⃝可在www.sciencedirect.com上在线获取ScienceDirectICTExpress 8（2022）388www.elsevier.com/locate/icte具有用于带宽受限应用的自适应去块滤波器的HEVC的可缩放扩展L. Balajia，野牡丹A. Dhanalakshmib，C. 拉贾ca印度钦奈Vel Tech Rangarajan Dr Sagunthala研发科学技术研究所欧洲经委会系b印度钦奈动物工程学院CCE系c欧洲经委会系，Vignan Lara技术和科学研究所，Vignan接收日期：2021年7月2日;接收日期：2021年9月6日;接受日期：2021年9月10日2021年9月20日网上发售摘要265/SHVC（Scalable High Efficiency Video Coding）是高效视频编码（High Efficiency Video Coding，HEVC）的扩展。要在任何网络上传输高质量的视频，通常占用大量带宽，受到带宽限制。它可以通过在质量和编码效率之间进行权衡来控制。本文考虑了这两个参数之间的权衡，以保持在最小水平的差异。提出了一种新的基于神经网络的自适应去块效应滤波器（NNADF）技术，用于在SHVC编码器中以最小比特率保持良好的峰值信噪比。自适应去块滤波器（ADF）对视频中的所有帧进行非线性预测的块匹配。此外，ADF执行帧去噪，因此具有良好的获得视频并训练神经网络（NN）模型。神经网络模型通过抑制它们的输出来降低比特率，从而提高编码效率。仿真结果表明，与已有算法相比，该算法在综合质量比和空间比上，BD-PSNR平均提高了0.62 dB，BD-BR平均降低了24%。第2021章作者（二）由爱思唯尔公司出版代表韩国通信和信息科学研究所这是一个开放在CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）下访问文章关键词：H.265;可伸缩HEVC;去块滤波器; BD-PSNR; BD-BR1. 介绍ISO/IEC MPEG和ITU-T VCEG在2013年推出了最新的视频编码标准H.265/HEVC（高效视频编码）[1]。HEVC通过45.54%的比特率的高压缩优于先前的视频编码标准H.264/高级视频编码（AVC）[2] HEVC通过复杂的帧内模式和可行的帧间预测模式来实现这种高压缩。具有用于压缩的这种数量的模式和弹性使得HEVC在计算方面比AVC更复杂。在可扩展性方面对HEVC的扩展已经引起了业界对建立新标准的更多兴趣。在2014年底，ITU和MPEG引入了HEVC的可伸缩扩展，称为SHVC（可伸缩高效视频编码）[3]。SHVC利用先进的压缩特性，∗ 通讯作者。电子邮件地址： maildhanabal@gmail.com（L. Balaji）。同行评审由韩国通信和信息科学研究所（KICS）负责https://doi.org/10.1016/j.icte.2021.09.002在一些实施例中，层间模式预测可用于HEVC，并且另外采用层间模式预测。已经观察到HEVC中的复杂性，进一步为其可伸缩扩展SHVC添加可伸缩特征，与其先前版本H. 264/SVC（可伸缩视频编码）相比，计算复杂性甚至更高。这种计算复杂度的降低是SHVC编码器实现中的主要挑战性问题之一。这种计算复杂度增加的一个主要因素是使用率失真成本（RDC）从一组可用模式中搜索最佳模式（模式搜索）。在模式搜索的基础上，高运算量部分包括对编码树单元（CTU）的拆分。尽管如此，已经为H.264/SVC提出了几种算法来最小化计算复杂度，但没有任何算法适合于SHVC，因为它采用更灵活的帧间预测模式和复杂的帧内模式。HEVC的所有帧被分割成正方形形状的不可变大小的块。基本块是码树块（CTB）。对于每个亮度CTB，存在色度样本的2个相关CTB。完整收集2405-9595/2021作者。由爱思唯尔公司出版代表韩国通信和信息科学研究所这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。L. Balaji，A.Dhanalakshmi和C.RajaICT Express 8（2022）388389× × ××亮度CTB、其相关的两个色度CTB以及它们在块之间的相关规则被称为CTU。与H.264/AVC相比，HEVC采用基于四叉树的方法的编码结构，其可以提供可变的块大小。为了获得编码效率，每个CTU需要被分成称为编码单元（CU）的小方块。类似于CTU，每个CU保存亮度块以及两个色度块以及变换所需的相关划线。为了获得更好的压缩效率，每个CU将被分成四个小CU。将CTU分裂成CU的方法扩展到K次迭代。