JP5013993B2 - Method and system for processing multiple multiview videos of a scene - Google Patents
Method and system for processing multiple multiview videos of a scene Download PDFInfo
- Publication number
- JP5013993B2 JP5013993B2 JP2007173941A JP2007173941A JP5013993B2 JP 5013993 B2 JP5013993 B2 JP 5013993B2 JP 2007173941 A JP2007173941 A JP 2007173941A JP 2007173941 A JP2007173941 A JP 2007173941A JP 5013993 B2 JP5013993 B2 JP 5013993B2
- Authority
- JP
- Japan
- Prior art keywords
- view
- reference picture
- video
- frame
- synthesized
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
Description
本発明は、包括的にはマルチビュービデオの符号化及び復号化に関し、特に、マルチビュービデオの合成に関する。 The present invention relates generally to multi-view video encoding and decoding, and more particularly to multi-view video synthesis.
マルチビュービデオの符号化及び復号化は、3次元テレビ(3DTV)、自由視点テレビ(FTV)、及びマルチカメラ監視等の用途に不可欠である。マルチビュービデオの符号化及び復号化は動的ライトフィールドの圧縮としても知られる。 Multiview video encoding and decoding is essential for applications such as 3D television (3DTV), free-viewpoint television (FTV), and multi-camera surveillance. Multi-view video encoding and decoding is also known as dynamic light field compression.
図1は、マルチビュービデオを符号化するための従来技術の「サイマル放送」システム100を示す。カメラ1〜4がシーン5のフレームシーケンスすなわちビデオ101〜104を取得する。各カメラはシーンの異なるビューを有する。各ビデオは、個別に符号化されて(111〜114)、対応する符号化ビデオ121〜124となる。このシステムは、従来の2Dビデオ符号化技法を用いる。したがって、このシステムは、符号化ビデオのフレームを予測する際に、複数のカメラにより異なる視点から取得される異なるビデオを相関させない。個別の符号化は、圧縮効率を低下させ、よってネットワーク帯域幅及び記憶域が増大する。
FIG. 1 shows a prior art “simultaneous broadcast”
図2は、ビュー間の相関を用いる、従来技術の視差補償予測システム200を示す。ビデオ201〜204が符号化されて(211〜214)、符号化ビデオ231〜234となる。ビデオ201及び204は、MPEG−2又はH.264(MPEG−4パート10としても知られる)等の標準的なビデオエンコーダを用いて個別に符号化される。これらの個別に符号化されたビデオは「参照」ビデオとなる。残りのビデオ202及び203は、時間予測、並びにデコーダ221及び222から得られる再構成された参照ビデオ251及び252に基づくビュー間予測を用いて符号化される。通常、この予測はブロック毎に適応的に求められる(S. C. Chan他著「簡略化された動的ライトフィールドのデータ圧縮(The data compression of simplified dynamic light fields)」(Proc. IEEE Int. Acoustics, Speech, and Signal Processing Conf., April, 2003))。
FIG. 2 shows a prior art disparity compensated
図3は、従来技術の「リフティングベースの」ウェーブレット分解を示す(W. Sweldens著「簡略化された動的ライトフィールドのデータ圧縮(The data compression of simplified dynamic light fields)」(J. Appl. Comp. Harm. Anal., vol. 3, no. 2, pp. 186-200, 1996)を参照のこと)。ウェーブレット分解は静的ライトフィールドの圧縮に効果的な技法である。入力サンプル301が奇数サンプル302及び偶数サンプル303に分割される(310)。奇数サンプルは偶数サンプルから予測される(320)。予測誤差は高域サンプル304を形成する。この高域サンプルは、偶数サンプルを更新して(330)低域サンプル305を形成するために用いられる。この分解は可逆であるため、線形操作又は非線形操作を予測ステップ及び更新ステップに組み込むことができる。
Figure 3 shows a prior art “lifting-based” wavelet decomposition (“The data compression of simplified dynamic light fields” by J. Appl. Comp. Harm. Anal., Vol. 3, no. 2, pp. 186-200, 1996)). Wavelet decomposition is an effective technique for compressing static light fields. The
リフティング方式は、動き補償時間変換、すなわち、ビデオの場合は時間的な動きの軌跡に沿って実質的にフィルタリングを行う動き補償時間フィルタリング(MCTF)を可能にする。ビデオコーディングのためのMCTFのレビューがOhm他著「フレーム間ウェーブレットコーディング−ユニバーサルスケーラビリティのための動画表現(Interframe wavelet coding - motion picture representation for universal scalability)」(Signal Processing: Image Communication, vol. 19, no. 9, pp. 877-908, October 2004)に記載されている。リフティング方式は、再構成に影響を与えることなく、ハール又は5/3ドブシー等の任意のウェーブレット核、及びブロックベースの並進又はアフィングローバル動き等の任意の動きモデルに基づいて行うことができる。 The lifting scheme allows motion compensated temporal conversion, ie motion compensated temporal filtering (MCTF), which substantially filters along the temporal motion trajectory in the case of video. Review of MCTF for video coding by Ohm et al. “Interframe wavelet coding-motion picture representation for universal scalability” (Signal Processing: Image Communication, vol. 19, no 9, pp. 877-908, October 2004). The lifting scheme can be based on any wavelet kernel, such as Haar or 5/3 Dobsey, and any motion model, such as block-based translation or affine global motion, without affecting the reconstruction.
符号化のために、MCTFは、ビデオを高域フレームと低域フレームとに分解する。次にこれらのフレームに空間変換を施して、残存する空間的相関を低減する。変換された低域フレーム及び高域フレームは、関連する動き情報と共にエントロピー符号化されて、符号化ビットストリームを形成する。MCTFは、図3に示すリフティング方式を用いて、時間的に隣接するビデオを入力として実施することができる。また、MCTFは、出力低域フレームに反復的に適用することができる。 For encoding, MCTF breaks down the video into high and low frequency frames. These frames are then subjected to spatial transformation to reduce the remaining spatial correlation. The transformed low and high frequency frames are entropy encoded with associated motion information to form an encoded bitstream. The MCTF can be implemented using temporally adjacent video as input, using the lifting scheme shown in FIG. Also, MCTF can be applied iteratively to the output low band frame.
MCTFベースのビデオの圧縮効率は、H.264/AVC等のビデオ圧縮規格のそれに匹敵する。また、ビデオは内部の時間スケーラビリティを有する。しかし、この方法は、複数のビューから取得されたビデオ間に相関があるマルチビュービデオの直接符号化には用いることができない。これは、時間的相関を説明する効率的なビュー予測方法がないためである。 The compression efficiency of MCTF-based video is H.264. It is comparable to that of video compression standards such as H.264 / AVC. Video also has internal time scalability. However, this method cannot be used for direct encoding of multi-view video where there is a correlation between videos acquired from multiple views. This is because there is no efficient view prediction method that accounts for temporal correlation.
リフティング方式は、静的ライトフィールド、すなわち単一のマルチビュー画像を符号化するためにも用いられてきた。動き補償時間フィルタリングを行う代わりに、エンコーダは、空間領域において静的ビュー間で視差補償ビュー間フィルタリング(DCVF)を行う(Chang他著「視差補償リフティングを用いるライトフィールドのビュー間ウェーブレット圧縮(Inter-view wavelet compression of light fields with disparity compensated lifting)」(SPIE Conf on Visual Communications and Image Processing, 2003)を参照のこと)。符号化のために、DCVFは、静的ライトフィールドを高域画像と低域画像とに分解し、次にこれらの画像に空間変換を施して、残存する空間的相関を低減する。変換された画像は、関連する視差情報と共にエントロピー符号化されて、符号化ビットストリームを形成する。DCVFは通常、図3に示すようなリフティングベースのウェーブレット変換方式を用いて、空間的に隣接するカメラビューから取得される画像を入力として実施される。また、DCVFは、出力低域画像に反復的に適用することができる。DCVFベースの静的ライトフィールドの圧縮は、複数のフレームを個別にコーディングするよりも高い圧縮効率を提供する。しかし、この方法もまた、ビュー間の時間的相関及び空間的相関の両方を用いるマルチビュービデオを符号化することができない。これは、時間的相関を説明する効率的なビュー予測方法がないためである。 Lifting schemes have also been used to encode static light fields, ie single multiview images. Instead of performing motion-compensated temporal filtering, the encoder performs disparity-compensated inter-view filtering (DCVF) between static views in the spatial domain (Chang et al., “Light-field inter-view wavelet compression using disparity-compensated lifting (Inter- view wavelet compression of light fields with disparity compensated lifting ”(see SPIE Conf on Visual Communications and Image Processing, 2003). For encoding, DCVF decomposes the static light field into a high pass image and a low pass image, and then spatially transforms these images to reduce the remaining spatial correlation. The transformed image is entropy encoded with associated disparity information to form an encoded bitstream. The DCVF is usually implemented by using an image acquired from spatially adjacent camera views as an input, using a lifting-based wavelet transform method as shown in FIG. Also, DCVF can be applied iteratively to the output low pass image. DCVF based static light field compression provides higher compression efficiency than coding multiple frames individually. However, this method also cannot encode multi-view video that uses both temporal and spatial correlation between views. This is because there is no efficient view prediction method that accounts for temporal correlation.
複数のカメラによって或るシーンに関して取得されたマルチビュービデオを分解する方法及びシステムが提示される。 A method and system for decomposing multi-view video acquired for a scene by multiple cameras is presented.
各マルチビュービデオはフレームシーケンスを含み、各カメラはシーンの異なるビューを提供する。 Each multi-view video includes a frame sequence, and each camera provides a different view of the scene.
時間予測モード、空間予測モード、ビュー合成予測モード、及びイントラ予測モードの中から1つの予測モードが選択される。 One prediction mode is selected from the temporal prediction mode, the spatial prediction mode, the view synthesis prediction mode, and the intra prediction mode.
次に、マルチビュービデオは、選択された予測モードに従って低域フレーム、高域フレーム、及びサイド情報に分解される。 Next, the multi-view video is decomposed into low-frequency frames, high-frequency frames, and side information according to the selected prediction mode.
シーンの合成ビューを反映する新規のビデオもまた、マルチビュービデオのうちの1つ又は複数から生成することができる。 A new video reflecting a composite view of the scene can also be generated from one or more of the multi-view videos.
特に、本発明の一つの実施の形態は、ビデオを符号化及び復号化するシステム及び方法を提供する。複数のマルチビュービデオが、どの対のカメラ間でもビューが重なるような姿勢で配置される対応する複数のカメラによって或るシーンに関して取得される。1つの合成マルチビュービデオが、1つの仮想カメラに関して、取得された複数のマルチビュービデオから生成される。マルチビュービデオ及び合成ビデオのそれぞれの現フレーム毎に参照ピクチャリストがメモリ内に保持される。参照ピクチャリストは、取得されたマルチビュービデオの時間参照ピクチャ及び空間参照ピクチャ、並びに合成マルチビュービデオの合成参照ピクチャをインデックス付けする。次に、マルチビュービデオの各現フレームが、符号化及び復号化中に、関連する参照ピクチャリストによってインデックス付けされた参照ピクチャに従って予測される。 In particular, one embodiment of the present invention provides a system and method for encoding and decoding video. A plurality of multi-view videos are acquired for a scene by a corresponding plurality of cameras arranged in such a way that the views overlap between any pair of cameras. One composite multi-view video is generated from a plurality of acquired multi-view videos for one virtual camera. A reference picture list is held in the memory for each current frame of the multi-view video and the synthesized video. The reference picture list indexes the temporal reference picture and the spatial reference picture of the acquired multi-view video, and the synthesized reference picture of the synthesized multi-view video. Each current frame of the multi-view video is then predicted according to the reference picture indexed by the associated reference picture list during encoding and decoding.
本発明の一実施の形態は、マルチビュービデオのフレームを符号化及び復号化するための複合的時間/ビュー間処理方法を提供する。マルチビュービデオは、異なる姿勢を有する複数のカメラによって或るシーンに関して取得されるビデオである。本発明では、カメラ姿勢をその3Dの(x,y,z)位置及びその3Dの(θ,ρ,φ)向きの両方として定義する。各姿勢はシーンの「ビュー」に対応する。 One embodiment of the present invention provides a combined temporal / inter-view processing method for encoding and decoding multi-view video frames. Multi-view video is video acquired for a scene by a plurality of cameras having different poses. In the present invention, the camera orientation is defined as both the 3D (x, y, z) position and the 3D (θ, ρ, φ) orientation. Each posture corresponds to a “view” of the scene.
本方法は、特定のカメラ姿勢に関して取得される同一ビデオ中のフレーム間の時間的相関、及び複数のカメラビューから取得される異なるビデオ中の同期フレーム間の空間的相関を用いる。また、後述のように「合成」フレームを相関させることができる。 The method uses temporal correlation between frames in the same video acquired for a particular camera pose and spatial correlation between synchronized frames in different videos acquired from multiple camera views. Also, “composite” frames can be correlated as described below.
一実施の形態において、時間的相関は動き補償時間フィルタリング(MCTF)を用い、空間的相関は視差補償ビュー間フィルタリング(DCVF)を用いる。 In one embodiment, temporal correlation uses motion compensated temporal filtering (MCTF) and spatial correlation uses disparity compensated inter-view filtering (DCVF).
