlagenen Abtastwertprädiktion 93
5.1.3 Einordnung von Effizienz und Komplexität . . . . 96
5.2 Integration in einen Videocodec . . . . . . . . . . . . . . . 101
5.2.1 Polynomielles Konturmodell und Abtastwertprädiktion
mit neuronalen Netzwerken . . . . . . . . . 109
5.2.2 Stochastisches Konturmodell und Abtastwertprädiktion
mit neuronalen Netzwerken . . . . . . . . . 112
6 Zusammenfassung 119
Literatur 123

Keywords: Videocodierung, HEVC, Intra-Prädiktion, maschinelles Lernen, Gauß-Prozesse, Deep Learning, neuronale Netzwerke, stochastische Prozesse, video coding, HEVC, intra-prediction, machine learning, Gauß-processes, deep learning, neural netzwork, stochastic processes