K次迭代表示CTU结构中的最大CU深度。随后，CU被进一步分成更小的预测单元（PU）[4]和变换单元（TU）。在考虑了上述事实之后，我们努力改善SHVC的性能。它是通过使用一个自适应去块滤波器块匹配和帧间去噪，提高PSNR。神经网络模型用于抑制输出以最小化比特率，从而实现编码效率。本文的其他部分的结构如下，第2节介绍了基于SHVC性能开发的相关工作，第3节介绍了提出的NNADF技术，第4节讨论了仿真结果，第5节总结了本文。2. 相关工作最近，与SHVC相关联的许多工作集中于通过执行快速模式决策、速率控制算法等来最小化计算复杂度。已经讨论了用于HEVC的若干计算复杂度最小化技术[5到最近的一些其他工作有关最大限度地减少计算复杂性SHVC也讨论了[12讨论了通过执行提前终止[13]找到最佳模式的搜索算法，以及通过自适应搜索范围执行质量可伸缩性[12该算法利用RDC 以预测待译码的增强层（EL）块的RDC。基于自适应搜索范围的算法采用BL运动信息来自适应地改变EL搜索范围。在[14]中讨论了用于质量可伸缩性的基于贝叶斯分类器的快速模式技术，其利用相邻块模式及其相关联的BL块来预测当前EL块的最佳模式。然而，在[15]中讨论了用于空间可伸缩性的自适应算法，其利用相关联的BL块运动信息。在开始时，较少的作品[12使用HEVC参考编码器验证的SHVC。目前，目的是开发一种复杂度降低的算法，其特别适合于空间和质量可伸缩性的HEVC可伸缩扩展[19]。因此，所提出的方法将通过跳过用于CTU分裂的CU的所有大小的模式搜索来降低编码器的复杂度。在可调整编码器中授权差分编码;从而允许实际实现来恢复单个在[20]中讨论了层信息。开发的方法 预测SHVC的CTU结构集中在[21]中用于质量和空间可伸缩性。该方法使使用编码树单元的结构，如BL和EL中的编码树单元，以预见将被编码的编码树单元块的EL的编码树单元大小。在[22]中，讨论了基于卷积NN的可伸缩HEVC，以在计算复杂度降低的情况下去除块效应。所讨论的方法可能将编码和广播相同视频数据的各种不同质量的适配，这吸引了业界利用其独特的特征来为用户提供数字媒体传输中的各种小工具。关于这一点，关于SHVC讨论的解释关于最小化编码器复杂度以节省编码器时间但不满足在不同无线网络的变化带宽约束上的编码效率的行业要求的每种方法仍然是要考虑的挑战此外，广播数字视频数据需要在编码器的输出处进行精确的比特率控制，以便与对传输带宽和服务质量（QoS）的变化的约束同步。对各种自适应比特流的采集和编码做了一些保证，但仍然没有考虑编码实现中层间比特率百分比的重要性。在[23]中讨论了几个UHD序列的层间比特率百分比。在我们的范围内，只有少数有效的算法提出SHVC，提高PSNR和实现编码效率。考虑到这一点，提出了一种基于机器学习的改进算法，以提高SHVC编码器的PSNR和比特率性能。在第3节中描述了所提出的以最小比特率实现良好PSNR的NNADF技术，其小节描述了ADF和NN模型的影响3. 拟议框架所提出的使用NNADF的SHVC编码器如图1所示。高质量的YUV视频序列作为输入，其工作到可变CU块大小的深度级别，范围从64 64， 32三十二，十六16比88.这些可变块构成视频序列中的帧的像素值每个块包括与它们相关联的亮度和2个色度样本。NNADF技术应用于CU的每个块以实现具有良好PSNR的编码效率。ADF执行帧去噪以增强视频的性能，并训练NN模型以抑制输出以实现编码效率。以下部分详细描述NN模型和ADF3.1. NN模型神经网络是一种预测技术，它基于大脑中神经元的统计模型统计模型允许预测值和期望值之间的复杂非线性关联。为了对线性系统进行建模，使用了具有外源输入的非线性自回归（NARX）模型。L. Balaji，A.Dhanalakshmi和C.RajaICT Express 8（2022）3883901·∈=++∈∈（）=+ˆ··∈图1.一、可 伸缩HEVC编码器与自适应去块滤波器合并。使用的模型将多变量非线性系统的当前状态和先前状态联系起来，（i（k-d-1），. . . ，i（k-d-mi），. . . ，）将z（k）的每个条目转换为隐藏层输出，h j（k）=f[z j（k）]=;j = 1，2，. . . ，q（4）b（ k）=vb（k − 1），. . . ，b（k-m b）+e（k）（一）1+e−Zj（k）Z（ k）=Wh a（ k）（5）其中W h ∈ Rs×（m+1）是连接在那里我R m和bR p表示采样的输入和输出向量，m i和m b表示输入和输出阶数，d表示输入传输中的延迟，e表示噪声测量，v（）表示非线性向量值函数。多层感知器（MLP）是一组前馈隐藏层和输入层，x（k）其中m第一次世界大战PMB1是网络输入向量。