本発明の別の実施の形態において、空間的相関は、「近傍」フレームから生成される複数の合成フレームからの1つのビューの予測を用いる。近傍フレームは、時間的又は空間的に隣接するフレーム、例えば、時間領域における現フレームの前又は後のフレーム、又は同時刻に、ただし異なる姿勢又はシーンのビューを有するカメラから取得される1つ又は複数のフレームである。 In another embodiment of the present invention, spatial correlation uses the prediction of one view from multiple composite frames generated from “neighboring” frames. Neighboring frames are temporally or spatially adjacent frames, for example one frame acquired before or after the current frame in the time domain, or at the same time but from cameras with different poses or scene views There are multiple frames.
各ビデオの各フレームは画素のマクロブロックを含む。したがって、本発明の一実施の形態によるマルチビュービデオの符号化及び復号化方法はマクロブロック適応的である。現フレーム内の現マクロブロックの符号化及び復号化は、様々な形態の時間予測、空間予測、ビュー合成予測、及びイントラ予測を含むいくつかの可能な予測モードを用いて行われる。マクロブロック毎に最良の予測モードを判定するために、本発明の一実施の形態は、予測モードを選択する方法を提供する。この方法は、任意数のカメラ配置に対して使用することができる。 Each frame of each video contains a macroblock of pixels. Therefore, the encoding and decoding method of multiview video according to an embodiment of the present invention is macroblock adaptive. The encoding and decoding of the current macroblock in the current frame is done using several possible prediction modes including various forms of temporal prediction, spatial prediction, view synthesis prediction, and intra prediction. In order to determine the best prediction mode for each macroblock, an embodiment of the present invention provides a method for selecting a prediction mode. This method can be used for any number of camera arrangements.
本明細書中で用いる場合、参照ピクチャは、符号化及び復号化中に現フレームを「予測」するために用いられる任意のフレームとして定義される。通常、参照ピクチャは、現フレームに空間的又は時間的に隣接する、すなわち「近傍」にある。 As used herein, a reference picture is defined as any frame used to “predict” the current frame during encoding and decoding. Typically, the reference picture is spatially or temporally adjacent to the current frame, i.e. "near".
任意の所与の時刻において現フレームを符号化及び復号化するために同一の参照ピクチャ集合が用いられるため、同一の操作がエンコーダ及びデコーダの両方に適用されることに留意することが重要である。 It is important to note that the same operation applies to both the encoder and decoder because the same set of reference pictures is used to encode and decode the current frame at any given time .
MCTF/DCVF分解
図4は、本発明の一実施の形態によるMCTF/DCVF分解400を示す。入力ビデオ401〜404のフレームが、異なる姿勢を有するカメラ1〜4によってシーン5に関して取得される。なお、図8に示すように、カメラのうちのいくつか1a及び1bは、同一位置にあり、ただし異なる向きであってもよい。どの対のカメラ間にも或る量のビューの重なりがあると仮定される。カメラの姿勢は、マルチビュービデオの取得中に変化し得る。通常、カメラは互いに同期される。各入力ビデオは、シーンの異なる「ビュー」を提供する。入力フレーム401〜404はMCTF/DCVF分解400に送られる。この分解は、符号化された低域フレーム411、符号化された高域フレーム412、及び関連するサイド情報413を生成する。高域フレームは、低域フレームを参照ピクチャとして用いて予測誤差を符号化する。分解は、選択された予測モード410に従って行われる。予測モードは、空間予測モード、時間予測モード、ビュー合成予測モード、及びイントラ予測モードを含む。予測モードは、各現フレームに関してマクロブロック毎に適応的に選択することができる。イントラ予測を用いる場合、現マクロブロックは、同一フレーム内の他のマクロブロックから予測される。
MCTF / DCVF Decomposition FIG. 4 shows an MCTF /
図5は、フレーム近傍510の、低域フレーム(L)411及び高域フレーム(H)412の好ましい交番「格子パターン」を示す。これらのフレームは空間(ビュー)次元501及び時間次元502を有する。本質的に、このパターンは、低域フレーム及び高域フレームを空間次元で1つの時刻毎に交番させ、さらに、低域フレーム及び高域フレームを1つのビデオ毎に時間的に交番させる。
FIG. 5 shows a preferred alternating “lattice pattern” for the low frequency frame (L) 411 and the high frequency frame (H) 412 in the vicinity of the
この格子パターンにはいくつかの利点がある。このパターンは、低域フレームを空間次元及び時間次元の両方において均一に分散させることで、デコーダが低域フレームのみを再構成する場合に、空間及び時間のスケーラビリティを実現する。また、このパターンは、空間次元及び時間次元の両方において高域フレームを隣接する低域フレームと整列させる。これは、図6に示すように、現フレームにおける誤差の予測を行うための参照ピクチャ間の相関を最大化する。 This grid pattern has several advantages. This pattern achieves spatial and temporal scalability when the decoder reconstructs only the low frequency frames by uniformly distributing the low frequency frames in both the spatial and temporal dimensions. This pattern also aligns high frequency frames with adjacent low frequency frames in both spatial and temporal dimensions. This maximizes the correlation between reference pictures for error prediction in the current frame, as shown in FIG.
リフティングベースのウェーブレット変換によれば、一方のサンプル集合を他方のサンプル集合から予測することによって高域フレーム412が生成される。この予測は、後述する本発明の実施の形態による様々な形態の時間予測、様々な形態の空間予測、及びビュー合成予測を含むいくつかのモードを用いて達成することができる。
According to the lifting-based wavelet transform, a
高域フレーム412を予測するための手段及びこの予測を行うために必要な情報はサイド情報413と呼ばれる。時間予測を行う場合、時間モードがサイド情報の一部として、対応する動き情報と共に信号伝達される。空間予測を行う場合、空間モードがサイド情報の一部として、対応する視差情報と共に信号伝達される。ビュー合成予測を行う場合、ビュー合成モードがサイド情報の一部として、対応する視差情報、動き情報及び奥行き情報と共に信号伝達される。
Means for predicting the
図6に示すように、各現フレーム600の予測は、空間次元及び時間次元の両方の近傍フレーム510を用いる。現フレームを予測するために用いられるフレームは参照ピクチャと呼ばれる。参照ピクチャは、符号化ビットストリームの一部である参照リストに保持される。参照ピクチャは復号ピクチャバッファに格納される。
As shown in FIG. 6, the prediction of each
本発明の一実施の形態において、MCTF及びDCVFは、入力ビデオのフレーム毎に各現マクロブロックに対して適応的に適用されて、分解された低域フレーム、並びに高域フレーム及び関連するサイド情報を生じる。こうして、各マクロブロックは、「最良の」予測モードに従って適応的に処理される。予測モードを選択するための最適な方法は後述する。 In one embodiment of the present invention, MCTF and DCVF are adaptively applied to each current macroblock for each frame of the input video to decompose the low pass frame, and the high pass frame and associated side information. Produce. Thus, each macroblock is adaptively processed according to the “best” prediction mode. An optimal method for selecting the prediction mode will be described later.
本発明の一実施の形態において、MCTFがまず各ビデオのフレームに個別に適用される。結果として得られるフレームは次に、DCVFによりさらに分解される。最終的な分解されたフレームに加えて、対応するサイド情報も生成される。マクロブロック毎に行う場合、MCTF及びDCVFの予測モードの選択は別個に検討される。利点として、この予測モードの選択は本質的に時間スケーラビリティをサポートする。こうして、圧縮ビットストリームにおいてビデオのより低い時間レートが容易にアクセスされる。 In one embodiment of the invention, MCTF is first applied individually to each video frame. The resulting frame is then further decomposed by DCVF. In addition to the final decomposed frame, corresponding side information is also generated. When performed for each macroblock, the selection of MCTF and DCVF prediction modes is considered separately. As an advantage, this prediction mode selection inherently supports temporal scalability. Thus, lower time rates of video are easily accessed in the compressed bitstream.
別の実施の形態では、DCVFがまず入力ビデオのフレームに適用される。結果として得られるフレームが次に、MCTFにより時間的に分解される。最終的な分解されたフレームに加えて、サイド情報も生成される。マクロブロック毎に行う場合、MCTF及びDCVFの予測モードの選択は別個に検討される。利点として、この選択は本質的に空間スケーラビリティをサポートする。こうして、圧縮ビットストリームにおいてより少ない数のビューが容易にアクセスされる。 In another embodiment, DCVF is first applied to the frame of the input video. The resulting frame is then temporally decomposed by MCTF. In addition to the final decomposed frame, side information is also generated. When performed for each macroblock, the selection of MCTF and DCVF prediction modes is considered separately. As an advantage, this selection inherently supports spatial scalability. Thus, a smaller number of views in the compressed bitstream are easily accessed.
上述した分解は、前の分解段階から結果として得られる低域フレームの集合に反復的に適用することができる。利点として、本発明のMCTF/DCVF分解400は、時間的相関及び空間的(ビュー間)相関の両方を効果的に除去し、非常に高い圧縮効率を達成することができる。本発明のマルチビュービデオエンコーダの圧縮効率は、各ビューの各ビデオを個別に符号化する従来のサイマル放送符号化に勝る。
The decomposition described above can be applied iteratively to the resulting set of low-pass frames from the previous decomposition stage. As an advantage, the MCTF /
MCTF/DCVF分解の符号化
図7に示すように、分解400の出力411及び412は信号エンコーダ710に供給され、出力413はサイド情報エンコーダ720に供給される。信号エンコーダ710は、変換、量子化及びエントロピーコーディングを行って、分解された低域フレーム411及び高域フレーム412に残存する相関を除去する。このような操作は当該技術分野において既知である(Netravali及びHaskell著「デジタルピクチャ:表現、圧縮及び規格(Digital Pictures: Representation, Compression and Standards)」(Second Edition, Plenum Press, 1995))。
Encoding MCTF / DCVF Decomposition As shown in FIG. 7,
サイド情報エンコーダ720は、分解400により生成されたサイド情報413を符号化する。サイド情報413は、予測モード及び参照ピクチャリストに加えて、時間予測に対応する動き情報、空間予測に対応する視差情報、並びにビュー合成予測に対応するビュー合成情報及び奥行き情報を含む。
The
サイド情報の符号化は、MPEG−4ビジュアル規格ISO/IEC14496−2「情報技術−視聴覚オブジェクトのコーディング−パート2:ビジュアル(Information technology -- Coding of audio-visual objects - Part 2: Visual)」(第2版、2001年)、又はより最近のH.264/AVC規格、及びITU−T勧告H.264「一般視聴覚サービスのための高度なビデオコーディング(Advanced video coding for generic audiovisual services)」(2004年)において用いられる技法等の既知の確立された技法によって達成することができる。 The encoding of side information is performed according to MPEG-4 visual standard ISO / IEC 14496-2 “Information technology—Coding of audio-visual objects—Part 2: Visual” (No. 1). 2nd edition, 2001), or more recent H.264. H.264 / AVC standard and ITU-T recommendation H.264 H.264 “Advanced video coding for generic audiovisual services” (2004), can be achieved by known and established techniques.
例えば、マクロブロックの動きベクトルは通常、参照ピクチャ内のマクロブロックにおけるベクトルから予測ベクトルを求める予測方法を用いて符号化される。次に、予測ベクトルと現在のベクトルとの差にエントロピーコーディングプロセスを施す。このプロセスは通常、予測誤差の統計値を用いる。同様の手順を用いて視差ベクトルを符号化することができる。 For example, the motion vector of a macroblock is usually encoded using a prediction method that obtains a prediction vector from vectors in a macroblock in a reference picture. Next, an entropy coding process is applied to the difference between the prediction vector and the current vector. This process typically uses prediction error statistics. A similar procedure can be used to encode the disparity vector.
さらに、参照ピクチャ内のマクロブロックからの予測値を得る予測コーディング方法を用いて、又は単純に固定長符号を使用して奥行き値を直接表すことによって各マクロブロックの奥行き情報を符号化することができる。画素レベルの奥行き精度が抽出され圧縮される場合、変換技法、量子化技法及びエントロピーコーディング技法を適用するテクスチャコーディング技法を適用することができる。 In addition, the depth information of each macroblock may be encoded using a predictive coding method that obtains a prediction value from the macroblock in the reference picture, or simply by directly representing the depth value using a fixed length code. it can. When pixel level depth accuracy is extracted and compressed, texture coding techniques that apply transform, quantization, and entropy coding techniques can be applied.
信号エンコーダ710及びサイド情報エンコーダ720からの符号化された信号711〜713を多重化して(730)、符号化された出力ビットストリーム731を生成することができる。
The encoded signals 711-713 from the
MCTF/DCVF分解の復号化
ビットストリーム731を復号化して(740)、入力マルチビュービデオ401〜404に対応する出力マルチビュービデオ741を生成することができる。任意で、合成ビデオも生成することができる。概して、デコーダは、エンコーダの逆の操作を行ってマルチビュービデオを再構成する。全ての低域フレーム及び高域フレームが復号化されれば、空間(ビュー)次元及び時間次元の両方において符号化品質の完全なフレーム集合が再構成され利用可能になる。
Decoding MCTF /
エンコーダにおいて適用した分解の反復レベル数、及びどのタイプの分解を適用したかに応じて、より少ない数のビデオ及び/又はより低い時間レートを図7に示すように復号化することができる。 Depending on the number of iteration levels of decomposition applied at the encoder and what type of decomposition is applied, a smaller number of videos and / or lower time rates can be decoded as shown in FIG.
