[发明专利]使用分割信息的信令解码

说明书

本发明还涉及用于从码流中解码(用于静止图像或视频处理的)数据的方法和装置。从所述码流中获取两个或两个以上分割信息元素集。然后，将所述两个或两个以上分割信息元素集中的每个分割信息元素集分别输入到多个级联层中的两个或两个以上分割信息处理层中。在所述两个或两个以上分割信息处理层中的每个分割信息处理层中，处理各自的分割信息集。根据所述多个级联层处理的所述分割信息，获取用于图像或视频处理的经解码数据。因此，可以在分层结构中以高效的方式从所述码流中解码所述数据。

技术领域

本发明实施例大体上涉及使用多个处理层从码流中解码用于图像或视频处理的数据的领域。具体地，一些实施例涉及用于这种解码的方法和装置。

背景技术

几十年来，混合图像和视频编解码器一直被用于压缩图像和视频数据。在这种编解码器中，通常通过对块进行预测和通过对原始块与其预测块之间的差异进行译码来逐块对信号进行编码。具体地，这种译码可以包括变换、量化和生成码流，通常包括一些熵译码。通常，混合译码方法的三个组成部分——变换、量化和熵译码——分别进行优化。现代视频压缩标准，如高效视频编码(High-Efficiency Video Coding，HEVC)、通用视频编码(Versatile Video Coding，VVC)和基本视频编码(Essential Video Coding，EVC)也使用变换表示对预测后的残差信号进行译码。

最近，机器学习已应用于图像和视频译码。通常，机器学习可以以各种不同的方式应用于图像和视频译码。例如，人们已经讨论了一些端到端优化的图像或视频编码方案。此外，机器学习已被用于确定或优化端到端译码的某些部分，例如预测参数的选择或压缩等。这些应用的共同点是，产生了一些特征图数据，这些数据将在编码器和解码器之间发送。码流的高效结构可以大大有助于减少对图像/视频源信号进行编码的比特数。

神经网络通常包括两个或两个以上的层。特征图是层的输出。在设备之间(例如，在编码器和解码器之间、设备和云之间或在不同设备之间)划分的神经网络中，划分位置(例如，第一设备)输出处的特征图被压缩并传输到神经网络的其余层(例如，传输到第二设备)。

可能需要使用经过训练的网络架构进一步改进编码和解码。

发明内容

本发明的一些实施例提供了用于以高效的方式对图像进行解码并使一些可扩展性适应所需参数和内容的方法和装置。

上述和其它目标通过独立权利要求请求保护的主题来实现。根据从属权利要求、说明书以及附图，其它实现方式是显而易见的。

根据一个方面，提供了一种用于从码流中解码用于图像或视频处理的数据的方法，其中，所述方法包括：从所述码流中获取两个或两个以上分割信息元素集；将所述两个或两个以上分割信息元素集中的每个分割信息元素集分别输入到多个级联层中的两个或两个以上分割信息处理层；在所述两个或两个以上分割信息处理层的每个分割信息处理层中，处理各自的分割信息集，其中，获取用于图像或视频处理的所述经解码数据是根据在所述多个级联层中处理的所述分割信息进行的。

这种方法可以提高效率，因为它能够解码可在分层结构中基于层配置的各种分割中的数据。提供分割可以考虑经解码数据的特征。

例如，所述获取所述分割信息元素集是根据由所述多个级联层中的至少一个分割信息处理层处理的分割信息进行的。

在一些示例性实施例中，所述输入所述分割信息元素集是根据由所述多个级联层中的至少一个级联层输出的经处理分割信息进行的。

级联分割信息处理能够高效地解析所述分割信息。

例如，在所述两个或两个以上分割信息处理层中分别处理的所述分割信息的分辨率不同。

在一些实施例和示例中，在所述两个或两个以上分割信息处理层中对所述分割信息进行的处理包括上采样。