a（k）和h（k）的定义通过下面的函数，最后一个条目将偏移引入隐藏层。[i（k-d-1）T，. . . ，i（k-d-mi）T，. . . ，]T人工神经网络，它包括三层节点，如图。二、除了输入节点，其他两个节点是采用非线性激活函数的MLPa（ k）=b（ k−1）T[1个，。. . ，b（k-mb）T，11]T（六）采用被称为反向传播的监督学习方法来训练输出。输出为MLP网络模型h（ k）=1+e-Z1（K），. . . ，1 + e−Z q（K），1（七）的NN模型，b/（k）vi（k-d-1），. . . ，i（k-d-mi），. . . 、e（k）b（k − 1），. . . ，b（k-m b）（二）其中bRp表示NN模型的预测输出并且v（）表示v（）的预测非线性函数。MLP网络的一个隐藏层神经元实现给出为，b（k）=Wbh（k）（ 3）其中W b ∈ Rp×（s+1）表示加权矩阵，L. Balaji，A.Dhanalakshmi和C.RajaICT Express 8（2022）388391∈3.2. 训练自适应去块滤波器用于NN训练的ADF技术通过将每个连接权重组织为状态向量来实现。 使用[4，24]中获得的变换计算状态向量，并在非线性系统上系统地传输。由于这种变换，这里省略了对雅可比矩阵求值的需要。基本的ADF技术分为四个阶段，如下所述1. 初始化阶段wo=E[wo]连接输出和隐藏层，h（ k）Rs+1表示隐藏层输出向量，其中，QO=E[（wo — wo）（wo— w（0）T]（8）L. Balaji，A.Dhanalakshmi和C.RajaICT Express 8（2022）388392∑K=∑[]χ j k |k −1，a k真实模型和先验识别的数值模型f（ ak），f（ak）. NN权重可以是图二、自 适应去块效应滤波器NN模型。2. Sigma点计算阶段Kχo，k−1=w<$ k−1<$o=（C+k）2CDk=jj=0[χj，k|k−1— wk][b j，k |k−1— [b]Tχ j，k−1=w<$ k−1+（<$（（C+k）Qk−1））0的情况。5jj=（C+ k）w k=wk+DkUk−1（dk−bk−1）（）Qk=Q−1−wkDkκT（十二）χ j+C，k−1=w<$ k−1− （（C+k）Qk−1）0的情况。5jj+C=（C+ k）（九）K K3.3. ADF算法其中j 1，2，.. .，C，并且C表示状态维度。协方差矩阵由参数k控制。3. 时间更新阶段χ j，k |k −1= χ j，k −1∑文[25]中讨论的算法在ADF的实现下得到了推广，应用新技术克服了非线性滤波问题。与状态演化和观测相关的方程如下所示ak+1=f（ ak）+mkw=j=02Cj ×j，k|k−1bk=h（ ak）+uk（13）Q=∑ j[χ jk|k−1−w=][χ jk|k−1−w]T（10）其中，mk和uk表示过程噪声和观测噪声，k，k，kj0（）下一页响应。 我们代表ek是一个ˆ2Cbk=j bj，k|k−1（11）j=02Cb j k |k −1= v、、L. Balaji，A.Dhanalakshmi和C.RajaICT Express 8（2022）388393∑- −→K具体来说，e（k）= f（k）−4. 测量更新阶段2C只有在达到可观察条件时才在观察期间进行调整。当e（k）v（a k（wk）0，近似值误差到达，更精确的模型原来是f（ak）和NN的近似，因此ak+1=f（ ak）+v（ak，wk）Uk=jj=0[bj，k]|k−1—[b]j，k |k−1— [b]T+Rwk+1 =wk（十四）KL. Balaji，A.Dhanalakshmi和C.RajaICT Express 8（2022）388394K[（=χ）（χK（）下一页×O和× ××OOOOOO表1序列参数。B和服240 24 fps 8 1920× 1080B Parkscene 240 24 fps 8 1920× 1080B Duckleoff 290 24 fps 8 1920×1080使用Eq. （15）和噪音观测bk=h（ak）+uk.因此，我们认为，ax=E[ax]，Qx=E[（ax−a<$ x）（ax−a<$ x）T]（16）我们得到2个Cx+ 1<$b2− 4ac矢量χxj， k−1a j，k+1Twj、k+1（十七）其中j=0，1，. . .，2Cx，Cx是x维，与Kχo，k−1=w<$ k−1<$o=（C+k）χ j，k−1=w<$ k−1+（<$（（C+k）Qk−1））j0的情况。5j=（C+ k）χ j+C，k−1=w<$ k−1−（<$（（C+k）Qk−1））j0的情况。