ビュー合成
図8に示すように、ビュー合成は、1つ又は複数の実際のマルチビュービデオのフレーム803から合成ビデオのフレーム801を生成するプロセスである。言い換えれば、ビュー合成は、シーン5の選択された新たなビュー802に対応するフレーム801を合成する手段を提供する。この新たなビュー802は、入力マルチビュービデオ401〜404が取得された時点では存在しない「仮想」カメラ800に対応してもよく、又は、取得されるカメラビューに対応することができ、よって、合成ビューは、後述のようにその予測及び符号化/復号化に用いられる。
View Synthesis As shown in FIG. 8, view synthesis is the process of generating a
1つのビデオを用いる場合、合成は外挿又はワーピングに基づき、複数のビデオを用いる場合、合成は内挿に基づく。 When using one video, composition is based on extrapolation or warping, and when using multiple videos, composition is based on interpolation.
1つ又は複数のマルチビュービデオのフレーム803の画素値及びシーン中の複数の点の奥行き値が与えられれば、合成ビュー802のフレーム801内の画素を、フレーム803内の対応する画素値から合成することができる。
Given the pixel values of one or more multi-view video frames 803 and the depth values of multiple points in the scene, the pixels in
ビュー合成は一般にコンピュータグラフィックスにおいて、複数のビューに関して静止画をレンダリングするために用いられる(Buehler他著「非構造的なルミグラフのレンダリング(Unstructured Lumigraph Rendering)」(Proc. ACM SIGGRAPH, 2001)を参照のこと)。この方法は、参照により本明細書中に援用されるカメラの外部パラメータ及び内部パラメータを必要とする。 View composition is commonly used in computer graphics to render still images for multiple views (see Buehler et al., “Unstructured Lumigraph Rendering” (Proc. ACM SIGGRAPH, 2001). ) This method requires camera external and internal parameters, which are incorporated herein by reference.
マルチビュービデオを圧縮するためのビュー合成は新規である。本発明の一実施の形態では、現フレームを予測するために使用する合成フレームを生成する。本発明の一実施の形態では、指定された高域フレームに関して合成フレームが生成される。本発明の別の実施の形態では、特定のビューに関して合成フレームが生成される。合成フレームは参照ピクチャとして働き、これらの参照ピクチャから現合成フレームを予測することができる。 View synthesis for compressing multi-view video is novel. In one embodiment of the invention, a composite frame is generated that is used to predict the current frame. In one embodiment of the invention, a composite frame is generated for a specified high frequency frame. In another embodiment of the invention, a composite frame is generated for a particular view. The synthesized frame acts as a reference picture, and the current synthesized frame can be predicted from these reference pictures.
この手法に伴う1つの問題は、シーン5の奥行き値が分からないことである。したがって、本発明では、既知の技法を用いて、例えば、マルチビュービデオにおける特徴の対応関係に基づいて奥行き値を推定する。 One problem with this approach is that the depth value of scene 5 is unknown. Therefore, in the present invention, a depth value is estimated using a known technique, for example, based on a correspondence relationship of features in multi-view video.
代替的に、合成ビデオ毎に、本発明では、候補奥行き値にそれぞれ対応する複数の合成フレームを生成する。現フレーム内のマクロブロック毎に、合成フレームの集合の中から最も良く一致するマクロブロックを求める。この最良一致が見つかった合成フレームは、現フレーム内のそのマクロブロックの奥行き値を示す。このプロセスを現フレーム内のマクロブロック毎に繰り返す。 Alternatively, for each synthesized video, the present invention generates a plurality of synthesized frames each corresponding to a candidate depth value. For each macroblock in the current frame, the best matching macroblock is obtained from the set of synthesized frames. The composite frame in which this best match is found indicates the depth value of that macroblock in the current frame. This process is repeated for each macroblock in the current frame.
現マクロブロックと合成ブロックとの差は信号エンコーダ710により符号化及び圧縮される。このマルチビューモードのサイド情報は、サイド情報エンコーダ720によって符号化される。サイド情報は、ビュー合成予測モードを示す信号、マクロブロックの奥行き値、及び現フレーム内のマクロブロックと合成フレーム内の最良一致マクロブロックとの間の補償すべき位置ずれを補償する任意の変位ベクトルを含む。
The difference between the current macroblock and the synthesized block is encoded and compressed by the
予測モードの選択
マクロブロック適応的MCTF/DCVF分解において、各マクロブロックの予測モードmは、コスト関数をマクロブロック毎に適応的に最小化することによって選択することができる。
m*=argmminJ(m)
ここで、J(m)=D(m)+λR(m)であり、Dは歪みであり、λは重みパラメータであり、Rはレートであり、mは候補予測モードの集合を示し、m*は最小コスト基準に基づいて選択された最適予測モードを示す。
Prediction Mode Selection In the macroblock adaptive MCTF / DCVF decomposition, the prediction mode m of each macroblock can be selected by adaptively minimizing the cost function for each macroblock.
m * = arg m minJ (m)
Here, J (m) = D (m) + λR (m), D is distortion, λ is a weight parameter, R is a rate, m indicates a set of candidate prediction modes, and m * Indicates the optimal prediction mode selected based on the minimum cost criterion.
候補モードmは様々な時間予測モード、空間予測モード、ビュー合成予測モード、及びイントラ予測モードを含む。コスト関数J(m)は、特定の予測モードmを用いてマクロブロックを符号化した結果として生じるレート及び歪みに依存する。 Candidate mode m includes various temporal prediction modes, spatial prediction modes, view synthesis prediction modes, and intra prediction modes. The cost function J (m) depends on the rate and distortion that result from encoding a macroblock with a specific prediction mode m.
歪みDは、再構成マクロブロックと元マクロブロックとの差を測定する。再構成マクロブロックは、所与の予測モードmを用いてマクロブロックを符号化及び復号化することによって得られる。一般的な歪み測度は差の二乗和である。レートRは、予測誤差及びサイド情報を含む、マクロブロックを符号化するために必要なビット数に対応する。重みパラメータλは、マクロブロックコーディングのレート−歪みのトレードオフを制御するものであり、量子化ステップサイズから導出することができる。 Distortion D measures the difference between the reconstructed macroblock and the original macroblock. A reconstructed macroblock is obtained by encoding and decoding the macroblock with a given prediction mode m. A common distortion measure is the sum of squared differences. The rate R corresponds to the number of bits required to encode the macroblock, including prediction error and side information. The weight parameter λ controls the macroblock coding rate-distortion tradeoff and can be derived from the quantization step size.
符号化プロセス及び復号化プロセスの詳細な態様を以下でさらに詳述する。特に、符号化プロセス及び復号化プロセスにより用いられる様々なデータ構造を説明する。本明細書中で説明するような、エンコーダにおいて用いられるデータ構造は、デコーダにおいて用いられる対応するデータ構造と同じであることを理解すべきである。また、デコーダの処理ステップは本質的に、エンコーダと同じ処理ステップに従うが、ただし逆の順序であることも理解すべきである。 Detailed aspects of the encoding and decoding processes are described in further detail below. In particular, the various data structures used by the encoding and decoding processes are described. It should be understood that the data structure used in the encoder, as described herein, is the same as the corresponding data structure used in the decoder. It should also be understood that the processing steps of the decoder follow essentially the same processing steps as the encoder, but in the reverse order.
参照ピクチャ管理
図9は、従来技術のシングルビューの符号化及び復号化システムのための参照ピクチャ管理を示す。時間参照ピクチャ901は、復号ピクチャバッファ(DPB)940への時間参照ピクチャ901の挿入(920)及び削除(930)を決めるシングルビュー参照ピクチャリスト(RPL)マネージャ910によって管理される。参照ピクチャリスト950もまた保持されて、DPB940に格納されているフレームを示す。RPLは、挿入(920)及び削除(930)といった参照ピクチャ管理操作、並びにエンコーダ及びデコーダの両方における時間予測960のために用いられる。
Reference Picture Management FIG. 9 illustrates reference picture management for a prior art single view encoding and decoding system. The
シングルビューエンコーダにおいて、時間参照ピクチャ901は、予測、変換及び量子化を含む一組の通常の符号化操作を適用し、次にこれらの逆の、逆量子化、逆変換及び動き補償を含む操作を適用した結果として生成される。さらに、時間参照ピクチャ901は、エンコーダにおける現フレームの予測に時間ピクチャが必要な時にのみ、DPB940に挿入されてRPL950に追加される。
In a single-view encoder,
シングルビューデコーダにおいて、逆量子化、逆変換及び動き補償を含む一組の通常の復号化操作をビットストリームに対して適用することによって同じ時間参照ピクチャ901が生成される。エンコーダと同様に、時間参照ピクチャ901は、デコーダにおける現フレームの予測に必要である場合にのみDPB940に挿入されて(920)RPL950に追加される。
In a single view decoder, the same
図10は、マルチビューの符号化及び復号化のための参照ピクチャ管理を示す。時間参照ピクチャ1003に加えて、マルチビューシステムはまた、空間参照ピクチャ1001及び合成参照ピクチャ1002も含む。これらの参照ピクチャはまとめてマルチビュー参照ピクチャ1005と呼ばれる。これらのマルチビュー参照ピクチャ1005は、マルチビューDPB1040へのマルチビュー参照ピクチャ1005の挿入(1020)及び削除(1030)を決めるマルチビューRPLマネージャ1010によって管理される。ビデオ毎に、マルチビュー参照ピクチャリスト(RPL)1050もまた保持されて、DPBに格納されているフレームを示す。すなわち、RPLはDPBのインデックスである。マルチビューRPLは、挿入(1020)及び削除(1030)といった参照ピクチャ管理操作、並びに現フレームの予測1060に用いられる。
FIG. 10 shows reference picture management for multiview encoding and decoding. In addition to the
マルチビューシステムの予測1060は、異なるタイプのマルチビュー参照ピクチャ1005からの予測が可能となるため、シングルビューシステムの予測960とは異なることに留意されたい。マルチビュー参照ピクチャ管理1010に関するさらなる詳細は後述する。
Note that
マルチビュー参照ピクチャリストマネージャ
エンコーダにおいて現フレームを符号化する前、又はデコーダにおいて現フレームを復号化する前に、マルチビューRPL1050においてマルチビュー参照ピクチャ1005の集合を指示することができる。従来及び本明細書中で定義されるように、集合は要素を全く有しなくても(空集合)、1つ又は複数の要素を有してもよい。RPLの同一コピーが、現フレーム毎にエンコーダ及びデコーダの両方によって保持される。
Multiview Reference Picture List Manager A set of
マルチビューRPL1050に挿入される全てのフレームが初期化され、適切な構文を用いて、予測に使用可能なものとしてマーキングされる。H.264/AVC規格及び参照ソフトウェアによれば、「used_for_reference」フラグが「1」にセットされる。概して、参照ピクチャは、フレームをビデオ符号化システムにおける予測に使用することができるように初期化される。H.264/AVC等の従来のシングルビュービデオ圧縮規格との互換性を保つために、各参照ピクチャにピクチャ順序カウント(picture order count)(POC)を割り当てる。通常、シングルビューの符号化及び復号化システムの場合、POCはピクチャの時間的な順序付け、例えばフレーム番号に対応する。マルチビューの符号化及び復号化システムの場合、時間順だけでは、各参照ピクチャにPOCを割り当てるのに不十分である。したがって、本発明では、全てのマルチビュー参照ピクチャに関して或る規則に従って一意のPOCを求める。1つの規則は、時間参照ピクチャに対して時間順に基づいてPOCを割り当て、次に、非常に高いPOC番号のシーケンス、例えば10000〜10100を空間参照ピクチャ及び合成参照ピクチャ用に確保するものである。他のPOC割り当て規則、又は単に「順序付け」規則を以下でさらに詳述する。
All frames inserted into the
マルチビュー参照フレームとして用いる全てのフレームがRPLに保持され、それらのフレームがエンコーダ700又はデコーダ740によって従来の参照ピクチャとして扱われるようにDPBに格納される。これにより、符号化プロセス及び復号化プロセスは従来通りとすることができる。マルチビュー参照ピクチャの格納に関するさらなる詳細は後述する。予測すべき現フレーム毎に、RPL及びDPBが対応して更新される。
All frames used as multi-view reference frames are held in the RPL and stored in the DPB so that these frames are treated as conventional reference pictures by the
マルチビュー規則の定義及び信号伝達
RPLを保持するプロセスは、エンコーダ700とデコーダ740との間で調整される。特に、エンコーダ及びデコーダは、特定の現フレームを予測する際にマルチビュー参照ピクチャリストの同一コピーを保持する。
Multiview Rule Definition and Signaling The process of maintaining the RPL is coordinated between the
マルチフレーム参照ピクチャリストを保持するいくつかの規則が可能である。したがって、使用される特定の規則はビットストリーム731に挿入されるか、又はシーケンスレベルのサイド情報、例えばデコーダに伝達される構成情報として提供される。さらに、この規則は、異なる予測構造、例えば1Dアレイ、2Dアレイ、弧、十字、及びビューの内挿技法又はワーピング技法を用いて合成されるシーケンスを可能にする。
Several rules are possible to maintain a multi-frame reference picture list. Thus, the specific rules used are inserted into the
例えば、合成フレームは、カメラによって取得されたマルチビュービデオのうちの1つの対応するフレームをワーピングすることによって生成される。代替的に、シーンの従来のモデルを合成中に用いることができる。本発明の他の実施の形態では、ビュータイプ、挿入順、及びカメラ特性に依存するいくつかのマルチビュー参照ピクチャ保持規則を定義する。 For example, the composite frame is generated by warping a corresponding frame of one of the multi-view videos acquired by the camera. Alternatively, a conventional model of the scene can be used during synthesis. In other embodiments of the invention, several multi-view reference picture retention rules are defined that depend on the view type, insertion order, and camera characteristics.
