声明
摘要
第一章绪论
1．1研究背景和意义
1．2研究历史和现状
1．2．1分数像素运动补偿技术
1．2．2图像插值技术
1．2．3基于深度学习的图像超分辨技术
1．3本文的创新之处及论文组织
第二章HEVC与深度学习基础
2．1视频编码的基本原理
2．1．1视频的表示
2．1．2视频编码的基本概念
2．1．3视频编码技术
2．2 HEVC简介
2．2．1 HEVC标准的制定和发展历程
2．2．2 HEVC的编码框架
2．2．3 HEVC的块划分结构
2．2．4帧内(intra)预测技术
2．2．5帧间(inter)预测技术
2．2．6变换量化技术
2．2．7熵编码技术
2．2．8环路滤波技术
2．3 HEVC中的分数像素插值技术
2．3．1 HEVC的插值滤波设计器
2．3．2高精度滤波操作
2．4深度学习简介
2．4．1机器学习的基本概念
2．4．2前馈神经网络
2．4．3卷积神经网络
第三章基于卷积神经网络的分像素插值技术
3．1基于高斯低通滤波的分像素样本的生成方法
3．1．1光学图像形成原理分析
3．1．2训练样本的生成方法
3．2采用的网络结构与训练算法
3．3实验结果
3．3．1实验设置
3．3．2 HEVC参考软件下的算法性能
3．3．3与基于超分辨率方法的分析对比
3．4本章小结
第四章基于帧间回归模型的分像素运动补偿技术
4．1分像素运动补偿的回归模型
4．1．1单向分像素运动补偿的回归模型
4．1．2双向分像素运动补偿的回归模型
4．2 FRCNN的训练算法
4．2．1网络结构
4．2．2训练数据生成算法
4．3 FRCNN的编码方法
4．3．1运动估计与运动补偿算法
4．3．2块级滤波类型自适应选择算法
4．3．3滤波类型合并模式
4．4实验结果与讨论
4．4．1实验设置
4．4．2整体编码性能
4．4．3双向预测的FRCNN模型的性能验证
4．4．4 FRFT选择结果
4．4．5 FRCNN网络结构与编码性能的关系
4．4．6训练数据与编码性能的关系
4．4．7无损编码数据训练的模型的性能
4．4．8与基于插值的算法的性能比较
4．5本章小结
第五章基于可逆性的插值滤波技术
5．1分数像素插值的可逆性
5．1．1可逆性的直观解释
5．1．2可逆性的理论解释
5．2基于可逆性的插值滤波器训练算法
5．3基于可逆性的分像素插值技术
5．3．1基于可逆性的训练框架
5．3．2 InvIF的网络结构
5．3．3 InvIF的编码方法
5．4实验结果
5．4．1实验设置
5．4．2 InvIF的编码性能
5．4．3 InvIF模式选择分析
5．4．4正则项权重γ值与编码性能的关系
5．4．5可逆重建性能评估
5．4．6不同正则类型对编码性能的影响
5．4．7 FIR-InvIF与DCTIF的分析比较
5．4．8量化参数无关的InvIF模型
5．4．9 InvIF的泛化能力分析
5．4．10与其他分像素插值方案比较
5．5本章小结
第六章总结与展望
参考文献
致谢
在读期间发表的学术论文与取得的研究成果
中国科学技术大学;