5i+C=（C+ k） （十八）并且在时间k-1处，基于NN的ADF的滤波技术将以相同的方式递归地处理，但是当 前 |k−1（=χ j，k−1and d）b j，k|k−1=v× j，k|k−1，（akare）s wapped，χWj，k−1bj，k|k−1=h，corre-图3.第三章。基 于 神经网络的自适应去块滤波器的流程图。如果我们将增强状态向量表示为ax=[aTwT]T，顺其自然地下面描述所提出的NNADF算法中的以下步骤1. 正在从视频序列中提取所有帧。2. 每个提取的帧经历特征提取，该特征提取被分成8个块八、十六十六，三十二32和643. 应用基于ADF的NN训练，以避免空间冗余，并使用等式对帧中的每个提取特征进行去噪。（13）至（18）。4. 在采样时间k获得过去的过程输出bk和过去的控制变量u，以通过使用等式a k形成NN模型输入向量ak。（四）、5. 获取当前过程测量输出bk其被用作训练目标。6. 使用等式更新误差协方差矩阵Qk。（10）（11）.则方程可以重写为KKK7. 输出比特率通过训练它们的输入比特率来控制，因为输入处的连接权重是通过χaj，k−1axj，k |k−1类视频序列帧计数帧速率位深度最高分辨率一交通15030 fps82560× 1600L. Balaji，A.Dhanalakshmi和C.RajaICT Express 8（2022）388395ax=[ak+1]=[f（ak）+v（ak，wk）]=fx（ak，wk）（15）调整，从而实现编码效率。K+1wk+1wk8. 重复步骤2，直到框架的所有特征编码.由于观测值仅与状态x相关联，bk=h（ak）+ukequation保持不变。目前，9. 转到步骤1，直到视频序列的所有帧都被编码。L. Balaji，A.Dhanalakshmi和C.RajaICT Express 8（2022）388表2396××RA（Q）配置的BD-PSNR、BD-BR和时间比较。公园景观0.96 −0.06 −25 0.89 −0.03 50 0.84 −0.04 45Duckle-off 0.91 0.04 −28 0.77 0.02 61 0.76 0.03 53流量1.01 −0.2 −18 0.81 −0.2 57 0.79 −0.3 49平均值0.99 −0.01 −21 0.86 −0.10 55 0.82 −0.15 46表3RA（S）配置的BD-PSNR、BD-BR和时间比较公园景观0.83 −0.12 −23 0.69 −0.15 51 0.59 −0.24 45Duckle-off 0.69 0.03 −24 0.39 −0.08 65 0.31 −0.23 55流量0.87 0.07 −14 0.8 −0.05 51 0.61 −0.26 43平均值0.83 −0.01 −18 0.65 −0.09 57 0.53 −0.22 45表4LDP配置的BD-PSNR、BD-BR和时间比较公园景观0.79 −0.09 −23 0.73 −0.15 59 0.67 −0.24 46折减0.60 −0.04 −27 0.44 −0.1 57 0.33 −0.29 45流量0.81 0.09 −12 0.5 −0.14 55 0.4 −0.32 46平均值0.78 −0.01 −20 0.56 −0.12 58 0.47 −0.28 474. 实验结果可使用其参考软件SHM 12.1 [26]评估SHVC性能开发。表1给出标准测试视频序列的规范。我们使用如表1中的4个标准测试序列来实现我们提出的NNADF技术。对两层可伸缩性执行组合的质量和空间可伸缩性测试，即，一个基本层和一个增强层。空间可伸缩性针对1.5可伸缩性和2可伸缩性进行，而质量可伸缩性针对随机接入简档的SNR可伸缩性进行。BD-PSNR（dB）和BD-BR（%）[27]是根据标准和最新方法的PSNR和比特率之间的差异测量的（见图10）。 3）。在这里，我们对标准SHM测试条件的随机接入SNR（RA（Q））、随机接入可扩展（RA（S））、低延迟P（LDP）和低延迟B（LDB）曲线进行模拟测试。在质量可 伸缩 性 下 ，用 于 编 码基 本 层 和增 强 层的 量 化 参数（QP）的集合是（24，20）、（28，24）、（32，28）和（36，32），而对于空间可伸缩性分别为（20，20），（24，24），（28，28）和（32，32）。模拟结果与标准SHM 12.1和最近提出的自适应边缘引导块匹配滤波器[12]和基于CNN的去块滤波器[22]进行了比较，用于可伸缩HEVC性能开发。表2描述了随机接入简档下的质量可伸缩性。虽然A类序列对BD-PSNR的改善不明显，但B类Kimono序列对BD-PSNR的改善效果更好，BD-BR的下降幅度最大。