ビュータイプは、参照ピクチャが現フレームのビデオ以外のビデオからのフレームであるかどうか、又は、参照ピクチャが他のフレームから合成されたものであるかどうか、又は、参照ピクチャが他の参照ピクチャに依存するかどうかを示す。例えば、合成参照ピクチャは、現フレームと同じビデオからの参照ピクチャ、又は空間的に隣接するビデオからの参照ピクチャとは別に保持することができる。 The view type is whether the reference picture is a frame from a video other than the video of the current frame, whether the reference picture is a composite from another frame, or whether the reference picture is another reference picture. Indicates whether it depends. For example, the composite reference picture can be kept separate from a reference picture from the same video as the current frame or from a spatially adjacent video.
挿入順は、参照ピクチャがRPL内でどのように順序付けされるかを示す。例として、現フレームと同じビデオ中の参照ピクチャには、隣接ビューから撮影されたビデオ中の参照ピクチャよりも低い順序値を与えることができる。この場合、この参照ピクチャは、マルチビューRPLにおいて前の方に配置される。 The insertion order indicates how the reference pictures are ordered in the RPL. As an example, a reference picture in the same video as the current frame can be given a lower order value than a reference picture in a video taken from an adjacent view. In this case, this reference picture is arranged in the front in the multi-view RPL.
カメラ特性は、参照ピクチャを取得するために使用されるカメラ、又は合成参照ピクチャを生成するために用いられる仮想カメラの特性を示す。これらの特性は、固定座標系に対する並進及び回転、すなわちカメラの「姿勢」、3Dの点が2D画像に投影される方法を記述する内部パラメータ、レンズ歪み、色較正情報、照明レベル等を含む。例として、カメラ特性に基づき、特定のカメラの隣接カメラに対する近接度を自動的に求めることができ、隣接カメラにより取得されたビデオのみを特定のRPLの一部とみなす。 The camera characteristics indicate characteristics of a camera used to obtain a reference picture or a virtual camera used to generate a synthesized reference picture. These characteristics include translation and rotation with respect to a fixed coordinate system, i.e., the "posture" of the camera, internal parameters describing how the 3D points are projected onto the 2D image, lens distortion, color calibration information, illumination levels, etc. As an example, based on camera characteristics, the proximity of a specific camera to an adjacent camera can be determined automatically, and only the video acquired by the adjacent camera is considered part of a specific RPL.
図11に示すように、本発明の一実施の形態は、各参照ピクチャリストの一部1101を時間参照ピクチャ1003用に確保し、別の部分1102を合成参照ピクチャ1002用に確保し、第3の部分1103を空間参照ピクチャ1001用に確保する規則を使用する。これは、ビュータイプのみに依存する規則の一例である。各部分に含まれるフレーム数は、符号化又は復号化中の現フレームの予測依存性に基づいて変化し得る。
As shown in FIG. 11, according to an embodiment of the present invention, a
特定の保持規則は、規格、明示的ルール又は暗黙的ルールによって規定するか、又は符号化ビットストリームにおいてサイド情報として規定することができる。 Specific retention rules can be defined by standards, explicit rules or implicit rules, or can be defined as side information in the encoded bitstream.
DPBへのピクチャの格納
マルチビューRPLマネージャ1010は、マルチビュー参照ピクチャがDPBに格納される順序が、符号化及び復号化の効率を高める上でのピクチャの「有用性」に対応するようにRPLを保持する。具体的には、RPLの初めの方の参照ピクチャは、RPLの終わりの方の参照ピクチャよりも少ないビットで予測(predicatively)符号化することができる。
Storing pictures in the DPB The
図12に示すように、マルチビュー参照ピクチャをRPLに保持する順序の最適化は、コーディング効率に大きな影響を有し得る。例えば、初期化に関して上述したPOC割り当てに従うと、マルチビュー参照ピクチャには非常に大きなPOC値が割り当てられる可能性がある。これは、マルチビュー参照ピクチャがビデオシーケンスの通常の時間的な順序付けでは生じないためである。したがって、ほとんどのビデオコーデックのデフォルトの順序付けプロセスは、そのようなマルチビュー参照ピクチャを参照ピクチャリストの前の方に配置する可能性がある。 As shown in FIG. 12, the optimization of the order in which the multi-view reference pictures are held in the RPL can have a great influence on the coding efficiency. For example, following the POC assignment described above for initialization, a multi-view reference picture may be assigned a very large POC value. This is because multi-view reference pictures do not occur with normal temporal ordering of video sequences. Thus, the default ordering process for most video codecs can place such multi-view reference pictures earlier in the reference picture list.
同一シーケンスからの時間参照ピクチャは通常、他のシーケンスからの空間参照ピクチャよりも強い相関を示すため、デフォルトの順序付けは望ましくない。したがって、マルチビュー参照ピクチャはエンコーダによって明示的に並べ替えられて、エンコーダがその後、この並べ替えをデコーダに信号伝達するか、又は、エンコーダ及びデコーダがマルチビュー参照ピクチャを所定の規則に従って暗黙的に並べ替える。 Default ordering is not desirable because temporal reference pictures from the same sequence usually show stronger correlation than spatial reference pictures from other sequences. Thus, the multiview reference picture is explicitly reordered by the encoder, and the encoder then signals this reordering to the decoder, or the encoder and decoder implicitly reorder the multiview reference picture according to a predetermined rule. Rearrange.
図13に示すように、参照ピクチャの順序は、各参照ピクチャに対するビューモード1300によって容易になる。ビューモード1300もまたマルチビュー予測プロセス1060に影響を与えることに留意されたい。本発明の一実施の形態では、さらに詳細に後述する3つの異なるタイプのビューモード、すなわち、Iビュー、Pビュー及びBビューを用いる。
As shown in FIG. 13, the order of reference pictures is facilitated by the
マルチビュー参照ピクチャ管理の詳細な動作を説明する前に、単一ビデオの符号化及び復号化システムのための従来技術の参照ピクチャ管理を図14に示す。時間参照ピクチャ901のみが時間予測960に用いられる。取得順又は表示順1401におけるビデオの時間参照ピクチャ間の時間予測依存性を示す。参照ピクチャは符号化順1402に並べ替えられ(1410)、この符号化順1402で各参照ピクチャが時刻t0〜t6において符号化又は復号化される。ブロック1420は、時刻毎の参照ピクチャの順序付けを示す。イントラフレームI0が符号化又は復号化される時刻t0では、時間予測に使用される時間参照ピクチャはないため、DBP/RPLは空である。一方向インターフレームP1が符号化又は復号化される時刻t1では、フレームI0が時間参照ピクチャとして利用可能である。時刻t2及びt3では、フレームI0及びP1の両方がインターフレームB1及びB2の双方向時間予測のための参照フレームとして利用可能である。時間参照ピクチャ及びDBP/RPLは、将来のピクチャに関しても同様に管理される。
Prior to describing the detailed operation of multiview reference picture management, prior art reference picture management for a single video encoding and decoding system is shown in FIG. Only the
本発明の一実施の形態によるマルチビューの場合を説明するために、上述し図15に示す3つの異なるタイプのビュー、すなわち、Iビュー、Pビュー、及びBビューを検討する。表示順1501におけるビデオの参照ピクチャ間のマルチビューの予測依存性を示す。図15に示すように、ビデオの参照ピクチャはビューモード毎にコーディング順1502に並べ替えられ(1510)、このコーディング順1502で各参照ピクチャが、t0〜t2で示す所与の時刻において符号化又は復号化される。マルチビュー参照ピクチャの順序を時刻毎にブロック1520に示す。
To illustrate the multi-view case according to one embodiment of the present invention, consider the three different types of views described above and shown in FIG. 15, namely I view, P view, and B view. The prediction dependence of the multi view between the reference pictures of the video in the
Iビューは、より複雑なモードを可能にする最も単純なモードである。Iビューは、空間予測も合成予測も用いない従来の符号化及び予測モードを用いる。例えば、Iビューは、マルチビュー拡張を用いずに従来のH.264/AVC技法を用いて符号化することができる。Iビューシーケンスからの空間参照ピクチャを他のビューの参照リストに配置する時、これらの空間参照ピクチャは通常、時間参照ピクチャの後に配置される。 The I view is the simplest mode that allows a more complex mode. The I view uses conventional coding and prediction modes that do not use spatial or synthetic prediction. For example, the I view does not use the multi-view extension, but the conventional H.264. It can be encoded using H.264 / AVC techniques. When spatial reference pictures from an I-view sequence are placed in the reference lists of other views, these spatial reference pictures are usually placed after the temporal reference pictures.
図15に示すように、Iビューの場合、フレームI0がt0において符号化又は復号化される時、予測に用いられるマルチビュー参照ピクチャはない。したがって、DBP/RPLは空である。フレームP0が符号化又は復号化される時刻t1では、I0が時間参照ピクチャとして利用可能である。フレームB0が符号化又は復号化される時刻t2では、フレームI0及びP0の両方が時間参照ピクチャとして利用可能である。 As shown in FIG. 15, in the case of I view, when frame I 0 is encoded or decoded at t 0 , there is no multi-view reference picture used for prediction. Therefore, DBP / RPL is empty. At time t 1 when frame P 0 is encoded or decoded, I 0 is available as a temporal reference picture. At time t 2 when frame B 0 is encoded or decoded, both frames I 0 and P 0 are available as temporal reference pictures.
Pビューは、別のビューからの予測を可能にしてビュー間の空間的相関を利用するという点で、Iビューよりも複雑である。具体的には、Pビューモードを用いて符号化されるシーケンスは、他のIビュー又はPビューからのマルチビュー参照ピクチャを用いる。Pビューでは合成参照ピクチャも用いることができる。Iビューからのマルチビュー参照ピクチャを他のビューの参照リストに配置する時、Pビューは、時間参照ピクチャ、及びIビューから導出されるマルチビュー参照ピクチャの両方の後に配置される。 P views are more complex than I views in that they allow prediction from another view and take advantage of the spatial correlation between views. Specifically, a sequence encoded using the P view mode uses a multi-view reference picture from another I view or P view. A composite reference picture can also be used in the P view. When placing a multi-view reference picture from an I view in the reference list of another view, the P view is placed after both the temporal reference picture and the multi-view reference picture derived from the I view.
図15に示すように、Pビューの場合、フレームI2がt0において符号化又は復号化される時、合成参照ピクチャS20及び空間参照ピクチャI0が予測に利用可能である。合成ピクチャの生成に関するさらなる詳細は後述する。P2が符号化又は復号化される時刻t1では、I2が時間参照ピクチャとして、合成参照ピクチャS21及びIビューからの空間参照ピクチャP0と共に利用可能である。時刻t2では、2つの時間参照ピクチャI2及びP2、並びに合成参照ピクチャS22及び空間参照ピクチャB0が存在し、これらの参照ピクチャから予測を行うことができる。 As shown in FIG. 15, for the P view, when frame I 2 is encoded or decoded at t 0 , the synthesized reference picture S 20 and the spatial reference picture I 0 are available for prediction. Further details regarding the generation of the composite picture will be described later. At time t 1 when P 2 is encoded or decoded, I 2 is available as a temporal reference picture along with the synthesized reference picture S 21 and the spatial reference picture P 0 from the I view. At time t 2 , there are two temporal reference pictures I 2 and P 2 , a combined reference picture S 22 and a spatial reference picture B 0, and prediction can be performed from these reference pictures.
Bビューは、マルチビュー参照ピクチャを用いるという点で、Pビューと同様である。PビューとBビューとの間の1つの重要な差異は、Pビューがそのビュー自体及び1つの他のビューからの参照ピクチャを用いるのに対し、Bビューは複数のビューのピクチャを参照し得ることである。合成参照ピクチャを用いる時、合成ビューは通常、空間参照よりも強い相関を有するため、Bビューは空間参照ピクチャの前に配置される。 B view is similar to P view in that it uses a multi-view reference picture. One important difference between P and B views is that P views use reference pictures from the view itself and from one other view, whereas B views can reference pictures from multiple views. That is. When using a synthesized reference picture, the synthesized view usually has a stronger correlation than the spatial reference, so the B view is placed before the spatial reference picture.
