Some content of this application is unavailable at the moment.
If this situation persist, please contact us atFeedback&Contact
1. (WO2019046306) METHOD AND APPARATUS FOR FILTERING WITH MULTI-BRANCH DEEP LEARNING
Latest bibliographic data on file with the International Bureau    Submit observation

Pub. No.: WO/2019/046306 International Application No.: PCT/US2018/048352
Publication Date: 07.03.2019 International Filing Date: 28.08.2018
IPC:
G06T 9/00 (2006.01) ,H04N 19/82 (2014.01)
G PHYSICS
06
COMPUTING; CALCULATING; COUNTING
T
IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
9
Image coding, e.g. from bit-mapped to non bit-mapped
[IPC code unknown for H04N 19/82]
Applicants:
INTERDIGITAL VC HOLDINGS, INC. [US/US]; 200 Bellevue Parkway Suite 300 Wilmington, Delaware 19809, US
Inventors:
GALPIN, Franck; FR
RACAPE, Fabien; FR
DE MARMIESSE, Gabriel; FR
Agent:
DORINI, Brian, J.; US
LU, Xiaoan; US
Priority Data:
17306102.928.08.2017EP
Title (EN) METHOD AND APPARATUS FOR FILTERING WITH MULTI-BRANCH DEEP LEARNING
(FR) PROCÉDÉ ET APPAREIL DE FILTRAGE À APPRENTISSAGE PROFOND À BRANCHES MULTIPLES
Abstract:
(EN) Deep learning may be used in video compression for in-loop filtering in order to reduce artifacts. To reduce the computation complexity of the neural networks, in one embodiment, a multi-branch CNN is used. The multi-branch CNN may include multiple basic CNNs and an identify filter, where each basic CNN or the identity filter is considered as a branch. At the encoder side, the best branch can be chosen, for example, based on RDO. The best branch can be indicated to or be derived at the decoder side. For similar filtering performance, each basic CNN in the multi-branch CNN can use fewer layers than if the filter is done by a single-branch CNN. At the decoder side, the best branch is used for in-loop filtering. By breaking the symmetry at the encoding and decoding using the CNN, the computation complexity at the decoder side can be reduced.
(FR) Selon la présente invention, un apprentissage profond peut être utilisé dans la compression vidéo pour un filtrage en boucle afin de réduire les artefacts. Pour réduire la complexité de calcul des réseaux neuronaux, dans un mode de réalisation, un CNN à branches multiples est utilisé. Le CNN à branches multiples peut comprendre de multiples CNN de base et un filtre d'identification, chaque CNN de base ou le filtre d'identité étant considéré comme une branche. Du côté codeur, la meilleure branche peut être choisie, par exemple sur la base de RDO. La meilleure branche peut être indiquée ou être dérivée du côté décodeur. Pour une operation de filtrage similaire, chaque CNN de base dans le CNN à branches multiples peut utiliser moins de couches que si le filtre est exécuté par un CNN à branche unique. Du côté décodeur, la meilleure branche est utilisée pour un filtrage en boucle. En cassant la symétrie au niveau du codage et du décodage à l'aide du CNN, la complexité de calcul du côté décodeur peut être réduite.
front page image
Designated States: AE, AG, AL, AM, AO, AT, AU, AZ, BA, BB, BG, BH, BN, BR, BW, BY, BZ, CA, CH, CL, CN, CO, CR, CU, CZ, DE, DJ, DK, DM, DO, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH, GM, GT, HN, HR, HU, ID, IL, IN, IR, IS, JO, JP, KE, KG, KH, KN, KP, KR, KW, KZ, LA, LC, LK, LR, LS, LU, LY, MA, MD, ME, MG, MK, MN, MW, MX, MY, MZ, NA, NG, NI, NO, NZ, OM, PA, PE, PG, PH, PL, PT, QA, RO, RS, RU, RW, SA, SC, SD, SE, SG, SK, SL, SM, ST, SV, SY, TH, TJ, TM, TN, TR, TT, TZ, UA, UG, US, UZ, VC, VN, ZA, ZM, ZW
African Regional Intellectual Property Organization (ARIPO) (BW, GH, GM, KE, LR, LS, MW, MZ, NA, RW, SD, SL, ST, SZ, TZ, UG, ZM, ZW)
Eurasian Patent Office (AM, AZ, BY, KG, KZ, RU, TJ, TM)
European Patent Office (EPO) (AL, AT, BE, BG, CH, CY, CZ, DE, DK, EE, ES, FI, FR, GB, GR, HR, HU, IE, IS, IT, LT, LU, LV, MC, MK, MT, NL, NO, PL, PT, RO, RS, SE, SI, SK, SM, TR)
African Intellectual Property Organization (BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, KM, ML, MR, NE, SN, TD, TG)
Publication Language: English (EN)
Filing Language: English (EN)