这是由于ADF导致了BD-PSNR的增加，而NN训练实现了编码效率。表3示出了随机接入简档下的空间可伸缩性。然而，所提出的NNADF技术在编码时消耗很少的额外时间，但在A类和B类序列的BD-PSNR和BD-BR在标准测试序列中，我们对业务和Duckeroff的BD-PSNR有表4示出了在低延迟P分布下的空间可伸缩性。然而，所提出的NNADF技术与[12]表 现 同 样 好 ， 但 与 [22] 相 比 ， 对 于 BD-BR 降 低 的Parkscene序列，产生了良好的BD-PSNR。对于数据库序列，duck-off算法对BD-PSNR有较好的改善。表5示出了在低延迟B分布下的空间可伸缩性。该方案在BD-PSNR和比特率方面优于现有方法[12]和[22]，适用于任何类型的A类和B类视频序列。表6示出了所有四个简档的组合质量和空间可伸缩性，其中使用先前提出的方法，BD-PSNR平均增加0.62 dB，BD-BR平均减少24%。视频序列自适应滤波器[2][22]第二十二话提出BD-PSNR（dB）BD-BR（%）TS（%） BD-PSNR（dB）BD-BR（%）TS（%） BD-PSNR（dB）BD-BR（%）TS（%）和服1.09 0.17−140.98-0.2510.90 −0.335视频序列自适应滤波器[2][22]第二十二话提出BD-PSNR（dB） BD-BR（%）TS（%）BD-PSNR（dB）BD-BR（%）TS（%）BD-PSNR（dB）BD-BR（%）TS（%）和服0.92-0.02-120.71-0.06 620.61−0.1436视频序列自适应滤波器[2][22]第二十二话提出BD-PSNR（dB） BD-BR（%）TS（%）BD-PSNR（dB）BD-BR（%）TS（%）BD-PSNR（dB）BD-BR（%）TS（%）和服0.93-0.01-180.62-0.07 610.49负0.2949L. Balaji，A.Dhanalakshmi和C.RajaICT Express 8（2022）388397表5LDB配置的BD-PSNR、BD-BR和时间比较公园景观0.77 −0.07 −28 0.74 −0.08 41 0.61 −0.29 30Duckle-off 0.69 0.03 −27 0.45 −0.11 53 0.45 −0.32 41流量0.89 0.11 −14 0.71 −0.05 52 0.89 −0.26 41平均值0.82 0.01 −22 0.63 −0.07 52 0.64 −0.30 39表6SHM测试条件的质量和空间可扩展性公园景观0.83 −0.01 −18.25 0.65 −0.09 57.25 0.53 −0.22 44.75折减0.78 −0.01 −20.00 0.56 −0.12 58.00 0.47 −0.28 46.50流量0.82 0.01 −22.00 0.63 −0.07 52.00 0.64 −0.30 38.50平均值0.86−0.01−20.38 0.67−0.09 55.50 0.62−0.24 43.81从结果中可以观察到，NNADF算法在节省时间（TS）和BD-BR方面优于自适应滤波器[12]。另一方面，它获得了比CNN-DF更好的BD-BR [22]。因此，NNADF算法更适合于消耗较少信息量的应用程序。NNADF还提供了可接受的BD-PSNR和良好的TS。因此，结果证明，所提出的NNADF算法可以用于带宽有限的实时应用。5. 结论因此，所提出的用于SHVC性能开发的新颖NNADF技术实现了良好的PSNR和比特率压缩。自适应去块滤波器对视频中的所有帧进行非线性预测的块匹配，并且帧去噪产生高质量的视频。ADF还训练了降低比特率的NN模型，从而实现了编码效率。与标准SHM参考软件和先前提出的算法在PSNR增强和比特率压缩方面的性能进行了比较。实验结果表明，与传统算法相比，NNADF算法的BD-PSNR提高了0.62 dB，BD-BR降低了24%。CRediT作者贡献声明L. Balaji：研究的概念和设计，数据采集，数据分析和/ 或 解 释 ， 写 作 - 原 始 草 案 ， 写 作 - 审 查 编 辑 & 。 A.Dhanalakshmi：研究的概念和设计，数据采集，数据分析和/或解释，写作-原始草稿，写作– review C. Raja：数据采集，写作-原始草稿。竞合利益作者声明，他们没有已知的可能影响本文所报告工作确认所有的作者都同意出版这个版本的手稿。