図15に示すように、Bビューの場合、I1がt0において符号化又は復号化される時、合成参照ピクチャS10並びに空間参照ピクチャI0及びI2が予測に利用可能である。P1が符号化又は復号化される時刻t1では、I1が時間参照ピクチャとして、合成参照ピクチャS11、並びにそれぞれIビュー及びPビューからの空間参照ピクチャP0及びP2と共に利用可能である。時刻t2では、2つの時間参照ピクチャI1及びP1が存在すると共に、合成参照ピクチャS12並びに空間参照ピクチャB0及びB2が存在し、これらの参照ピクチャから予測を行うことができる。 As shown in FIG. 15, in the case of B view, when I 1 is encoded or decoded at t 0 , the synthesized reference picture S 10 and the spatial reference pictures I 0 and I 2 are available for prediction. At time t 1 P 1 is encoded or decoded, as a reference picture I 1 time, a synthesized reference picture S 11, and can be utilized with spatial reference pictures P 0 and P 2 from the I-view and P-view, respectively is there. At time t 2 , there are two temporal reference pictures I 1 and P 1 , a composite reference picture S 12 , and spatial reference pictures B 0 and B 2, and prediction can be performed from these reference pictures.
図15に示す例は本発明の一実施の形態に関するものに過ぎないことを強調しておく。多くの異なるタイプの予測依存性がサポートされる。例として、空間参照ピクチャは、同時刻の異なるビューにおけるピクチャに限定されない。空間参照ピクチャはまた、異なる時刻の異なるビューに対する参照ピクチャも含むことができる。また、イントラピクチャ間の双方向予測ピクチャ及び一方向予測インターピクチャの数は変化し得る。同様に、Iビュー、Pビュー、及びBビューの構成も変化し得る。さらに、異なるピクチャ集合又は異なる奥行きマップ若しくはプロセスを用いてそれぞれ生成されるいくつかの合成参照ピクチャが利用可能であり得る。 It is emphasized that the example shown in FIG. 15 is only related to one embodiment of the present invention. Many different types of predictive dependencies are supported. As an example, the spatial reference picture is not limited to pictures in different views at the same time. Spatial reference pictures can also include reference pictures for different views at different times. In addition, the number of bidirectional prediction pictures and unidirectional prediction inter pictures between intra pictures may vary. Similarly, the configuration of I view, P view, and B view may also change. In addition, several synthetic reference pictures, each generated using different picture sets or different depth maps or processes, may be available.
互換性
本発明の実施の形態によるマルチビューピクチャ管理の1つの重要な利点は、既存のシングルビューのビデオコーディングシステム及び設計と互換性があることである。このマルチビューピクチャ管理は、既存のシングルビュービデオコーディング規格に加える変更が最小であるだけでなく、既存のシングルビュービデオコーディングシステムからのソフトウェア及びハードウェアを、本明細書に記載するマルチビュービデオコーディングに使用することも可能にする。
Compatibility One important advantage of multi-view picture management according to embodiments of the present invention is that it is compatible with existing single-view video coding systems and designs. This multi-view picture management not only requires minimal changes to the existing single-view video coding standard, but also software and hardware from the existing single-view video coding system as described herein. It can also be used.
この理由は、ほとんどの従来のビデオ符号化システムが、符号化パラメータをデコーダに圧縮ビットストリームで伝達するからである。したがって、このようなパラメータを伝達する構文は、H.264/AVC規格等の既存のビデオコーディング規格によって規定されている。例えば、ビデオコーディング規格は、現フレーム内の所与のマクロブロックに対する予測モードを、他の時間的に関連する参照ピクチャから規定する。この規格はまた、結果として生じる予測誤差を符号化及び復号化するために使用される方法を規定する。他のパラメータは、変換のタイプ又はサイズ、量子化方法、及びエントロピーコーディング方法を規定する。 This is because most conventional video encoding systems communicate the encoding parameters to the decoder in a compressed bitstream. Therefore, the syntax for conveying such parameters is H.264. It is defined by existing video coding standards such as H.264 / AVC standard. For example, the video coding standard defines the prediction mode for a given macroblock in the current frame from other temporally related reference pictures. This standard also defines the method used to encode and decode the resulting prediction error. Other parameters define the type or size of the transform, the quantization method, and the entropy coding method.
したがって、本発明のマルチビュー参照ピクチャは、既存のシステムの参照ピクチャリスト、復号ピクチャバッファ、及び予測構造等の標準的な符号化コンポーネント及び復号化コンポーネントに限られた数の修正を加えるだけで実施することができる。マクロブロック構造、変換、量子化及びエントロピー符号化は変更されないことに留意されたい。 Thus, the multi-view reference picture of the present invention is implemented with only a limited number of modifications to standard encoding and decoding components such as existing system reference picture lists, decoded picture buffers, and prediction structures. can do. Note that the macroblock structure, transform, quantization and entropy coding are not changed.
ビュー合成
図8に関して上述したように、ビュー合成は、仮想カメラ800の合成ビュー802に対応するフレーム801を、既存のビデオから取得されるフレーム803から生成するプロセスである。言い換えれば、ビュー合成は、入力ビデオが取得された時点では存在しない仮想カメラによるシーンの選択された新たなビューに対応するフレームを合成する手段を提供する。1つ又は複数の実際のビデオのフレームの画素値及びシーン中の点の奥行き値が与えられると、合成ビデオビューのフレーム内の画素を外挿及び/又は内挿により生成することができる。
View Compositing As described above with respect to FIG. 8, view compositing is the process of generating a
合成ビューからの予測
図16は、奥行き1901の情報が符号化マルチビュービットストリーム731に含まれている時に、ビュー合成モードを用いて再構成マクロブロックを生成するプロセスを示す。所与のマクロブロックの奥行きは、サイド情報デコーダ1910によって復号化される。奥行き1901及び空間参照ピクチャ1902を用いてビュー合成1920を行い、合成マクロブロック1904を生成する。次に、合成マクロブロック1904と復号化された残差マクロブロック1905とを加算する(1930)ことによって再構成マクロブロック1903が形成される。
Prediction from Synthetic View FIG. 16 shows the process of generating a reconstructed macroblock using view synthesis mode when
エンコーダにおけるマルチビューモード選択の詳細
図17は、現フレームの符号化又は復号化中に予測モードを選択するプロセスを示す。時間参照ピクチャ2020を用いて現マクロブロック2011に関して動き推定2010を行う。結果として得られる動きベクトル2021を用いて、時間予測を用いる第1のコーディングコストcost12031を求める(2030)。このプロセスに関連する予測モードはm1である。
Details of Multiview Mode Selection at the Encoder FIG. 17 shows the process of selecting the prediction mode during encoding or decoding of the current frame.
空間参照ピクチャ2041を用いて現マクロブロックに関して視差推定2040を行う。結果として得られる視差ベクトル2042を用いて、空間予測を用いる第2のコーディングコストcost22051を求める(2050)。このプロセスに関連する予測モードをm2で示す。
空間参照ピクチャ2041に基づき現マクロブロックに関して奥行き推定2060を行う。推定した奥行きに基づいてビュー合成を行う。奥行き情報2061及び合成ビュー2062を用いて、ビュー合成予測を用いる第3のコーディングコストcost32071を求める(2070)。このプロセスに関連する予測モードはm3である。
現マクロブロックの隣接画素2082を用いて、イントラ予測を用いる第4のコーディングコストcost42081を求める(2080)。このプロセスに関連する予測モードはm4である。
A fourth
cost1、cost2、cost3及びcost4の中の最小コストを求め(2090)、モードm1、m2、m3及びm4の中で最小コストを有するモードを、現マクロブロック2011の最良予測モード2091として選択する。
The lowest cost among cost 1 , cost 2 , cost 3 and cost 4 is determined (2090), and the mode having the lowest cost among the modes m 1 , m 2 , m 3 and m 4 is determined as the best of the
奥行き推定を用いたビュー合成
ビュー合成モード2091を用いて、合成ビューの奥行き情報及び変位ベクトルを、1つ又は複数のマルチビュービデオの復号化フレームから推定することができる。奥行き情報は、適用されるプロセスに応じて、立体カメラから推定される画素毎の奥行きであってもよく、又は、マクロブロックマッチングから推定されるマクロブロック毎の奥行きであってもよい。
View Synthesis Using Depth Estimation The
この手法の利点は、エンコーダがデコーダと同じ奥行き情報及び変位情報にアクセス可能である限り、奥行き値及び変位ベクトルがビットストリーム中に必要ないため、帯域幅が小さくなることである。エンコーダは、デコーダがエンコーダと全く同じ奥行き及び変位推定プロセスを使用する限り、これを達成することができる。したがって、本発明のこの実施の形態では、現マクロブロックと合成マクロブロックとの差がエンコーダによって符号化される。 The advantage of this approach is that as long as the encoder has access to the same depth and displacement information as the decoder, the depth value and displacement vector are not needed in the bitstream, thus reducing the bandwidth. The encoder can accomplish this as long as the decoder uses exactly the same depth and displacement estimation process as the encoder. Thus, in this embodiment of the invention, the difference between the current macroblock and the synthesized macroblock is encoded by the encoder.
このモードのサイド情報はサイド情報エンコーダ720によって符号化される。サイド情報は、ビュー合成モードを示す信号及び参照ビュー(複数可)を含む。サイド情報は、エンコーダによってビュー合成に使用される奥行き及び変位と、デコーダによって推定される値との間の差である奥行き及び変位補正情報も含むことができる。
Side information in this mode is encoded by a
図18は、奥行き情報がデコーダにおいて推定又は推測され、符号化マルチビュービットストリームで伝達されない時の、ビュー合成モードを用いたマクロブロックの復号化プロセスを示す。奥行き2101は空間参照ピクチャ2102から推定される(2110)。次に、推定された奥行き及び空間参照ピクチャを用いてビュー合成2120を行い、合成マクロブロック2121を生成する。再構成マクロブロック2103が、合成マクロブロックと復号化された残差マクロブロック2104との加算2130によって形成される。
FIG. 18 shows the decoding process of a macroblock using the view synthesis mode when depth information is estimated or inferred at the decoder and is not conveyed in the encoded multi-view bitstream. The
空間ランダムアクセス
従来のビデオ中のフレームに対しランダムアクセスを提供するために、Iフレームとしても知られるイントラフレームが通常、ビデオ全体に間隔を置いて配置される。これにより、デコーダは、復号化シーケンス中の任意のフレームにアクセスすることが可能になるが、圧縮効率は低下する。
Spatial Random Access In order to provide random access to frames in conventional video, intra frames, also known as I-frames, are typically spaced throughout the video. This allows the decoder to access any frame in the decoding sequence, but reduces the compression efficiency.
本発明のマルチビューの符号化及び復号化システムのために、本明細書中において「Vフレーム」と呼ぶ新たなタイプのフレームを提供し、ランダムアクセス及び圧縮効率の向上を可能にする。Vフレームは、時間予測を用いずに符号化されるという意味でIフレームと同様である。しかし、Vフレームは、他のカメラからの予測又は合成ビデオからの予測も可能にする。具体的には、Vフレームは、空間参照ピクチャ又は合成参照ピクチャから予測される圧縮ビットストリーム中のフレームである。Iフレームの代わりにVフレームをビットストリームに周期的に挿入することによって、本発明では、Iフレームで可能であるような時間ランダムアクセスを、より高い符号化効率で提供する。したがって、Vフレームは時間参照フレームを使用しない。図19は、最初のビューに対するIフレームの使用、及び同時刻1900における以後のビューに対するVフレームの使用を示す。図5に示す格子構成の場合、Vフレームは、全てのビューに関して同時刻には生じないことに留意されたい。低域フレームのいずれかにVフレームを割り当てることができる。この場合、Vフレームは、近傍ビューの低域フレームから予測されることになる。
For the multi-view encoding and decoding system of the present invention, a new type of frame, referred to herein as a “V-frame”, is provided to allow for improved random access and compression efficiency. V frames are similar to I frames in the sense that they are encoded without using temporal prediction. However, V-frame also allows prediction from other cameras or prediction from composite video. Specifically, the V frame is a frame in a compressed bit stream predicted from a spatial reference picture or a synthesized reference picture. By periodically inserting V frames instead of I frames into the bitstream, the present invention provides temporal random access with higher coding efficiency as is possible with I frames. Therefore, the V frame does not use a temporal reference frame. FIG. 19 shows the use of an I frame for the first view and the use of a V frame for subsequent views at the
H.264/AVCビデオコーディング規格では、クローズドGOPを有するMPEG−2のIフレームに似たIDRフレームが、全ての参照ピクチャが復号ピクチャバッファから削除されることを示唆する。これにより、IDRフレームの前のフレームは、IDRフレームよりも後のフレームの予測に用いることができない。 H. In the H.264 / AVC video coding standard, an IDR frame similar to an MPEG-2 I frame with a closed GOP implies that all reference pictures are deleted from the decoded picture buffer. Thereby, the frame before the IDR frame cannot be used for prediction of the frame after the IDR frame.
本明細書中に記載するマルチビューデコーダでは、Vフレームが同様に、全ての時間参照ピクチャを復号ピクチャバッファから削除することができることを示唆する。しかし、空間参照ピクチャは復号ピクチャバッファに残しておくことができる。これにより、所与のビューにおけるVフレームの前のフレームは、同一ビューにおけるVフレームの後のフレームの時間予測を行うために用いることができない。 In the multi-view decoder described herein, V-frames similarly suggest that all temporal reference pictures can be deleted from the decoded picture buffer. However, the spatial reference picture can remain in the decoded picture buffer. Thus, the frame before the V frame in a given view cannot be used for temporal prediction of the frame after the V frame in the same view.