引用[1] Chan-Seob Park ， Kim Byung-Gyu ， Performance analysis ofinterlayerprediction in scalable extension of HEVC （ SHVC ） foradaptive mediaservice，Displays 44（2016）27-36.[2] M.T.普拉扎德角Doutre，M. Azimi，P. Nasiopoulos，Hevc：Thenewgold standard for video compression，IEEE Consum.电子磁1（3）（2012）36[3] 高效率视频编码（HEVC）的可缩放扩展的测试模型，ISO/IEC和JTC 1/SC 29/WG 11，2013。[4] J. Julier，K. Uhlmann，F.李文，一种新的非线性系统滤波方法，载于：美国控制会议论文集，西雅图，华盛顿州，1995年6月，页。1628-1632年。[5] H. Zhang ， Z. Ma ， Fast intra mode decision for high efficiencyvideocoding（HEVC），IEEE Trans. Circuits Syst. Video Technol.24（4）（2014）660-668。[6] Z. Pan，S.邝明德Sun，J.Lei，Early MERGE mode decisionbased onmotion estimation and hierarchical depth correlation forHEVC，IEEETrans. 广播. 60（2）（2014）405[7] J. Xiong ， H. 李 角 Wu ， F. Meng ， A fast HEVC inter CUselectionmethod based on pyramid motion divergence ， IEEE Trans.Multimedia16（2）（2014）559-564.[8] L. 沈 ， Z. Zhang ， Z. Liu ， Adaptive inter-mode decision forHEVCjointly utilizing inter-level and spatiotemporal correlation ，IEEETrans. 电路系统视频技术24（10）（2014）1709[9] J. Tariq ， Guided filter based intra mode accelerator for HEVC ，MultimediaTools Appl. 79（2020）20299[10] J. Tariq ， Intra mode selection using classical secretary problem（ CSP ） in high efficiency video coding （ HEVC ） ， Multimedia视频序列自适应滤波器[2][22]第二十二话提出BD-PSNR（dB） BD-BR（%）TS（%）BD-PSNR（dB）BD-BR（%）TS（%）BD-PSNR（dB）BD-BR（%）TS（%）和服0.94-0.03-190.63-0.03 620.62-0.3142视频序列自适应滤波器[2][22]第二十二话提出BD-PSNR（dB）BD-BR（%）TS（%）BD-PSNR（dB）BD-BR（%）TS（%）BD-PSNR（dB）BD-BR（%）TS（%）和服0.99-0.01-21.250.86-0.10 54. 750.82−0.1545.50L. Balaji，A.Dhanalakshmi和C.RajaICT Express 8（2022）388398Tools Appl. 78（2019）31533-31555.L. Balaji，A.Dhanalakshmi和C.RajaICT Express 8（2022）388399[11] J. Tariq，S. Kwong，Adaptive stopping strategies for fast intramodedecision in HEVC，J. Vis. Commun.图像代表。51（2018）1-13。[12] L. Balaji，K.K. Thyagharajan，基于组合AEGBM 3D滤波器和反向传播神经网络的h.265/SHVC增强性能，信号图像视频处理。12（2018）809-817。[13] H.R. Tohidypour，M.T. Pourazad，P. Nasiopoulos，Content adaptivecomplex reduction scheme for quality/fidelity scalable HEVC ，in ：Proc. ICASSP，2013，pp. 1744-1748年。[14] ContentAdaptiveComplexityReductionSchemeforQuality/FidelityScalableHEVC ， ISO/IEC JTC 1/SC 29/WG 11 ，2013，p. L0042。[15] H.R. Tohidypour，M.T. Pourazad，H. Bashashati，P.Nasiopoulos，Fast mode assignment for quality scalable extension of the highefficiency video coding（HEVC）standard：A Bayesian approach，in：Proc.BCI，Sep.2013，pp. 61比65[16] H.R. Tohidypour，M.T. Pourazad，P.Nasiopoulos，用于空间可缩放HEVC的自适应搜索范围方法，在：Proc.IEEE Int.Conf.Consum. 电子学。一月2014，pp.191-192.[17] X.左湖，加-地Yu，Fast mode decision method for all intra spatialscalability in SHVC，in：Proc.VCIP，12月2014，pp.394-397.[18] R. Bailleul ， J. De Cock ， R. Van de Walle ， 快 速 模 式 决 策 ，SHVC技术论文摘要中的SNR可扩展性，收录于：Proc. IEEEInt.Conf. 消费电子学。一月2014，pp.193-194.[19] G. J. Sullivan，J. Ohm，J. H. Woo-Jin，T. Wiegand，概述高效率视频译码（HEVC）标准、IEEE Trans.CircuitsSyst. 视频技术22（12）（2012）1649[20] A. Aminlou ， J. Lainema ， K. Ugur ， M.M. Hannuksela ， M.Gabbouj ， Differential coding using enhanced inter-layer referencepicture for thescalable extension of H.265/HEVC video codec，IEEETrans. CircuitsSyst. 视频技术24（11）（2014）1945[21] H.R. Tohidypour，M.T. Pourazad ，P. Nasiopoulos ，Probabilityap-proachfor predicting the size of coding units in the quadtree structureofthe quality and spatial scalable HEVC ， IEEE Trans. Multimed. 18（2）（2016）182-195。[22] A. Dhanalakshmi，G. Nagarajan，卷积神经网络去块滤波器用于H.265中的SHVC，信号图像视频处理。14（2016）1635-1645。[23] T. 比亚特克湾Hamidouche，J.F. Travers，O. Deforges，OptimalBitrate Allocation in the Scalable HEVC Extension for the Deploymentof UHD Services，IEEE Trans.广播，62（4），0000，82。[24] R.N.洛比亚Stubberud，M.W.王文，基于神经网络的自适应卡尔曼滤波器，北京大学学报，2001。1（2016）207-2216-841。[25] J. Julier，K. Uhlmann，滤波器和估计器中均值和协方差的非线性变换的一种新方法，IEEE Trans. 自动化Control 45（3）（2000）477[26] 常见SHM测试条件和软件参考配置，文档。JCTVC-Q1009，ITU-TSG 16 WP 3 and ISO/IEC JTC1/SC 29/WG 11，2014，SHM 12.1software package [Online]. Available ： https ： //hevc. 海 喜 岛fraunhoferr. de/svn/svnSHVCSoftware/tags/SHM-7. 0的情况。[27] G. Bjontegaard，rd曲线之间平均pcr差异的计算，在：ITU-T Q.6/SG 16 VCEG，第15次会议，美国得克萨斯州奥斯汀，2001年4月。
我的内容管理
展开