マルチビュービデオのうちの1つの特定のフレームにアクセスするためには、そのビューのVフレームをまず復号化しなければならない。上述のように、これは、時間参照ピクチャを使用することなく、空間参照ピクチャ又は合成参照ピクチャからの予測により達成することができる。 In order to access one particular frame of the multi-view video, the V-frame for that view must first be decoded. As described above, this can be achieved by prediction from spatial reference pictures or synthesized reference pictures without using temporal reference pictures.
選択ビューのVフレームを復号化した後、そのビューの以後のフレームを復号化する。これらの以後のフレームは、近傍ビューからの参照ピクチャに対して予測依存性を有する可能性が高いため、これらの近傍ビューにおける参照ピクチャも復号化する。 After decoding the V-frame of the selected view, the subsequent frames of that view are decoded. Since these subsequent frames are likely to have prediction dependence on reference pictures from neighboring views, the reference pictures in these neighboring views are also decoded.
マルチビューの符号化及び復号化
上記セクションは、マルチビューのコーディング及び奥行き推定における予測を改善するためのビュー合成を説明する。次に、可変ブロックサイズの奥行き及び動き探索、レート−歪み(RD)の決定、サブペル参照奥行き探索、並びに奥行き情報の文脈適応2進法算術コーディング(CABAC)の実装を説明する。コーディングは、エンコーダにおける符号化及びデコーダにおける復号化を含み得る。CABACは、H.624/MPEG−4規格パート10(参照により本明細書中に援用される)により規定される。
Multiview Coding and Decoding The above section describes view synthesis to improve prediction in multiview coding and depth estimation. Next, implementation of variable block size depth and motion search, rate-distortion (RD) determination, sub-pel reference depth search, and context-adaptive binary arithmetic coding (CABAC) of depth information is described. Coding may include encoding at the encoder and decoding at the decoder. CABAC is the H.C. Defined by 624 / MPEG-4 Standard Part 10 (incorporated herein by reference).
ビュー合成予測
カメラ間及び時刻間に存在する相関を取り込むために、2つのブロック予測方法を実施した。
1)視差補償ビュー予測(DCVP)、及び
2)ビュー合成予測(VSP)
View Synthesis Prediction Two block prediction methods were implemented to capture correlations that exist between cameras and between times.
1) Disparity compensated view prediction (DCVP), and 2) View synthesis prediction (VSP)
DCVP
第1の方法であるDCVPは、同一(ビュー)カメラの異なる時刻からのフレームを使用するのではなく、同時刻における異なるカメラ(ビュー)からのフレームを使用して現フレームを予測することに対応する。DCVPは、例えば遮蔽、物体がシーンに入ってくるか又はシーンから出て行くこと、又は速い動きのために時間的相関が空間的相関よりも低い場合に利得を提供する。
DCVP
DCVP, which is the first method, does not use frames from different times of the same (view) camera, but supports prediction of the current frame using frames from different cameras (views) at the same time. To do. DCVP provides gain when the temporal correlation is lower than the spatial correlation due to, for example, occlusion, objects entering or leaving the scene, or fast movement.
VSP
第2の方法であるVSPは、仮想カメラのフレームを合成してフレームシーケンスを予測する。VSPは、カメラビュー間の並進でない動きの存在によりDCVPに対して相補的であり、実際の応用において多くの場合にそうであるように、カメラパラメータが高品質の仮想ビューを提供するのに十分に正確である場合に利得を提供する。
VSP
The second method, VSP, synthesizes virtual camera frames to predict a frame sequence. VSP is complementary to DCVP due to the presence of non-translational motion between camera views, and camera parameters are sufficient to provide a high quality virtual view, as is often the case in practical applications. To provide gain when accurate.
図20に示すように、本発明では、既に符号化されたビューから仮想ビューを合成し、次に、合成ビューを用いて予測コーディングを行うことにより、マルチビュービデオのこれらの特徴を利用する。図20は、横軸に時間を、縦軸にビューを、ビューの合成及びワーピング2001、並びにビューの合成及び内挿2002と共に示す。
As shown in FIG. 20, the present invention takes advantage of these features of multi-view video by synthesizing a virtual view from already coded views and then performing predictive coding using the synthesized view. FIG. 20 shows time on the horizontal axis and view on the vertical axis, with view synthesis and warping 2001, and view synthesis and
具体的には、カメラc毎に、まずBuehler他(上記を参照)の非構造的なルミグラフのレンダリング技法に基づいて仮想フレームI’[c,t,x,y]を合成し、次に合成ビューを用いて現シーケンスを予測符号化する。 Specifically, for each camera c, the virtual frame I ′ [c, t, x, y] is first synthesized based on the unstructured Lumigraph rendering technique of Buehler et al. (See above), and then synthesized. Predictively encode the current sequence using the view.
フレームI’[c,t,x,y]を合成するには、まず、画素(x,y)に対応する物体が時刻tにおいてカメラcからどれだけ離れているかを示す奥行きマップD[c,t,x,y]、並びに何らかのワールド座標系に対するカメラcの位置を記述する内部行列A(c)、回転行列R(c)、及び並進ベクトルT(c)が必要である。 To synthesize the frame I ′ [c, t, x, y], first, a depth map D [c, indicating how far the object corresponding to the pixel (x, y) is from the camera c at time t. t, x, y] and an internal matrix A (c) describing the position of camera c relative to some world coordinate system, a rotation matrix R (c), and a translation vector T (c) are required.
これらの量を用いて、既知のピンホールカメラモデルを適用し、画素位置(x,y)を次式によりワールド座標[u,v,w]に投影することができる。 Using these quantities, a known pinhole camera model can be applied and the pixel position (x, y) can be projected onto world coordinates [u, v, w] by the following equations.
次に、ワールド座標を次式により、予測を行う基準としたいカメラc’のフレームのターゲット座標[x’,y’,z’]に写像する。 Next, the world coordinates are mapped to the target coordinates [x ′, y ′, z ′] of the frame of the camera c ′ to be used as a reference for prediction by the following equation.
最後に、画素位置を得るために、ターゲット座標を同次形[x’/z’,y’/z’,1]に変換し、合成フレーム内の画素位置(x,y)の強度はI’[c,t,x,y]=I[c’,t,x’/z’,y’/z’]となる。 Finally, in order to obtain the pixel position, the target coordinates are converted into a homogeneous form [x ′ / z ′, y ′ / z ′, 1], and the intensity of the pixel position (x, y) in the composite frame is I '[C, t, x, y] = I [c', t, x '/ z', y '/ z'].
可変ブロックサイズの奥行き/動き推定
上記では、構文を変更することなくDCVPの使用を可能にするピクチャバッファの管理方法を説明した。カメラビュー間の視差ベクトルは、動き推定ステップを用いることによって求め、単なる拡張参照タイプとして用いることができた。VSPをもう1つのタイプの参照として用いるために、通常の動き推定プロセスを以下のように拡張する。
Depth / motion estimation of variable block size In the above, a picture buffer management method that enables the use of DCVP without changing the syntax has been described. The disparity vector between camera views was obtained by using a motion estimation step and could be used as a simple extended reference type. In order to use VSP as another type of reference, the normal motion estimation process is extended as follows.
候補マクロブロックタイプmb_typeと、おそらくは合成マルチビュー参照フレームすなわちVSPを含むN個の可能な参照フレームとが与えられた状態で、サブマクロブロック毎に参照フレームを、ラグランジュ乗数λmotion又はλdepthをそれぞれ用いて以下のラグランジュコストJを最小化する動きベクトル(→)m又は奥行き/補正ベクトル対(d,(→)mc)と共に求める。 Given a candidate macroblock type mb_type and possibly N possible reference frames including a synthetic multiview reference frame, ie VSP, a reference frame for each sub-macroblock, a Lagrange multiplier λ motion or λ depth , respectively The following Lagrangian cost J is used together with a motion vector (→) m or a depth / correction vector pair (d, (→) m c ).
ただし、 However,
であり、 And
である。ここで、検討中のサブマクロブロック(sub−MB)内の全ての画素の和をとり、Xp_synth又はXp_motionは参照サブマクロブロック中の画素の強度を指す。 It is. Here, the sum of all the pixels in the sub-macroblock (sub-MB) under consideration is taken, and Xp_synth or Xp_motion indicates the intensity of the pixel in the reference sub-macroblock.
ここで、「動き」は時間的な動きだけでなく、ビュー間の視差から生じるビュー間の動きも指すことに留意されたい。 It should be noted here that “motion” refers not only to temporal motion, but also to motion between views resulting from parallax between views.
奥行き探索
本発明では、ブロックベースの奥行き探索プロセスを用いて、可変サイズのサブマクロブロック毎に最適な奥行きを求める。具体的には、最小奥行き値Dmin、最大奥行き値Dmax、及び増分奥行き値Dstepを定義する。次に、予測したいフレーム内の可変サイズのサブマクロブロック毎に、次式の合成ブロックの誤差を最小化する奥行きを選択する。
Depth Search In the present invention, an optimum depth is obtained for each variable-sized sub-macroblock using a block-based depth search process. Specifically, a minimum depth value D min , a maximum depth value D max , and an incremental depth value D step are defined. Next, for each variable macro sub-macroblock in the frame to be predicted, the depth that minimizes the error of the synthesized block of the following equation is selected.
ここで、‖I[c,t,x,y]−I[c’,t,x’,y’]‖は、時刻tにおけるカメラcの(x,y)を中心とするサブマクロブロックと、予測を行う基準となる対応するブロックとの間の平均誤差を示す。 Here, ‖I [c, t, x, y] −I [c ′, t, x ′, y ′] ‖ is a sub-macroblock centered on (x, y) of camera c at time t. The average error with the corresponding block which becomes a reference for performing the prediction is shown.
基本的なVSPプロセスの性能を高めるためのさらなる精緻化として、カメラパラメータのわずかな不正確さ(ピンホールカメラモデルでは取り込まれない非理想的なもの)のために、合成補正ベクトルを加算するとVSPの性能が大幅に改善されることが分かる。 As a further refinement to enhance the performance of the basic VSP process, the addition of the composite correction vector due to slight inaccuracies in camera parameters (a non-ideal one that is not captured by the pinhole camera model) It can be seen that the performance of is greatly improved.
具体的には、図21に示すように、マクロブロック2100毎に、ターゲットフレーム2101を参照フレーム2102に写像し、次に合成フレーム2103に写像する。しかし、式(1)を用いて内挿を行う基準となる座標を計算する代わりに、本発明では、合成補正ベクトル(Cx,Cy)2110を元の画素座標の各集合に加算することによって[u,v,w]を計算し、次式を得る。
Specifically, as shown in FIG. 21, for each
+/−2という小さな補正ベクトル探索範囲により、多くの場合に、結果として得られる合成参照フレームの品質が大きく改善されることを発見した。 It has been discovered that a small correction vector search range of +/− 2 often greatly improves the quality of the resulting composite reference frame.
サブピクセル参照マッチング
異なるカメラの2つの対応する画素の視差は概して、整数の正確な倍数では与えられないため、式(2)により与えられる予測を行う基準としたいカメラc’のフレームのターゲット座標[x’,y’,z’]は、常に整数グリッドの点に該当するとは限らない。したがって、本発明では内挿を用いて、参照フレーム内のサブペル位置の画素値を生成する。これにより、整数ペルではなく最も近いサブペル参照点を選択できるようになり、画素間の真の視差により正確に近似する。
Sub-pixel reference matching Since the disparity between two corresponding pixels of different cameras is generally not given by an exact multiple of an integer, the target coordinates of the frame of the camera c ′ to be used as the basis for the prediction given by equation (2) x ′, y ′, z ′] does not always correspond to a point of an integer grid. Therefore, in the present invention, pixel values at sub-pel positions in the reference frame are generated using interpolation. As a result, the closest sub-pel reference point can be selected instead of the integer pel, and the approximate parallax between the pixels is accurately approximated.
図22はこのプロセスを示し、「oxx...ox」は画素を示す。H.264規格においてサブペル動き推定に採用される同じ内挿フィルタを本発明の実装において用いる。 FIG. 22 illustrates this process, where “oxx ... ox” indicates a pixel. H. The same interpolation filter employed for sub-pel motion estimation in the H.264 standard is used in the implementation of the present invention.
サブピクセル精度の補正ベクトル
本発明では、サブペル精度の補正ベクトルの使用を可能にすることにより合成品質をさらに高めることができる。これは特に、上述のサブペル参照マッチングと組み合わせる場合に当てはまる。なお、サブペル動きベクトル探索とこのサブペル補正ベクトル探索との間にはわずかな違いがある。
Sub-pixel accuracy correction vector In the present invention, the synthesis quality can be further improved by enabling the use of a sub-pel accuracy correction vector. This is especially true when combined with the subpel reference matching described above. There is a slight difference between the sub-pel motion vector search and the sub-pel correction vector search.
動きベクトルの場合、通常は、参照ピクチャ内のサブペル位置を探索し、RDコストを最小化するサブペル位置を指すサブペル動きベクトルを選択する。しかし、補正ベクトルの場合、最適な奥行き値を求めた後、現ピクチャ内のサブペル位置を探索して、RDコストを最小化する補正ベクトルを選択する。 In the case of a motion vector, usually, a subpel position in the reference picture is searched, and a subpel motion vector indicating the subpel position that minimizes the RD cost is selected. However, in the case of a correction vector, after obtaining an optimum depth value, a sub-pel position in the current picture is searched to select a correction vector that minimizes the RD cost.
現ピクチャにおけるサブペル補正ベクトル分のシフトが、参照ピクチャにおいて同じシフト量になるとは限らない。言い換えれば、参照ピクチャ内の対応する一致は常に、式(1)及び式(2)の幾何変換後に最も近いサブペル位置に丸めることによって見付かる。 The shift for the sub-pel correction vector in the current picture is not always the same shift amount in the reference picture. In other words, the corresponding match in the reference picture is always found by rounding to the nearest sub-pel position after the geometric transformation of equations (1) and (2).
サブペル精度の補正ベクトルのコーディングは比較的複雑であるが、このコーディングにより合成品質が大幅に改善され、多くの場合にRD性能が改善されることを観測している。 Although the coding of correction vectors with sub-pel accuracy is relatively complex, we have observed that this coding significantly improves the synthesis quality and in many cases improves the RD performance.
YUV−奥行き探索
奥行き推定では、規則化により、より滑らかな奥行きマップを達成することができる。規則化は、合成予測の視覚的品質を改善するが、差分絶対値和(SAD)により測定した場合にその予測品質をわずかに低下させる。
YUV-depth search In depth estimation, a smoother depth map can be achieved by regularization. Regularization improves the visual quality of the composite prediction, but slightly reduces its prediction quality when measured by the sum of absolute differences (SAD).
従来の奥行き探索プロセスは、入力画像のYのルミナンス成分のみを用いて、奥行きマップの奥行きを推定する。これにより、Y成分の予測誤差が最小化されるが、合成予測では例えばカラーミスマッチの形態の視覚アーチファクトを生じることが多い。これは、最終的な再構成物の客観的品質(すなわちU、VのPSNR)及びカラーミスマッチの形態の主観的品質が低下する可能性が高いことを意味する。 The conventional depth search process estimates the depth of the depth map using only the Y luminance component of the input image. This minimizes the Y component prediction error, but composite prediction often produces visual artifacts in the form of color mismatch, for example. This means that the objective quality of the final reconstruction (ie U, V PSNR) and the subjective quality in the form of color mismatch are likely to be degraded.
この問題に対処するために、本発明では、奥行き探索プロセスを拡張して、Yのルミナンス成分並びにU及びVのクロミナンス成分を用いる。Y成分のみを用いた場合、予測誤差を最小化することによりブロックが参照フレームにおいて良好な一致を見付ける可能性があるが、これらの2つの一致領域は2つの完全に異なる色である可能性があるため、視覚アーチファクトが生じる可能性がある。したがって、U及びVの予測及び再構成の品質は、奥行き探索プロセスにU成分及びV成分を組み込むことによって高めることができる。 To address this problem, the present invention extends the depth search process to use Y luminance components and U and V chrominance components. If only the Y component is used, the block may find a good match in the reference frame by minimizing the prediction error, but these two match regions may be two completely different colors. As such, visual artifacts can occur. Thus, the quality of U and V prediction and reconstruction can be enhanced by incorporating the U and V components in the depth search process.
RDモード決定
モード決定は、次のように定義されるラグランジュコスト関数Jmodeを最小化するmb_typeを選択することによって行うことができる。
RD Mode Determination Mode determination can be performed by selecting mb_type that minimizes the Lagrangian cost function J mode defined as follows.
ここで、Xpは、参照MB、すなわち、合成マルチビュー参照、純粋なマルチビュー参照又は時間参照のMB内の画素の値を指し、Rside−infoは、参照フレームのタイプにより、参照インデックス及び奥行き値/補正値を符号化するビットレート、又は動きベクトルを含む。 Where X p refers to the value of a pixel in the reference MB, ie, a composite multi-view reference, a pure multi-view reference or a temporal reference MB, and R side-info is a reference index and a reference index, depending on the type of the reference frame. Contains the bit rate or motion vector that encodes the depth value / correction value.
サイド情報のCABACによる符号化
本発明では、各合成MBがRDモード決定により最良の参照として選択される場合に、そのMBの奥行き値及び補正ベクトルを符号化しなければならないことに留意されたい。奥行き値及び補正ベクトルの両方が、連結単項/三次指数ゴロム(concatenated unary/3rd-order Exp-Golomb)(UEG3)2値化を用いて、signedValFlag=1とし、カットオフパラメータuCoff=9として、動きベクトルと全く同様に量子化される。
Note that CABAC coding of side information In the present invention, when each composite MB is selected as the best reference by RD mode decision, the depth value and correction vector of that MB must be coded. Both depth values and the correction vector, ligated unary / tertiary Exponential Golomb (concatenated unary / 3 rd -order Exp -Golomb) (UEG3) using binarization, and signedValFlag = 1, as a cut-off parameter uCoff = 9, It is quantized just like a motion vector.
次に、結果として得られる2進表現のビンに異なる文脈モデルを割り当てる。奥行き及び補正ベクトル成分に対するctxIdxIncの割り当ては基本的に、ITU−T勧告H.264及びISO/IEC 14496−10(MPEG−4)AVC「一般視聴覚サービスのための高度なビデオコーディング(Advanced Video Coding for Generic Audiovisual Services)」(第3版、2005年)(参照により本明細書中に援用される)の表9−30に規定されるような動きベクトルの場合と同じである。ただし本発明では、節(subclause)9.3.3.1.1.7を1番目のビンに適用しない。 Next, different context models are assigned to the bins of the resulting binary representation. The assignment of ctxIdxInc to depth and correction vector components is basically ITU-T recommendation H.264. H.264 and ISO / IEC 14496-10 (MPEG-4) AVC “Advanced Video Coding for Generic Audiovisual Services” (3rd edition, 2005) (herein incorporated by reference) The same as in the case of motion vectors as defined in Table 9-30. However, the present invention does not apply subclause 9.3.3.1.1.7 to the first bin.
本実施の形態では、動きベクトルと同じ予測方式を用いて奥行き値及び補正ベクトルを予測符号化する。MB又は8×8という小さいサイズのサブMBが、時間フレーム、マルチビューフレーム、又は合成マルチビューフレームからの独自の参照ピクチャを持つことができるため、サイド情報のタイプはMB毎に異なり得る。これは、同一の参照ピクチャを有する近傍MBの数が少なくなる可能性があることを示唆し、サイド情報(動きベクトル又は奥行き/補正ベクトル)の予測効率が低くなる可能性がある。 In the present embodiment, the depth value and the correction vector are predictively encoded using the same prediction method as the motion vector. Since sub-MBs as small as MB or 8x8 can have their own reference pictures from time frames, multi-view frames, or composite multi-view frames, the type of side information can vary from MB to MB. This suggests that the number of neighboring MBs having the same reference picture may be reduced, and the prediction efficiency of side information (motion vector or depth / correction vector) may be reduced.
合成参照を用いるためにサブMBが選択されるが、同じ参照を有するMBが周囲にない場合、予測を用いずにその奥行き/補正ベクトルを個別にコーディングする。実際に、固定長表現を用いて補正ベクトル成分を2値化した後に、結果として得られたビンをCABAC符号化すれば十分である場合が多いことが分かった。これは、合成参照を用いるために選択されるMBは孤立している傾向がある、すなわち、それらのMBには同一参照ピクチャを有する近傍MBがなく、補正ベクトルは通常、動きベクトルの場合に比べて近傍との相関が低いためである。 If a sub-MB is selected to use a composite reference, but there are no surrounding MBs with the same reference, its depth / correction vector is coded separately without using prediction. In practice, it has been found that it is often sufficient to CABAC-encode the resulting bin after binarizing the correction vector component using a fixed length representation. This is because the MBs selected to use synthetic references tend to be isolated, i.e. they do not have neighboring MBs with the same reference picture, and the correction vector is usually compared to the case of motion vectors. This is because the correlation with the neighborhood is low.
構文及び意味
上述のように、本発明では、時間参照及び純粋なマルチビュー参照に加えて合成参照ピクチャを組み込む。上記では、上記で参照したH.264/AVC規格における既存の参照ピクチャリスト管理と互換性のあるマルチビュー参照ピクチャリスト管理方法を説明した。
Syntax and Semantics As noted above, the present invention incorporates synthetic reference pictures in addition to temporal references and pure multiview references. In the above, the H. The multi-view reference picture list management method compatible with the existing reference picture list management in the H.264 / AVC standard has been described.
本実施の形態における合成参照は、マルチビュー参照の特別な場合として見なされるため、全く同様に処理される。 Since the composite reference in this embodiment is regarded as a special case of multi-view reference, it is processed in exactly the same way.
本明細書では、マルチビューの識別及び予測構造を記述するために、view_parameter_setと呼ばれる新たな高レベルの構文要素を定義する。パラメータをわずかに修正することにより、現参照ピクチャが合成タイプのものであるか否かを識別することができる。したがって、所与の(サブ)MBの奥行き/補正ベクトル又は動きベクトルを参照のタイプに応じて復号化することができる。したがって、マクロブロックレベルの構文を付録Aに規定するように拡張することによって、この新たなタイプの予測の使用を統合することができる。 This document defines a new high level syntax element called view_parameter_set to describe the multi-view identification and prediction structure. By slightly modifying the parameters, it is possible to identify whether the current reference picture is of a composite type. Thus, the depth / correction vector or motion vector of a given (sub) MB can be decoded depending on the type of reference. Thus, by extending the macroblock level syntax as specified in Appendix A, the use of this new type of prediction can be integrated.
本発明を好ましい実施の形態の例として説明してきたが、本発明の精神及び範囲内で様々な他の適応及び変更を行うことができることが理解される。したがって、添付の特許請求の範囲の目的は、本発明の真の精神及び範囲に入るそのような変形及び変更をすべて網羅することである。 Although the invention has been described by way of examples of preferred embodiments, it is understood that various other adaptations and modifications can be made within the spirit and scope of the invention. Accordingly, the purpose of the appended claims is to cover all such variations and modifications as fall within the true spirit and scope of the present invention.
付録A Appendix A
節7.4.5.1 マクロブロック予測の意味の補足
depthd_l0[mbPartIdx][0]は、使用される奥行き値とその予測との間の差を指定する。インデックスmbPartIdxは、どのマクロブロック境界にdepthd_l0を割り当てるのかを指定する。マクロブロックの分割はmb_typeにより指定される。
Section 7.4.5.1 Supplement to the meaning of macroblock prediction depthd_10 [mbPartIdx] [0] specifies the difference between the depth value used and its prediction. The index mbPartIdx specifies to which macroblock boundary depthd_10 is assigned. The division of the macroblock is specified by mb_type.
depthd_l1[mbPartIdx][0]は、depthd_l0と同じ意味を有し、l0がl1に置き換わっている。 depthd_l1 [mbPartIdx] [0] has the same meaning as depthd_l0, and l0 is replaced with l1.
corr_vd_l0[mbPartIdx][0][compIdx]は、使用される補正ベクトル成分とその予測との間の差を指定する。インデックスmbPartIdxは、どのマクロブロック境界にcorr_vd_l0を割り当てるのかを指定する。マクロブロックの分割はmb_typeにより指定される。水平方向の補正ベクトル成分の差が復号化順で最初に復号化され、CompIdx=0が割り当てられる。垂直方向の補正ベクトル成分が復号化順で次に復号化され、CompIdx=1が割り当てられる。 corr_vd_10 [mbPartIdx] [0] [compIdx] specifies the difference between the correction vector component used and its prediction. The index mbPartIdx specifies to which macroblock boundary corr_vd_10 is assigned. The division of the macroblock is specified by mb_type. The difference between the correction vector components in the horizontal direction is first decoded in decoding order and is assigned CompIdx = 0. The vertical correction vector components are then decoded in decoding order and assigned with CompIdx = 1.
corr_vd_l1[mbPartIdx][0][compIdx]は、corr_vd_l0と同じ意味を有し、l0がl1に置き換わっている。 corr_vd_l1 [mbPartIdx] [0] [compIdx] has the same meaning as corr_vd_l0, and l0 is replaced with l1.
節7.4.5.2 サブマクロブロック予測の意味の補足
depthd_l0[mbPartIdx][subMbPartIdx]はdepthd_l0と同じ意味を有するが、ただし、subMbPartIdxを有するサブマクロブロック境界インデックスに適用される。インデックスmbPartIdx及びsubMbPartIdxは、どのマクロブロック境界及びサブマクロブロック境界にdepthd_l0を割り当てるのかを指定する。
Section 7.4.5.2 Supplementary semantics of sub-macroblock prediction depthd_l0 [mbPartIdx] [subMbPartIdx] has the same meaning as depthd_l0, but applies to sub-macroblock boundary indexes with subMbPartIdx. The indexes mbPartIdx and subMbPartIdx specify which macroblock boundary and sub-macroblock boundary are assigned depthd_l0.
depthd_l1[mbPartIdx][subMbPartIdx]はdepthd_l0と同じ意味を有し、l0がl1に置き換わっている。 depthd_l1 [mbPartIdx] [subMbPartIdx] has the same meaning as depthd_l0, and l0 is replaced with l1.
corr_vd_l0[mbPartIdx][subMbPartIdx][compIdx]は、corr_vd_l0と同じ意味を有するが、ただし、subMbPartIdxを有するサブマクロブロック境界インデックスに適用される。インデックスmbPartIdx及びsubMbPartIdxは、どのマクロブロック境界及びサブマクロブロック境界にcoor_vd_l0を割り当てるのかを指定する。 corr_vd_l0 [mbPartIdx] [subMbPartIdx] [compIdx] has the same meaning as corr_vd_l0, but applies to the sub-macroblock boundary index with subMbPartIdx. The indexes mbPartIdx and subMbPartIdx specify to which macroblock boundary and sub macroblock boundary the coor_vd_l0 is assigned.
corr_vd_l1[mbPartIdx][subMbPartIdx][compIdx]はcorr_vd_l0と同じ意味を有し、l0がl1に置き換わっている。 corr_vd_l1 [mbPartIdx] [subMbPartIdx] [compIdx] has the same meaning as corr_vd_l0, and l0 is replaced with l1.
ビューパラメータ集合の意味の補足
multiview_typeが1である場合、現ビューが他のビューから合成されることを指定する。multiview_typeが0である場合、現ビューが合成されたものではないことを示す。
Supplement to the meaning of the view parameter set When multiview_type is 1, it specifies that the current view is synthesized from other views. If multiview_type is 0, it indicates that the current view has not been synthesized.
multiview_synth_ref0は、合成に用いられる第1のビューのインデックスを指定する。 multiview_synth_ref0 specifies the index of the first view used for composition.
multiview_synth_ref1は、合成に用いられる第2のビューのインデックスを指定する。 multiview_synth_ref1 specifies the index of the second view used for composition.
Claims (20)
前記マルチビュービデオの特定のビューを合成するための奥行き値を含むサイド情報を得るステップと、
前記複数のマルチビュービデオのうちの少なくとも1つを含むビデオが入力され、当該入力されたビデオから、前記サイド情報を用いて、前記入力されたビデオとは異なる1つの姿勢に対応させた合成マルチビュービデオを生成するステップと、
前記複数のマルチビュービデオの中の特定の各1つのマルチビュービデオの特定の時刻に関連するピクチャ毎に、取得された前記複数のマルチビュービデオの時間参照ピクチャ及び空間参照ピクチャ、並びに前記合成マルチビュービデオの合成参照ピクチャをインデックス付けしている、参照ピクチャリストを保持するステップであって、前記時間参照ピクチャ、前記空間参照ピクチャ、および、前記合成参照ピクチャの各々には、1つのピクチャ順序カウントが割りつけられている、ステップと、
前記複数のマルチビュービデオの各現フレームを、関連する前記参照ピクチャリストによりインデックス付けされた参照ピクチャに従って予測するステップと
を含む、或るシーンの複数のマルチビュービデオを処理する方法。 A method of processing multiple multi-view videos of a scene, each video being acquired by a corresponding camera arranged in a specific pose, each camera view being a view of at least one other camera Overlap,
Obtaining side information including depth values for compositing a particular view of the multi-view video;
A video including at least one of the plurality of multi-view videos is input, and a composite multi that corresponds to one posture different from the input video using the side information from the input video. Generating a view video;
A temporal reference picture and a spatial reference picture of the plurality of multi-view videos acquired for each picture associated with a specific time of each one particular multi-view video in the plurality of multi-view videos, and the composite multi Maintaining a reference picture list indexing a synthesized reference picture of a view video , wherein each of the temporal reference picture, the spatial reference picture, and the synthesized reference picture has a picture order count Is assigned, step ,
Predicting each current frame of the plurality of multi-view videos according to a reference picture indexed by the associated reference picture list. A method of processing a plurality of multi-view videos of a scene.
請求項1記載の方法。 The side information The method of claim 1, further comprising a compensation vector.
請求項1記載の方法。 The method of claim 1, further comprising warping one of the plurality of acquired multi-view videos to synthesize the synthesized multi-view video.
請求項1記載の方法。 The method of claim 1, further comprising interpolating two or more of the obtained multi-view videos to synthesize the synthesized multi-view video.
請求項1記載の方法。 The method of claim 1, wherein the side information is obtained at an encoder.
請求項1記載の方法。 The method of claim 1, in which the side information is obtained at a decoder.
請求項2記載の方法。 The method of claim 2, wherein the side information is associated with each block boundary of each macroblock in each frame.
請求項2記載の方法。 The method of claim 2, wherein the correction vector has sub-pixel accuracy for the current frame.
請求項1記載の方法。 The combining step is performed by applying a geometric transformation to pixels within a macroblock boundary according to camera parameters and associated side information and by rounding to the nearest subpel position in the spatial reference picture. The method according to 1.
請求項1記載の方法。 The method of claim 1, wherein each frame of the synthesized multi-view video includes a plurality of synthesized macroblocks generated based on the spatial reference picture and the side information associated with each macroblock boundary.
請求項10記載の方法。 The method of claim 10, wherein a reconstructed macroblock is generated by adding the synthesized macroblock and the decoded residual macroblock.
請求項2記載の方法。 The method of claim 2, wherein the luminance and chrominance samples of the spatial reference picture are used to determine the associated depth value for each block boundary in each frame.
請求項10記載の方法。 The method of claim 10, wherein the composite macroblock is associated with a displacement vector.
請求項13記載の方法。 The displacement vector has sub-pixel accuracy;
The method of claim 13.
請求項6記載の方法。 The method of claim 6, wherein the side information is obtained at the decoder by a context-based binary arithmetic decoder.
請求項1記載の方法。 The method of claim 1, wherein the predicting using the synthesized multi-view video as a reference is performed on a V picture.
請求項1記載の方法。 The method of claim 1, wherein a synthesized frame of the synthesized multiview video is generated by warping a corresponding frame of one of the acquired multiview videos.
請求項1記載の方法。 The method of claim 1, wherein the synthesizing step uses a model of the scene.
請求項1記載の方法。 The method of claim 1, wherein the combining step uses a depth map, an internal matrix, a rotation matrix, and a translation vector.
それぞれのカメラがシーンのマルチビュービデオを取得するように構成され、それぞれのカメラが特定の姿勢で配置され、それぞれのカメラのビューが少なくとも1つの他のカメラのビューと重なる、複数のカメラと、
前記マルチビュービデオの特定のビューを合成するための奥行き値を含むサイド情報を得る手段と、
前記複数のマルチビュービデオのうちの少なくとも1つを含むビデオが入力され、当該入力されたビデオから、前記サイド情報を用いて、前記入力されたビデオとは異なる1つの姿勢に対応させた合成マルチビュービデオを生成する手段と、
前記複数のマルチビュービデオの中の特定の各1つのマルチビュービデオの特定の時刻に関連するピクチャ毎に、取得された前記複数のマルチビュービデオの時間参照ピクチャ及び空間参照ピクチャ、並びに前記合成マルチビュービデオの合成参照ピクチャをインデックス付けする、参照ピクチャリストを保持するように構成されるメモリバッファであって、前記時間参照ピクチャ、前記空間参照ピクチャ、および、前記合成参照ピクチャの各々には、1つのピクチャ順序カウントが割りつけられている、メモリバッファと、
前記複数のマルチビュービデオの各現フレームを、関連する前記参照ピクチャリストによりインデックス付けされた参照ピクチャに従って予測する手段と
を備える、或るシーンの複数のマルチビュービデオを処理するシステム。 A system for processing multiple multi-view videos of a scene,
A plurality of cameras, each camera configured to acquire a multi-view video of a scene, each camera being positioned in a particular orientation, and each camera view overlapping at least one other camera view;
Means for obtaining side information including depth values for compositing a particular view of the multi-view video;
A video including at least one of the plurality of multi-view videos is input, and a composite multi that corresponds to one posture different from the input video using the side information from the input video. A means of generating a view video;
A temporal reference picture and a spatial reference picture of the plurality of multi-view videos acquired for each picture associated with a specific time of each one particular multi-view video in the plurality of multi-view videos, and the composite multi A memory buffer configured to hold a reference picture list for indexing a synthesized reference picture of a view video , wherein each of the temporal reference picture, the spatial reference picture, and the synthesized reference picture is 1 A memory buffer with two picture order counts assigned ,
Means for predicting each current frame of the plurality of multi-view videos according to a reference picture indexed by the associated reference picture list.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US11/485,092 | 2006-07-12 | ||
US11/485,092 US7728878B2 (en) | 2004-12-17 | 2006-07-12 | Method and system for processing multiview videos for view synthesis using side information |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2008022549A JP2008022549A (en) | 2008-01-31 |
JP5013993B2 true JP5013993B2 (en) | 2012-08-29 |
Family
ID=39078131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007173941A Expired - Fee Related JP5013993B2 (en) | 2006-07-12 | 2007-07-02 | Method and system for processing multiple multiview videos of a scene |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5013993B2 (en) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007114608A1 (en) | 2006-03-30 | 2007-10-11 | Lg Electronics Inc. | A method and apparatus for decoding/encoding a video signal |
WO2008023968A1 (en) | 2006-08-25 | 2008-02-28 | Lg Electronics Inc | A method and apparatus for decoding/encoding a video signal |
CN102017627B (en) * | 2008-04-25 | 2013-05-01 | 汤姆森许可贸易公司 | Multi-view video coding with disparity estimation based on depth information |
CN102100070A (en) | 2008-07-20 | 2011-06-15 | 杜比实验室特许公司 | Encoder optimization of stereoscopic video delivery systems |
JP2010157822A (en) * | 2008-12-26 | 2010-07-15 | Victor Co Of Japan Ltd | Image decoder, image encoding/decoding method, and program of the same |
CN102265617A (en) | 2008-12-26 | 2011-11-30 | 日本胜利株式会社 | Image encoding device, image encoding method, program thereof, image decoding device, image decoding method, and program thereof |
JP4821846B2 (en) * | 2008-12-26 | 2011-11-24 | 日本ビクター株式会社 | Image encoding apparatus, image encoding method and program thereof |
JP2010157826A (en) * | 2008-12-26 | 2010-07-15 | Victor Co Of Japan Ltd | Image decoder, image encoding/decoding method, and program of the same |
JP2010157824A (en) * | 2008-12-26 | 2010-07-15 | Victor Co Of Japan Ltd | Image encoder, image encoding method, and program of the same |
JP2010157821A (en) * | 2008-12-26 | 2010-07-15 | Victor Co Of Japan Ltd | Image encoder, image encoding method, and program of the same |
JP2010157823A (en) * | 2008-12-26 | 2010-07-15 | Victor Co Of Japan Ltd | Image encoder, image encoding method, and program of the same |
RU2479936C2 (en) * | 2009-01-19 | 2013-04-20 | Панасоник Корпорэйшн | Encoding method, decoding method, encoding device, decoding device, program and integrated circuit |
WO2010126613A2 (en) | 2009-05-01 | 2010-11-04 | Thomson Licensing | Inter-layer dependency information for 3dv |
WO2012036903A1 (en) | 2010-09-14 | 2012-03-22 | Thomson Licensing | Compression methods and apparatus for occlusion data |
KR20240027889A (en) | 2011-11-11 | 2024-03-04 | 지이 비디오 컴프레션, 엘엘씨 | Efficient Multi-View Coding Using Depth-Map Estimate and Update |
WO2013068548A2 (en) | 2011-11-11 | 2013-05-16 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Efficient multi-view coding using depth-map estimate for a dependent view |
JP2016127372A (en) * | 2014-12-26 | 2016-07-11 | Kddi株式会社 | Video encoder, video decoder, video processing system, video encoding method, video decoding method, and program |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004208259A (en) * | 2002-04-19 | 2004-07-22 | Matsushita Electric Ind Co Ltd | Motion vector calculating method |
JP2005005844A (en) * | 2003-06-10 | 2005-01-06 | Hitachi Ltd | Computation apparatus and coding processing program |
US7468745B2 (en) * | 2004-12-17 | 2008-12-23 | Mitsubishi Electric Research Laboratories, Inc. | Multiview video decomposition and encoding |
-
2007
- 2007-07-02 JP JP2007173941A patent/JP5013993B2/en not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP2008022549A (en) | 2008-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5116394B2 (en) | Method and system for processing multiple multiview videos of a scene | |
JP5744333B2 (en) | Method and system for processing a multi-view video of a scene | |
JP5013993B2 (en) | Method and system for processing multiple multiview videos of a scene | |
JP4890201B2 (en) | Method and system for managing multi-view video | |
JP5274766B2 (en) | Method and system for predicting multi-view video | |
US7728878B2 (en) | Method and system for processing multiview videos for view synthesis using side information | |
JP5106830B2 (en) | Method and system for randomly accessing multiview video | |
JP5154679B2 (en) | How to decode multiview video | |
US20120314027A1 (en) | Method and System for Processing Multiview Videos for View Synthesis Using Motion Vector Predictor List | |
EP2870766B1 (en) | Method and system for processing multiview videos for view synthesis using motion vector predictor list |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20100614 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20110726 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20110915 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20120508 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20120605 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20150615 Year of fee payment: 3 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5013993 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |