Methods and apparatus of multiple hypothesis blending for cross-component model merge mode in video codingcross reference to related applications

Abstract

A method and apparatus for video coding using multi-hypothesis blending for cross-component model merge mode. According to the method, input data associated with a current block comprising a first-colour block and a second-colour block are received, where the input data comprise pixel data to be encoded at an encoder side or coded data associated with the current block to be decoded at a decoder side. A base predictor for the second-colour block is determined, where the base predictor corresponds to an intra predictor or an inter predictor. One or more hypotheses for the second-colour block are determined, where each of said one or more hypotheses corresponds to a cross-component prediction candidate. A final predictor is derived by blending the base predictor and said one or more hypotheses. The second-colour block is encoded or decoded by using prediction data comprising the final predictor.

Description

METHODS AND APPARATUS OF MULTIPLE HYPOTHESIS BLENDING FOR CROSS-COMPONENT MODEL MERGE MODE IN VIDEO CODINGCROSS REFERENCE TO RELATED APPLICATIONS

[0001] The present invention is a non-Provisional Application of and claims priority to U.S. Provisional Patent Application No. 63 / 485,937, filed on February 20, 2023. The U.S. Provisional Patent Application is hereby incorporated by reference in its entirety.FIELD OF THE INVENTION

[0002] The present invention relates to video coding system. In particular, the present invention relates to multi-hypothesis blending for cross-component model merge mode.BACKGROUND

[0003] Versatile video coding (VVC) is the latest international video coding standard developed by the Joint Video Experts Team (JVET) of the ITU-T Video Coding Experts Group (VCEG) and the ISO / IEC Moving Picture Experts Group (MPEG) . The standard has been published as an ISO standard: ISO / IEC 23090-3: 2021, Information technology -Coded representation of immersive media -Part 3: Versatile video coding, published Feb. 2021. VVC is developed based on its predecessor HEVC (High Efficiency Video Coding) by adding more coding tools to improve coding efficiency and also to handle various types of video sources including 3-dimensional (3D) video signals.

[0004] Fig. 1A illustrates an exemplary adaptive Inter / Intra video encoding system incorporating loop processing. For Intra Prediction 110, the prediction data is derived based on previously coded video data in the current picture. For Inter Prediction 112, Motion Estimation (ME) is performed at the encoder side and Motion Compensation (MC) is performed based on the result of ME to provide prediction data derived from other picture (s) and motion data. Switch 114 selects Intra Prediction 110 or Inter Prediction 112 and the selected prediction data is supplied to Adder 116 to form prediction errors, also called residues. The prediction error is then processed by Transform (T) 118 followed by Quantization (Q) 120. The transformed and quantized residues are then coded by Entropy Encoder 122 to be included in a video bitstream corresponding to the compressed video data. The bitstream associated with the transform coefficients is then packed with side information such as motion and coding modes associated with Intra prediction and Inter prediction, and other information such as parameters associated with loop filters applied to underlying image area. The side information associated with Intra Prediction 110, Inter prediction 112 and in-loop filter 130, is provided to Entropy Encoder 122 as shown in Fig. 1A. When an Inter-prediction mode is used, a reference picture or pictures have to be reconstructed at the encoder end as well. Consequently, the transformed and  quantized residues are processed by Inverse Quantization (IQ) 124 and Inverse Transformation (IT) 126 to recover the residues. The residues are then added back to prediction data 136 at Reconstruction (REC) 128 to reconstruct video data. The reconstructed video data may be stored in Reference Picture Buffer 134 and used for prediction of other frames.

[0005] As shown in Fig. 1A, incoming video data undergoes a series of processing in the encoding system. The reconstructed video data from REC 128 may be subject to various impairments due to a series of processing. Accordingly, in-loop filter 130 is often applied to the reconstructed video data before the reconstructed video data are stored in the Reference Picture Buffer 134 in order to improve video quality. For example, deblocking filter (DF) , Sample Adaptive Offset (SAO) and Adaptive Loop Filter (ALF) may be used. The loop filter information may need to be incorporated in the bitstream so that a decoder can properly recover the required information. Therefore, loop filter information is also provided to Entropy Encoder 122 for incorporation into the bitstream. In Fig. 1A, Loop filter 130 is applied to the reconstructed video before the reconstructed samples are stored in the reference picture buffer 134. The system in Fig. 1A is intended to illustrate an exemplary structure of a typical video encoder. It may correspond to the High Efficiency Video Coding (HEVC) system, VP8, VP9, H. 264 or VVC.

[0006] The decoder, as shown in Fig. 1B, can use similar or portion of the same functional blocks as the encoder except for Transform 118 and Quantization 120 since the decoder only needs Inverse Quantization 124 and Inverse Transform 126. Instead of Entropy Encoder 122, the decoder uses an Entropy Decoder 140 to decode the video bitstream into quantized transform coefficients and needed coding information (e.g. ILPF information, Intra prediction information and Inter prediction information) . The Intra prediction 150 at the decoder side does not need to perform the mode search. Instead, the decoder only needs to generate Intra prediction according to Intra prediction information received from the Entropy Decoder 140. Furthermore, for Inter prediction, the decoder only needs to perform motion compensation (MC 152) according to Inter prediction information received from the Entropy Decoder 140 without the need for motion estimation.

[0007] According to VVC, an input picture is partitioned into non-overlapped square block regions referred as CTUs (Coding Tree Units) , similar to HEVC. Each CTU can be partitioned into one or multiple smaller size coding units (CUs) . The resulting CU partitions can be in square or rectangular shapes. Also, VVC divides a CTU into prediction units (PUs) as a unit to apply prediction process, such as Inter prediction, Intra prediction, etc.

[0008] The VVC standard incorporates various new coding tools to further improve the coding efficiency over the HEVC standard. Some new tools relevant to the present invention are reviewed as follows.

[0009] Intra Mode Coding with 67 Intra Prediction Modes

[0010] To capture the arbitrary edge directions presented in natural video, the number of  directional intra modes in VVC is extended from 33, as used in HEVC, to 65. The new directional modes not in HEVC are depicted as dotted arrows in Fig. 2, and the planar and DC modes remain the same. These denser directional intra prediction modes apply for all block sizes and for both luma and chroma intra predictions.

[0011] In VVC, several conventional angular intra prediction modes are adaptively replaced with wide-angle intra prediction modes for the non-square blocks.

[0012] In HEVC, every intra-coded block has a square shape and the length of each of its side is a power of 2. Thus, no division operations are required to generate an intra-predictor using DC mode. In VVC, blocks can have a rectangular shape that necessitates the use of a division operation per block in the general case. To avoid division operations for DC prediction, only the longer side is used to compute the average for non-square blocks.

[0013] Wide-Angle Intra Prediction for Non-Square Blocks

[0014] Conventional angular intra prediction directions are defined from 45 degrees to -135 degrees in clockwise direction. In VVC, several conventional angular intra prediction modes are adaptively replaced with wide-angle intra prediction modes for non-square blocks. The replaced modes are signalled using the original mode indexes, which are remapped to the indexes of wide angular modes after parsing. The total number of intra prediction modes is unchanged, i.e., 67, and the intra mode coding method is unchanged.

[0015] To support these prediction directions, the top reference with length 2W+1, and the left reference with length 2H+1, are defined as shown in Fig. 3A and Fig. 3B respectively.

[0016] The number of replaced modes in wide-angular direction mode depends on the aspect ratio of a block. The replaced intra prediction modes are illustrated in Table 1.

[0017] Table 1 -Intra prediction modes replaced by wide-angular modes

[0018] In VVC, 4: 2: 2 and 4: 4: 4 chroma formats are supported as well as 4: 2: 0. Chroma derived mode (DM) derivation table for 4: 2: 2 chroma format was initially ported from HEVC extending the number of entries from 35 to 67 to align with the extension of intra prediction modes. Since HEVC specification does not support prediction angle below -135° and above 45°, luma intra prediction modes ranging from 2 to 5 are mapped to 2. Therefore, chroma DM derivation table for 4: 2: 2 chroma format is updated by replacing some values of the entries of the mapping table to convert prediction angle more precisely for chroma blocks.

[0019] Cross-Component Linear Model (CCLM) Prediction

[0020] To reduce the cross-component redundancy, a cross-component linear model (CCLM) prediction mode is used in the VVC, for which the chroma samples are predicted based on the reconstructed luma samples of the same CU by using a linear model as follows: predC (i, j) =α·recL′ (i, j) + β          (1)

[0021] where predC (i, j) represents the predicted chroma samples in a CU and recL′ (i, j) represents the downsampled reconstructed luma samples of the same CU.

[0022] The CCLM parameters (α and β) are derived with at most four neighbouring chroma samples and their corresponding down-sampled luma samples. Suppose the current chroma block dimensions are W×H, then W’ and H’ are set as

[0023] – W’ = W, H’ = H when CCLM_LT mode is applied;

[0024] – W’ =W + H when CCLM_T mode is applied;

[0025] – H’ = H + W when CCLM_L mode is applied.

[0026] The above neighbouring positions are denoted as S [0, -1] …S [W’ -1, -1] and the left neighbouring positions are denoted as S [-1, 0] …S [-1, H’ -1] . Then the four samples are selected as

[0027] - S [W’  / 4, -1] , S [3 *W’  / 4, -1] , S [-1, H’  / 4] , S [-1, 3 *H’  / 4] when CCLM_LT mode is applied and both above and left neighbouring samples are available;

[0028] - S [W’  / 8, -1] , S [3 *W’  / 8, -1] , S [5 *W’  / 8, -1] , S [7 *W’  / 8, -1] when CCLM_T mode is applied or only the above neighbouring samples are available;

[0029] - S [-1, H’  / 8] , S [-1, 3 *H’  / 8] , S [-1, 5 *H’  / 8] , S [-1, 7 *H’  / 8] when CCLM_L mode is applied or only the left neighbouring samples are available.

[0030] The four neighbouring luma samples at the selected positions are down-sampled and compared four times to find two larger values: x0A and x1A, and two smaller values: x0B and x1B. Their  corresponding chroma sample values are denoted as y0A, y1A, y0B and y1B. Then xA, xB, yA and yB are derived as: xA= (x0A + x1A +1) >>1; xB= (x0B + x1B +1) >>1; yA= (y0A + y1A +1) >>1; yB= (y0B + y1B +1) >>1             (2)

[0031] Finally, the linear model parameters α and β are obtained according to the following equations. β=yB-α·xB                (4)

[0032] Fig. 4 shows an example of the location of the left and above samples and the sample of the current block involved in the CCLM_LT mode. Fig. 4 shows the relative sample locations of N × N chroma block 410, the corresponding 2N × 2N luma block 420 and their neighbouring samples (shown as filled circles) .

[0033] The division operation to calculate parameter α is implemented with a look-up table. To reduce the memory required for storing the table, the diff value (difference between maximum and minimum values) and the parameter α are expressed by an exponential notation. For example, diff is approximated with a 4-bit significant part and an exponent. Consequently, the table for 1 / diff is reduced into 16 elements for 16 values of the significand as follows: DivTable [] = {0, 7, 6, 5, 5, 4, 4, 3, 3, 2, 2, 1, 1, 1, 1, 0 }       (5)

[0034] This would have a benefit of both reducing the complexity of the calculation as well as the memory size required for storing the needed tables.

[0035] Besides the above template and left template can be used to calculate the linear model coefficients together, they also can be used alternatively in the other 2 LM modes, called CCLM_T, and CCLM_L modes.

[0036] In CCLM_T mode, only the above template is used to calculate the linear model coefficients. To get more samples, the above template is extended to (W+H) samples. In CCLM_L mode, only left template are used to calculate the linear model coefficients. To get more samples, the left template is extended to (H+W) samples.

[0037] In CCLM__LT mode, left and above templates are used to calculate the linear model coefficients.

[0038] To match the chroma sample locations for 4: 2: 0 video sequences, two types of down-sampling filters are applied to luma samples to achieve 2 to 1 down-sampling ratio in both horizontal and vertical directions. The selection of down-sampling filter is specified by a SPS level flag. The two down-sampling filters are as follows, which are corresponding to “type-0” and “type-2” content, respectively. RecL′ (i, j) = [recL (2i-1, 2j-1) +2·recL (2i, 2j-1) +recL (2i+1, 2j-1) +  recL (2i-1, 2j) +2·recL (2i, 2j) +recL (2i+1, 2j) +4] >>3    (6) RecL′ (i, j) =recL (2i, 2j-1) +recL (2i-1, 2j) +4·recL (2i, 2j) +recL (2i+1, 2j) +  recL (2i, 2j+1) +4] >>3           (7)

[0039] Note that only one luma line (general line buffer in intra prediction) is used to make the down-sampled luma samples when the upper reference line is at the CTU boundary.

[0040] This parameter computation is performed as part of the decoding process, and is not just as an encoder search operation. As a result, no syntax is used to convey the α and β values to the decoder.

[0041] For chroma intra mode coding, a total of 8 intra modes are allowed for chroma intra mode coding. Those modes include five traditional intra modes and three cross-component linear model modes (CCLM_LT, CCLM_T, and CCLM_L) . Chroma mode signalling and derivation process are shown in Table 2. Chroma mode coding directly depends on the intra prediction mode of the corresponding luma block. Since separate block partitioning structure for luma and chroma components is enabled in I slices, one chroma block may correspond to multiple luma blocks. Therefore, for Chroma DM mode, the intra prediction mode of the corresponding luma block covering the centre position of the current chroma block is directly inherited.

[0042] Table 2. Derivation of chroma prediction mode from luma mode when CCLM is enabled

[0043] A single binarization table is used regardless of the value of sps_cclm_enabled_flag as shown in Table 3.

[0044] Table 3. Unified binarization table for chroma prediction mode

[0045] In Table 3, the first bin indicates whether it is regular (0) or CCLM modes (1) . If it is LM mode, then the next bin indicates whether it is CCLM_LT (0) or not. If it is not CCLM_LT, next 1 bin indicates whether it is CCLM_L (0) or CCLM_T (1) . For this case, when sps_cclm_enabled_flag is 0, the first bin of the binarization table for the corresponding intra_chroma_pred_mode can be discarded prior to the entropy coding. Or, in other words, the first bin is inferred to be 0 and hence not coded. This single binarization table is used for both sps_cclm_enabled_flag equal to 0 and 1 cases. The first two bins in Table 3 are context coded with its own context model, and the rest bins are bypass coded.

[0046] In addition, in order to reduce luma-chroma latency in dual tree, when the 64x64 luma coding tree node is partitioned with Not Split (and ISP is not used for the 64x64 CU) or QT, the chroma CUs in 32x32  / 32x16 chroma coding tree node are allowed to use CCLM in the following way:

[0047] – If the 32x32 chroma node is not split or partitioned QT split, all chroma CUs in the 32x32 node can use CCLM

[0048] – If the 32x32 chroma node is partitioned with Horizontal BT, and the 32x16 child node does not split or uses Vertical BT split, all chroma CUs in the 32x16 chroma node can use CCLM.

[0049] In all the other luma and chroma coding tree split conditions, CCLM is not allowed  for chroma CU.

[0050] Multiple Model CCLM (MMLM)

[0051] In the JEM (J. Chen, E. Alshina, G. J. Sullivan, J. -R. Ohm, and J. Boyce, Algorithm Description of Joint Exploration Test Model 7, document JVET-G1001, ITU-T / ISO / IEC Joint Video Exploration Team (JVET) , Jul. 2017) , multiple model CCLM mode (MMLM) is proposed for using two models for predicting the chroma samples from the luma samples for the whole CU. In MMLM, neighbouring luma samples and neighbouring chroma samples of the current block are classified into two groups, each group is used as a training set to derive a linear model (i.e., a particular α and β are derived for a particular group) . Furthermore, the samples of the current luma block are also classified based on the same rule for the classification of neighbouring luma samples. Three MMLM model modes (MMLM_LT, MMLM_T, and MMLM_L) are allowed for choosing the neighbouring samples from left-side and above-side, above-side only, and left-side only, respectively.

[0052] Fig. 5 shows an example of classifying the neighbouring samples into two groups. Threshold is calculated as the average value of the neighbouring reconstructed luma samples. A neighbouring sample with Rec′L [x, y] <= Threshold is classified into group 1; while a neighbouring sample with Rec′L [x, y] > Threshold is classified into group 2.

[0053] Accordingly, the MMLM uses two models according to the sample level of the neighbouring samples.

[0054] Slope Adjustment of CCLM

[0055] CCLM uses a model with 2 parameters to map luma values to chroma values as shown in Fig. 6A. The slope parameter “a” and the bias parameter “b” define the mapping as follows: chromaVal = a *lumaVal + b

[0056] An adjustment “u” to the slope parameter is signalled to update the model to the following form, as shown in Fig. 6B: chromaVal = a’ *lumaVal + b’

[0057] where a’= a + u, b’= b -u *yr.

[0058] With this selection, the mapping function is tilted or rotated around the point with luminance value yr. The average of the reference luma samples used in the model creation as yr in order to provide a meaningful modification to the model. Fig. 6A and Fig. 6B illustrates the process.

[0059] Implementation of Slope Adjustment of CCLM

[0060] Slope adjustment parameter is provided as an integer between -4 and 4, inclusive, and signalled in the bitstream. The unit of the slope adjustment parameter is (1 / 8) -th of a chroma sample value per luma sample value (for 10-bit content) .

[0061] Adjustment is available for the CCLM models that are using reference samples both above and left of the block (e.g., “LM_CHROMA_IDX” and “MMLM_CHROMA_IDX” ) , but not for the “single side” modes. This selection is based on coding efficiency versus complexity trade-off considerations. “LM_CHROMA_IDX” and “MMLM_CHROMA_IDX” refers to CCLM_LT and MMLM_LT in this invention. The “single side” modes refer to CCLM_L, CCLM_T, MMLM_L, and MMLM_T in this invention.

[0062] When slope adjustment is applied for a multi-model CCLM mode, both models can be adjusted and thus up to two slope updates are signalled for a single chroma block.

[0063] Encoder Approach for Slope Adjustment of CCLM

[0064] The proposed encoder approach performs an SATD (Sum of Absolute Transformed Differences) based search for the best value of the slope update for Cr and a similar SATD based search for Cb. If either one results as a non-zero slope adjustment parameter, the combined slope adjustment pair (SATD based update for Cr, SATD based update for Cb) is included in the list of RD (Rate-Distortion) checks for the TU.

[0065] Convolutional Cross-Component Model (CCCM) -Single Model and Multi-Model

[0066] In CCCM, a convolutional model is applied to improve the chroma prediction performance. The convolutional model has 7-tap filter consisting of a 5-tap plus sign shape spatial component, a nonlinear term and a bias term. The input to the spatial 5-tap component of the filter consists of a centre (C) luma sample which is collocated with the chroma sample to be predicted and its above / north (N) , below / south (S) , left / west (W) and right / east (E) neighbours as shown in Fig. 7.

[0067] The nonlinear term (denoted as P) is represented as power of two of the centre luma sample C and scaled to the sample value range of the content: P = (C*C + midVal) >> bitDepth.

[0068] For example, for 10-bit contents, the nonlinear term is calculated as: P = (C*C + 512) >> 10

[0069] The bias term (denoted as B) represents a scalar offset between the input and output (similarly to the offset term in CCLM) and is set to the middle chroma value (512 for 10-bit content) .

[0070] Output of the filter is calculated as a convolution between the filter coefficients ci and the input values and clipped to the range of valid chroma samples: predChromaVal = c0C + c1N + c2S + c3E + c4W + c5P + c6B

[0071] The filter coefficients ci are calculated by minimising MSE between predicted and reconstructed chroma samples in the reference area. Fig. 8 illustrates an example of the reference area which consists of 6 lines of chroma samples above and left of the PU. Reference area extends one PU width to the right and one PU height below the PU boundaries. Area is adjusted to include only available samples. The surrounding extensions to the area (indicated as “paddings” ) are needed to support the “side samples” of the plus-shaped spatial filter in Fig. 7 and are padded when in unavailable areas.

[0072] The MSE minimization is performed by calculating autocorrelation matrix for the luma input and a cross-correlation vector between the luma input and chroma output. Autocorrelation matrix is LDL decomposed and the final filter coefficients are calculated using back-substitution. The process follows roughly the calculation of the ALF filter coefficients in ECM, however LDL decomposition was chosen instead of Cholesky decomposition to avoid using square root operations. In newer ECM, MSE minimization for CCCM uses Gaussian elimination based approach.

[0073] Also, similarly to CCLM, there is an option of using a single model or multi-model variant of CCCM. The multi-model variant uses two models, one model derived for samples above the average luma reference value and another model for the rest of the samples (following the spirit of the CCLM design) . Multi-model CCCM mode can be selected for PUs which have at least 128 reference samples available.

[0074] Gradient Linear Model (GLM)

[0075] For YUV 4: 2: 0 colour format, a Gradient Linear Model (GLM) method can be used to predict the chroma samples from luma sample gradients. Two modes are supported: a two-parameter GLM mode and a three-parameter GLM mode.

[0076] Compared with the CCLM, instead of down-sampled luma values, the two-parameter GLM utilizes luma sample gradients to derive the linear model. Specifically, when the two-parameter GLM is applied, the input to the CCLM process, i.e., the down-sampled luma samples L, are replaced by luma sample gradients G. The other parts of the CCLM (e.g., parameter derivation, prediction sample linear transform) are kept unchanged: C=α·G+β.

[0077] In the three-parameter GLM, a chroma sample can be predicted based on both the luma sample gradients and down-sampled luma values with different parameters. The model parameters of the three-parameter GLM are derived from 6 rows and columns of adjacent samples by the LDL decomposition-based MSE minimization method as used in the CCCM: C=α0·G+α1·L+α2·β.

[0078] For signalling, when the CCLM mode is enabled for the current CU, one flag is signalled to indicate whether GLM is enabled for both Cb and Cr components; if the GLM is enabled, another flag is signalled to indicate which of the two GLM modes is selected and one syntax element is further signalled to select one of 4 gradient filters for the gradient calculation.

[0079] Four gradient filters (910-940) are enabled for the GLM, as illustrated in Fig. 9.

[0080] Template-based Intra Mode Derivation (TIMD)

[0081] Template-based intra mode derivation (TIMD) mode implicitly derived the intra prediction mode of a CU by a neighbouring template at both encoder and decoder, instead of being signal exact intra prediction mode bits to the decoder. As shown in Fig. 10, the prediction samples of the template (1012 and 1014) for the current block 1010 are generated using the reference samples (1020 and 1022) of the template for each candidate mode. A cost is calculated as the SATD between the prediction and the reconstruction samples of the template. The intra prediction mode with the minimum cost is selected as the TIMD mode and used for intra prediction of the CU. The candidate modes may be 67 intra prediction modes as in VVC or extended to 131 intra prediction modes. In general, MPMs can provide a clue to indicate the directional information of a CU. Thus, to reduce the intra mode search space and utilize the characteristics of a CU, the intra prediction mode is implicitly derived from MPM list.

[0082] For each intra prediction mode in MPMs, the SATD between the prediction and reconstruction samples of the template is calculated. First two intra prediction modes with the minimum SATD are selected as the TIMD modes. These two TIMD modes are fused with the weights after applying PDPC process, and such weighted intra prediction is used to code the current CU. Position dependent intra prediction combination (PDPC) is included in the derivation of the TIMD modes.

[0083] The costs of the two selected modes are compared with a threshold, in the test the cost factor of 2 is applied as follows: costMode2 < 2*costMode1.

[0084] If this condition is true, the fusion is applied, otherwise the only mode1 is used. Weights of the modes are computed from their SATD costs as follows: weight1 = costMode2 /  (costMode1+ costMode2) weight2 = 1 -weight1

[0085] In the present invention, methods and apparatus to improve the coding performance of cross-component prediction are disclosed.

[0086] BRIEF SUMMARY OF THE INVENTION

[0087] A method and apparatus for video coding using coding tools including one or more cross component models related modes are disclosed. According to the method, input data associated with a current block comprising a first-colour block and a second-colour block are received, wherein the input data comprise pixel data to be encoded at an encoder side or coded data associated with the current block to be decoded at a decoder side. A base predictor for the second-colour block is determined, wherein the base predictor corresponds to an intra predictor or an inter predictor. One or more hypotheses for the second-colour block are determined, wherein each of said one or more hypotheses corresponds to a cross-component prediction candidate. A final predictor is derived by blending the base predictor and said one or more hypotheses. The second-colour block is encoded or decoded by using prediction data comprising the final predictor.

[0088] In one embodiment, the final predictor is derived by blending the base predictor and said one or more hypotheses using pre-defined weighting. In one embodiment, one or more flags are signalled or parsed to indicate whether to add said one or more hypotheses to derive the final predictor. In one embodiment, when said one or more flags indicate said one or more hypotheses to be added to derive the final predictor, one or more syntaxes related to said one or more hypotheses and / or related to pre-defined weighting for blending the base predictor and said one or more hypotheses are signalled or parsed.

[0089] In one embodiment, the cross-component prediction candidate is selected from a cross-component merge candidate list. In one embodiment, a candidate index associated with the cross-component prediction candidate selected from the cross-component merge candidate list is explicitly signalled or parsed, or implicitly derived. In one embodiment, a first candidate in the cross-component merge candidate list is selected as the cross-component prediction candidate. . In another embodiment, a candidate in the cross-component merge candidate list having a minimal template matching cost or boundary matching cost is selected as the cross-component prediction candidate. In another embodiment, member candidates in the cross-component merge candidate list are categorized into one or more categories, and selection of said one or more hypotheses depend on said one or more categories.

[0090] In one embodiment, one or more prediction modes selected to generate said one or more hypotheses and one or more previously selected modes are in different categories. In one embodiment, said one or more categories comprise linear model category and convolutional model category. In another embodiment, said one or more categories comprise single model category and multi-model category.

[0091] In one embodiment, only one or more member candidates in the cross-component merge candidate list belonging to one or more specific categories are allowed to generate said one or more hypotheses. In another embodiment, said one or more specific categories correspond to cross- component convolutional model mode. In one embodiment, if the base predictor corresponds to a cross-component mode, said one or more specific categories exclude spatially inherited candidate mode.

[0092] In one embodiment, the final predictor is derived by blending the base predictor and said one or more hypotheses using weighting comprising a weighting parameter. In one embodiment, the weighting parameter is selected from a weighting parameter set. In one embodiment, the weighting parameter is indicated by a syntax being signalled or parsed. In another embodiment, the weighting parameter is determined implicitly. For example, the weighting parameter can be determined implicitly according to mode information from one or more neighbouring blocks, cross-component prediction modes used to generate said one or more hypotheses, or template matching cost or boundary matching cost. In one embodiment, the weighting parameter is derived by minimizing MSE between predicted second-colour samples of the final predictor and reconstructed second-colour samples in one or more reference areas.

[0093] In one embodiment, the base predictor is derived according to a cross-component prediction hypothesis, the base predictor and each of said one or more hypotheses is based on a coding mode. In one embodiment, the base predictor is derived according to one cross-component prediction candidate selected from a cross-component merge candidate list.BRIEF DESCRIPTION OF THE DRAWINGS

[0094] Fig. 1A illustrates an exemplary adaptive Inter / Intra video encoding system incorporating loop processing.

[0095] Fig. 1B illustrates a corresponding decoder for the encoder in Fig. 1A.

[0096] Fig. 2 shows the intra prediction modes as adopted by the VVC video coding standard.

[0097] Figs. 3A-B illustrate examples of wide-angle intra prediction a block with width larger than height (Fig. 3A) and a block with height larger than width (Fig. 3B) .

[0098] Fig. 4 shows an example of the location of the left and above samples and the sample of the current block involved in the CCLM_LT mode.

[0099] Fig. 5 shows an example of classifying the neighbouring samples into two groups.

[0100] Fig. 6A illustrates an example of the CCLM model.

[0101] Fig. 6B illustrates an example of the effect of the slope adjustment parameter “u” for model update.

[0102] Fig. 7 illustrates an example of spatial part of the convolutional filter.

[0103] Fig. 8 illustrates an example of reference area with paddings used to derive the filter coefficients.

[0104] Fig. 9 illustrates the 4 gradient patterns for Gradient Linear Model (GLM) .

[0105] Fig. 10 illustrates an example of template-based intra mode derivation (TIMD) mode,  where TIMD implicitly derives the intra prediction mode of a CU using a neighbouring template at both the encoder and decoder.

[0106] Fig. 11 illustrates examples of CCM information propagation, where the blocks with dash line are coded in cross-component mode (e.g., CCLM, MMLM, GLM, CCCM) .

[0107] Fig. 12A illustrates an example of inheriting spatial neighbouring model parameters. Fig. 12B illustrates an example of inheriting temporal neighbouring model parameters.

[0108] Figs. 13A-B illustrates two search patterns for inheriting non-adjacent spatial neighbouring models.

[0109] Figs. 14A-B illustrate examples for constructing the history table of the current region from the history table of the region having the same beginning geometric position of the current region (Fig. 14A) or from the history table of the region containing the centre geometric position of the current region (Fig. 14B) .

[0110] Fig. 15 illustrates an example of neighbouring templates for calculating model error.

[0111] Fig. 16 illustrates an example of template-matching cost based candidate reordering, where the reconstructed samples on of the template of current block are used as the golden data.

[0112] Fig. 17 illustrates an example of categorizing modes based on the filter shape, where the convolutional model may have 3 choices of filter shape.

[0113] Fig. 18 illustrates a flowchart of an exemplary video coding system that uses multi-hypothesis blending for cross-component model merge mode according to an embodiment of the present invention.DETAILED DESCRIPTION OF THE INVENTION

[0114] It will be readily understood that the components of the present invention, as generally described and illustrated in the figures herein, may be arranged and designed in a wide variety of different configurations. Thus, the following more detailed description of the embodiments of the systems and methods of the present invention, as represented in the figures, is not intended to limit the scope of the invention, as claimed, but is merely representative of selected embodiments of the invention. References throughout this specification to “one embodiment, ” “an embodiment, ” or similar language mean that a particular feature, structure, or characteristic described in connection with the embodiment may be included in at least one embodiment of the present invention. Thus, appearances of the phrases “in one embodiment” or “in an embodiment” in various places throughout this specification are not necessarily all referring to the same embodiment.

[0115] Furthermore, the described features, structures, or characteristics may be combined in any suitable manner in one or more embodiments. One skilled in the relevant art will recognize, however, that the invention can be practiced without one or more of the specific details, or with other methods, components, etc. In other instances, well-known structures, or operations are not shown or  described in detail to avoid obscuring aspects of the invention. The illustrated embodiments of the invention will be best understood by reference to the drawings, wherein like parts are designated by like numerals throughout. The following description is intended only by way of example, and simply illustrates certain selected embodiments of apparatus and methods that are consistent with the invention as claimed herein.

[0116] In order to improve the prediction accuracy or coding performance of cross-component prediction, various schemes related to inheriting cross-component models are disclosed.

[0117] Inherit Neighbouring Model Parameters for Refining the Cross-Component Model Parameters

[0118] The final scaling parameter of the current block is inherited from the neighbouring blocks and further refined by dA (e.g., dA derivation or signalling can be similar or the same as the method in the previous “Guided parameter set for refining the cross-component model parameters” ) . Once the final scaling parameter is determined, the offset parameter (e.g., β in CCLM) is derived based on the inherited scaling parameter and the average value of neighbouring luma and chroma samples of the current block. For example, if the final scaling parameter is inherited from a selected neighbouring block, and the inherited scaling parameter is α′nei, then the final scaling parameter is (α′nei + dA) . For yet another embodiment, the final scaling parameter is inherited from a historical list and further refined by dA. For example, the historical list records the most recent j entries of final scaling parameters from previous CCLM-coded blocks. Then, the final scaling parameter is inherited from one selected entry of the historical list, α′list, and the final scaling parameter is (α′list + dA) . For yet another embodiment, the final scaling parameter is inherited from a historical list or the neighbouring blocks, but only the MSB (Most Significant Bit) part of the inherited scaling parameter is taken, and the LSB (Least Significant Bit) of the final scaling parameter is from dA. For yet another embodiment, the final scaling parameter is inherited from a historical list or the neighbouring blocks, but is not further refined by dA.

[0119] For yet another embodiment, after inheriting model parameters, the offset parameter can be further refined by dB. For example, if the final offset parameter is inherited from a selected neighbouring block, and the inherited offset parameter is β′nei, then the final offset parameter is (β′nei + dB) . For still another embodiment, the final offset parameter is inherited from a historical list and further refined by dB. For example, the historical list records the most recent j entries of final scaling parameters from previous CCLM-coded blocks. Then, the final scaling parameter is inherited from one selected entry of the historical list, β′list, and the final scaling parameter is (β′list + dB) . For yet another embodiment, the final offset parameter is inherited from a historical list or the neighbouring blocks, but is not further refined by dB.

[0120] For yet another embodiment, if the inherited neighbour block is coded with CCCM,  the filter coefficients (ci) are inherited. The offset parameter (e.g., c6×B or c6 in CCCM) can be re-derived based on the inherited parameter and the average value of neighbouring corresponding position luma and chroma samples of the current block. For still another embodiment, only partial filter coefficients are inherited (e.g., only n out of 7 filter coefficients are inherited, where 1≤n<7) , the rest filter coefficients are further re-derived using the neighbouring luma and chroma samples of the current block.

[0121] For still another embodiment, if the inherited candidate applies GLM gradient pattern to its luma reconstructed samples, the current block shall also inherit the GLM gradient pattern of the candidate and apply to the current luma reconstructed samples.

[0122] For still another embodiment, if the inherited neighbour block is coded with multiple cross-component models (e.g., MMLM, or CCCM with multi-model) , the classification threshold is also inherited to classify the neighbouring samples of the current block into multiple groups, and the inherited multiple cross-component model parameters are further assigned to each group. For yet another embodiment, the classification threshold is the average value of the neighbouring reconstructed luma samples, and the inherited multiple cross-component model parameters are further assigned to each group. Similarly, once the final scaling parameter of each group is determined, the offset parameter of each group is re-derived based on the inherited scaling parameter and the average value of neighbouring luma and chroma samples of each group of the current block. For another example, if CCCM with multi-model is used, once the final coefficient parameter of each group is determined (e.g., c0 to c5 except for c6 in CCCM) , the offset parameter (e.g., c6×B or c6 in CCCM) of each group is re-derived based on the inherited coefficient parameter and the neighbouring luma and chroma samples of each group of the current block.

[0123] For still another embodiment, inheriting model parameters may depend on the colour component. For example, Cb and Cr components may inherit model parameters or model derivation method from the same candidate or different candidates. For yet another example, only one of colour components inherits model parameters, and the other colour component derives model parameters based on the inherited model derivation method (e.g., if the inherited candidate is coded by MMLM or CCCM, the current block also derives model parameters based on MMLM or CCCM using the current neighbouring reconstructed samples) . For still another example, only one of colour components inherits model parameters, and the other colour component derives its model parameters using the current neighbouring reconstructed samples.

[0124] For still another example, if Cb and Cr components can inherit model parameters or model derivation method from different candidates. The inherited model of Cr can depend on the inherited model of Cb. For example, possible cases include but not limited to (1) if the inherited model of Cb is CCCM, the inherited model of Cr shall be CCCM; (2) if the inherit model of Cb is CCLM, the inherit model of Cr shall be CCLM; (3) if the inherited model of Cb is MMLM, the  inherited model of Cr shall be MMLM; (4) if the inherited model of Cb is CCLM, the inherited model of Cr shall be CCLM or MMLM; (5) if the inherited model of Cb is MMLM, the inherited model of Cr shall be CCLM or MMLM; (6) if the inherited model of Cb is GLM, the inherited model of Cr shall be GLM.

[0125] For yet another embodiment, after decoding a block, the cross-component model (CCM) information of the current block is derived and stored for later reconstruction process of neighbouring blocks using inherited neighbouring model parameters. The CCM information mentioned in this disclosure includes but not limited to prediction mode (e.g., CCLM, MMLM, CCCM) , GLM pattern index, model parameters, or classification threshold. For example, even the current block is coded by inter prediction, the cross-component model parameters of the current block can be derived by using the current luma and chroma reconstructed or predicted samples. Later, if another block is predicted by using inherited neighbours model parameters, it can inherit the model parameters from the current block. For another example, the current block is coded by cross-component prediction, the cross-component model parameters of the current block are re-derived by using the current luma and chroma reconstructed or predicted samples. For another example, the stored cross-component model can be CCCM, CCLM_LT (i.e., single model LM using both above and left neighbouring samples to derive model) , or MMLM_LT (multi-model LM using both above and left neighbouring samples to derive model) . For still example, even the current block is coded by non-cross-component intra prediction (e.g., DC, planar, intra angular modes, MIP, or ISP) , the cross-component model parameters of the current block are derived by using the current luma and chroma reconstructed or predicted samples. For another example, even the current block is coded by cross-component prediction, the cross-component model parameters of the current block are re-derived by using the current luma and chroma reconstructed or predicted samples. Later the re-derived model parameters are combined with the original cross-component models which is used in reconstructing the current block. For combining with the original cross-component models, it can use the model combination methods mentioned in sections entitled: Inheriting Multiple Cross-Component Models. For example, assume the original cross-component model parameters are and the re-derived cross-component model parameters are The final cross-component model is where α is a weighting factor which can be predefined or implicitly derived according to neighbouring template cost.

[0126] For another embodiment, when inheriting a cross-component model from a neighbour merge candidate that was coded by a cross-component mode (e.g. CCLM and CCCM, …) , a flag can be signalled to indicate / select if the re-derived model is used. If the flag is 0, the cross-component model used to encode the neighbour merge candidate is inherited. If the flag is 1, the cross-component  model re-derived based on the luma and chroma reconstructed or predicted samples of the neighbour merge candidate is inherited.

[0127] For still another example, when the current slice is a non-intra slice (e.g., P slice or B slice) , a cross-component model of the current block is derived and stored for later reconstruction process of neighbouring blocks using inherited neighbouring model parameters. For still another embodiment, when the current block is inter-coded, the CCM information of the current inter-coded block is derived by copying the CCM information from its reference block that has CCM information in a reference picture, located by the motion information of the current inter-coded block. For example, as shown in Fig. 11, the block B in a P / B picture 1120 is inter-coded, then the CCM information of block B is obtained by copying CCM information from its referenced block A in an I picture 1110. It should be noted that the current block can also copy the CCM information from an intra-coded block in a P / B picture. For example, as shown in the Fig. 11, the block D in a P / B picture 1130 is inter-coded, then the CCM information of block D is obtained by copying CCM information from its referenced block E that is intra-coded in the P / B picture 1120. For still another embodiment, if the reference block in a reference picture is also inter-coded, the CCM information of the reference block is obtained by copying the CCM information from another reference block in another reference picture. For example, as shown in the Fig. 11, the current block C in a current P / B picture 1130 is inter-coded and its referenced block B is also inter-coded, due to the CCM information of block B is obtained by copying the CCM information from block A, then the CCM information of block A is also propagated to the current block C. For still another embodiment, when the current block is inter-coded with bi-directional prediction, if one of its reference blocks is intra-coded and has CCM information, the CCM information of the current block is obtained by copying the CCM information from its intra-coded reference block in a reference picture. For example, suppose block F is inter-coded with bi-prediction and has reference blocks G and H. Block G is intra-coded and has CCM information. The CCM information of block F is obtained by copying the CCM information from the block G coded in CCM mode. For still another embodiment, when the current block is inter-coded with bi-directional prediction, the CCM information of the current block is the combination of the CCM models of its reference blocks (as the method mentioned in section entitled: Inheriting Multiple Cross-Component Models) .

[0128] When deriving cross-component models for the current block by using the current luma and chroma reconstructed or predicted samples, in one embodiment, if the current derived model error is greater than a threshold, the current derived model is discarded and not stored. For example, it can input the current luma reconstructed samples to the model, calculate the distortion between the model output and the current chroma reconstructed samples, and then the calculated distortion is normalized by the current block size or number of samples used in calculating the distortion. If the normalized distortion is greater than or equal to a threshold, the current derived model is discarded  and not stored.

[0129] Whether to derive cross-component models for the current block or not can depend on the current block size or area. For example, for small blocks (e.g., block width / height less than or equal to a threshold, or block area less than or equal a threshold) , it is not allowed to derive cross-component models. For another example, for large blocks (e.g., block width / height greater than or equal to a threshold, or block area greater than or equal a threshold) , it is not allowed to derive cross-component models.

[0130] Inherit CCM Information

[0131] In one embodiment, the cross-component model (CCM) information of inherited cross-component model can be stored together with the inherited model parameters. As mentioned earlier in this disclosure, the CCM information includes, but not limited to prediction mode (e.g., CCLM, MMLM, CCCM) , model index for indicating which model shape is used in convolutional model, classification threshold for multi-model, down-sampling filter flag, down-sampling filtering index, number of neighbouring lines used to derive model, types of templates used to derive model, post-filtering flag or model parameters.

[0132] In one embodiment, CCLM model can be inherited. In addition to storing model parameters, a prediction mode can be stored in the CCM information for indicating that the inherited model is a CCLM model.

[0133] In another embodiment, CCLM model with non-linear term can be inherited. In addition to storing model parameters, a prediction mode can be stored in the CCM information for indicating that the inherited model is a CCLM model with a non-linear term.

[0134] In one embodiment, CCCM model can be inherited. In addition to storing model parameters, a prediction mode can be stored in the CCM information for indicating that the inherited model is a CCCM model. The luma offset and the chroma offset used for adjusting the input of CCCM model can also be stored in the CCM information.

[0135] In another embodiment, CCCM model with different convolution filter shape can be inherited. In addition to model parameters and prediction mode, a CCCM mode index can also be stored in CCM information for indicating which convolution filter shape is used for the inherited CCCM model. For example, a CCCM model with different convolution filter shape can only contain the spatial terms in the horizontal direction. For another example, a CCCM model with different convolution filter shape can only contain the spatial terms in vertical direction. For another example, a CCCM model with different convolution filter shape can only contain the spatial terms in diagonal direction. For another example, a CCCM model with different convolution filter shape can only contain the spatial terms in anti-diagonal direction. For another example, a CCCM model with different convolution filter shape can contain the X-shape spatial terms.

[0136] In another embodiment, CCCM model using non-downsampled samples can be  inherited. In addition to storing model parameters, a prediction mode can be stored in the CCM information for indicating that the inherited model is a CCCM model using non-downsampled samples.

[0137] In another embodiment, CCCM model with multiple down-sampling filter can be inherited. In addition to storing model parameters, a prediction mode can be stored in the CCM information for indicating that the inherited model is a CCCM model with multiple down-sampling filter, and a model index can be also stored in CCM information for indicating which variant of CCCM model with multiple down-sampling filter is inherited.

[0138] In another embodiment, a mixed CCCM model consist of various terms (e.g., spatial term, gradient term, location term, non-linear term and bias term) can be inherited. The gradient term can be calculated in either the downsampled domain or the non-downsampled domain. The location term can be calculated with respect to the top-left coordinates of the current block or the picture. In addition to storing model parameters, a prediction mode can be stored in the CCM information for indicating that the inherited model is a mixed CCCM model consist of various terms. If there are multiple types of mixed CCCM models, a model index can also be stored in the CCM information for indicating which type of mixed CCCM model is inherited. For example, gradient and location based CCCM (GL-CCCM) proposed in JVET-AB0119 (Ramin G. Youvalari, et al., “Non-EE2: Gradient and location based convolutional cross-component model (GL-CCCM) for intra prediction” , Joint Video Exploration Team (JVET) of ITU-T SG 16 WP 3 and ISO / IEC JTC 1 / SC 29 / WG 11, 28th Meeting, Mainz, DE, 20–28 October 2022, Document: JVET-AB0119) is a mixed CCCM model which consist of one spatial term in centre position, two gradient terms for the horizontal direction and vertical direction, two location terms X and Y for the relative horizontal location and relative vertical location, one non-linear term and one bias term. In addition to storing model parameters, a prediction mode can be stored in the CCM information for indicating that the inherited model is a GL-CCCM model.

[0139] In one embodiment, GLM model can be inherited. In addition to storing model parameters, a prediction mode can be stored in the CCM information for indicating that the inherited model is a GLM model, and a down-sampling filtering index can be also stored in CCM information for indicating which gradient down-sampled filter is used for the inherited GLM model.

[0140] In another embodiment, GLM model with luma term can be inherited. In addition to storing model parameters, a prediction mode can be stored in the CCM information for indicating that the inherited model is a GLM model with luma term, and a down-sampling filtering index can be also stored in CCM information for indicating which gradient down-sampled filter is used for the inherited GLM model with luma term.

[0141] In one embodiment, any kind of cross-component multi-model can be inherited. In addition to storing model parameters and prediction mode, a multi-model on / off flag can be stored in  the CCM information for indicating whether the inherited CCM model is a multi-model or not. If the multi-model on / off flag is true, the multi-model classification threshold is also stored in the CCM information.

[0142] In one embodiment, the CCM information can include information to indicate how the inherited model is derived. For example, the CCM information can include the number of neighbouring lines used to derive the cross-component model and / or the types of templates used to derive model. For example, a set of templates can be used to derive a CCCM model. The set of templates include template with different positions, sizes, and shapes. The CCM information can store the index of the template that the inherited CCCM model was derived based on. For example, the inherited CCCM model can be derived based on a top-only template, or a left-only template or a left-and-top template. For another example, the inherited CCCM model can be derived based on a 6-line template or a 2-line template.

[0143] In one embodiment, a post-filter flag can be stored in the CCM information. This information describes how the inherited model is used in the block the inherited model is from. If the post-filter flag is on, this indicates a filter is applied to the prediction of the block the inherited model is from.

[0144] Inherit Spatial Neighbouring Model Parameters

[0145] For another embodiment, the inherited model parameters can be from a block that is an immediate neighbouring block. Fig. 12A illustrates an example of inheriting spatial neighbouring model parameters. The models from blocks at pre-defined positions are added into the candidate list in a pre-defined order. For example, the pre-defined order can be B0, A0, B1, A1 and B2, or A0, B0, B1, A1 and B2.

[0146] For still another embodiment, the pre-defined positions include the positions at the immediate above (W >> 1) or ( (W >> 1) –1) position if W is greater than or equal to TH (i.e., the positions immediately above the centre of the top line of the current block. Assume the position of the current block is (x, y) , the pre-defined position can be (x + (W>>1) , y-1) or (x + (W>>1) -1, y –1) ) , and the positions at the immediate left (H >> 1) or ( (H >> 1) –1) position if H is greater than or equal to TH (i.e., the positions at the immediate left of the left line of the current block. Assume the position of the current block is (x, y) , the pre-defined positions can be (x-1, y+ (H>>1) ) or (x-1, y+ (H>>1) -1) ) , where W and H are the width and height of the current block, TH is a threshold value which can be 2, 4, 8, 16, 32, or 64.

[0147] For still another embodiment, the maximum number of inherited models from spatial neighbours are smaller than the number of pre-defined positions. For example, if the pre-defined positions are as depicted as Fig. 12A, there are 5 pre-defined positions. If pre-defined order is B0, A0, B1, A1 and B2, and the maximum number of inherited models from spatial neighbours is 4, the model from B2 is added into the candidate list only when one of preceding blocks is not available or is not  coded in cross-component model.

[0148] Inheriting Temporal Neighbouring Model Parameters

[0149] For still another embodiment, if the current slice / picture is a non-intra slice / picture, the inherited model parameters can be from the block in the previous coded slices / pictures. For example, as shown in the Fig. 12B, the current block position is at (x, y) and the block size is w×h. The inherited model parameters can be from the block at position (x’ , y’ ) , (x’ , y’ + h / 2) , (x’ + w / 2, y’) , (x’ + w / 2, y’ + h / 2) , (x’ + w, y’ ) , (x’ , y’ + h) , or (x’ + w, y’ + h) of the previous coded slices / picture, where x’ = x + Δx and y’ = y + Δy. In one embodiment, if the prediction mode of the current block is intra, Δx and Δy are set to 0. If the prediction mode of the current block is inter prediction, Δx and Δy are set to the horizontal and vertical motion vectors of the current block. In another embodiment, if the current block is inter bi-prediction, Δx and Δy are set to the horizontal and vertical motion vectors in reference picture list 0. In still another embodiment, if the current block is inter bi-prediction, Δx and Δy are set to the horizontal and vertical motion vectors in reference picture list 1.

[0150] For still another embodiment, if the current block is inter bi-prediction, the inherited model parameters can be from the block in the previous coded slices / pictures in the reference lists. For example, if the horizontal and vertical motion vectors in reference picture list 0 are ΔxL0 and ΔyL0, the motion vector can be scaled to other reference pictures in the reference list 0 and 1. If the motion vector is scaled to the ith reference picture in the reference list 0 as (ΔxL0, i0, ΔyL0, i0) . The model can be from the block in the ith reference picture in the reference list 0, and Δx and Δy are set to (ΔxL0, i0, ΔyL0, i0) . For another example, if the horizontal and vertical motion vectors in reference picture list 0 are ΔxL0 and ΔyL0, and the motion vector is scaled to the ith reference picture in the reference list 1 as (ΔxL0, i1, ΔyL0, i1) . The model can be from the block in the ith reference picture in the reference list 1, and Δx and Δy are set to (ΔxL0, i1, ΔyL0, i1) .

[0151] Inherit Non-Adjacent Spatial Neighbouring Models

[0152] For another embodiment, the inherited model parameters can be from blocks that are spatial neighbouring blocks, especially non-adjacent neighbouring blocks that are not immediate neighbours of the current block. The models from blocks at pre-defined positions are added into the candidate list in a pre-defined order. For another embodiment, the distances between the positions that are closer to the current encoding block are smaller than the distances between the positions that are further away from the current block.

[0153] For still another embodiment, the maximum number of inherited models from non-adjacent spatial neighbours are smaller than the number of pre-defined positions. For example, if the pre-defined positions are as depicted in Figs. 13A-B, where two patterns (pattern 1310 in Fig. 13A and pattern 1320 in Fig. 13B) are shown. If the maximum number of inherited models from non- adjacent spatial neighbours that can be added into the candidate list is N, the models from positions in search pattern 2 are added into the candidate list only when the number of available models from search pattern 1 is smaller than N.

[0154] Inherit Model Parameters from History Table

[0155] In one embodiment, the inherited model parameters can be from a cross-component model history table. The cross-component models in the history table can be added into the candidate list according to a pre-defined order. In one embodiment, the adding order of historical candidates can be from the beginning of the table to the end of the table. In another embodiment, the adding order of historical candidates can be from a certain pre-defined position to the end of the table. In another embodiment, the adding order of historical candidates can be from the end of the table to the beginning of the table. In another embodiment, the adding order of historical candidates can be from a certain pre-defined position to the beginning of the table. In another embodiment, the adding order of historical candidates can be in an interleaved manner (e.g., the first added is from the beginning of the table, the second added candidate from the end of the table and so on) .

[0156] In one embodiment, single cross-component model history table can be maintained for storing the previous cross-component model, and the cross-component model history table can be reset at the start of the current picture, current slice, current tile, every M CTU rows or every N CTUs, where N and M can be any value greater than 0. In another embodiment, the cross-component model history table can be reset at the end of the current picture, current slice, current tile, current CTU row or current CTU.

[0157] In another embodiment, one picture can be divided into multiple regions, and for each region, a history table is kept. The history table 0 and one additional history table will be updated during the encoding / decoding process. The additional history table can be determined by the current position. For example, if the current CU is located in the second region, the additional history table to be updated is history table 2.

[0158] In another embodiment, multiple history tables are used for different updated frequencies. For example, the first history table is updated every CU, the second history table is updated every two CUs, the third history table is updated every four CUs and so on.

[0159] In another embodiment, multiple history tables are used for storing different types of cross-component models. For example, the first history table is used for storing single model, and the second history table is used for storing multi-model. For another example, the first history table is used for storing gradient models, and the second history table is used for storing non-gradient models. For another example, the first history table is used for storing simple linear models (e.g., y = ax + b, models with fewer parameters) , and the second history table is used for storing complicated models (e.g., CCCM, models with more parameters) .

[0160] In another embodiment, multiple history tables are used for different reconstructed  luma intensity. For example, if the average of reconstructed luma samples in the current block is greater than a pre-defined threshold, the cross-component model will be stored in the first history table; otherwise, the cross-component model will be stores in the second history table. In another embodiment, multiple history tables are used for different reconstructed chroma intensities. For example, if the average of neighbouring reconstructed chroma samples in the current block is greater than a pre-defined threshold, the cross-component model will be stored in the first history table; otherwise, the cross-component model will be stored in the second history table.

[0161] In one embodiment, when adding historical candidates from multiple history tables to the candidate list, the adding order can be from the beginning of the certain table to the end of the certain table, and then add the next history table in the same order or in a reversed order. In another embodiment, the adding order can be from the end of the certain table to the beginning of the certain table, and then add the next history table in the same order or in a reversed order. In another embodiment, the adding order can be from the certain pre-defined position of the certain table to the end of the certain table, and then add the next history table in the same order or in a reversed order. In another embodiment, the adding order can be from the certain pre-defined position of the certain table to the beginning of the certain table, and then add the next history table in the same order or in a reversed order. In another embodiment, the adding order of historical candidates can be in an interleaved manner in a certain history table (e.g., the first added candidate from the beginning of the certain history table, the second added candidate from the end of the certain history table and so on) , and then add the next history table in the same order or in a reversed order.

[0162] In another embodiment, the adding order can be from the beginning of each history table to the end of each history table. In another embodiment, the adding order can be from the end of each history table to the beginning of each history table. In another embodiment, the adding order can be from the certain pre-defined position of each history table to the end of each history table. In another embodiment, the adding order can be from the certain pre-defined position of each history table to the beginning of each history table. In another embodiment, the adding order of historical candidates can be in an interleaved manner in each certain history table (e.g., the first added candidates from the beginning of all history table, the second added candidates from the end of all history table and so on) .

[0163] In one embodiment, multiple cross-component model history tables are used, but not all history tables will be used for creating the candidate list. Only history tables whose regions are close to the region of current block can be used to create the candidate list.

[0164] In one embodiment, if the historical candidates are used, the range for selecting non-adjacent candidates can be reduced by using a smaller distance between each position of non-adjacent candidate. In another embodiment, if the historical candidates are used, the number of non-adjacent candidates can be reduced by measuring the distance from the left-top position of the current block  to the candidate position, and then exclude the candidate with the distance greater than a pre-defined threshold. In another embodiment, if the historical candidates are used, the number of non-adjacent candidates can be reduced by skipping the candidates that are not located in the same region. In another embodiment, if the historical candidates are used, the number of non-adjacent candidates can be reduced by skipping the candidates that are not located in the neighbouring regions. The range of neighbouring regions is pre-defined, and it can be M by N regions, where M and N can be any value greater than 0. In another embodiment, if the historical candidates are used, the range for selecting non-adjacent candidates can be reduced by skipping the second search pattern.

[0165] In another embodiment, one picture can be divided into multiple regions, and at least one history table is kept in each region. For a region of the current picture, it can use or combine the history tables of one or multiple regions in the previous coded pictures as the initial history table. For example, if a picture is divided into N regions, it can implicitly or explicitly select the history table from one of N regions in the previous coded pictures as the initial history table. The index of one of N regions can be signalled or implicitly derived from the corresponding region in the previous coded pictures. As shown in Figs. 14A-B, where the current picture 1420 is a P / B coded picture and the previous picture 1410 is an Intra coded picture. Each picture is divided into 4 regions as shown in 4 rectangular boxes. According to an embodiment of the present invention, the corresponding region in the previous coded pictures can be the region 1412 having the same beginning geometric position as the current region 1422as shown in Fig. 14A or containing the centre geometric position of the current region 1422 as shown in Fig. 14B. For another example, it can combine more than one history tables in the previous coded regions / pictures to construct the history table of the current region.

[0166] Candidate List Construction

[0167] In one embodiment, the candidate list is constructed by adding candidates in a pre-defined order until the maximum candidate number is reached. The candidates added may include all or some of the aforementioned candidates, but not limited to the aforementioned candidates. For example, the candidate list may include spatial neighbouring candidates, temporal neighbouring candidate, historical candidates, non-adjacent neighbouring candidates, single model candidates generated based on other inherited models or combined model (as mentioned later in section entitled: Inheriting Multiple Cross-Component Models) . For another example, the candidate list can include the same candidates as previous example, but the candidates are added into the list in a different order.

[0168] In another embodiment, if all the pre-defined neighbouring and historical candidates are added but the maximum candidate number is not reached, some default candidates are added into the candidate list until the maximum candidate number is reached.

[0169] In one sub-embodiment, the default candidates include but not limited to the candidates described below. The final scaling parameter α is from the set  {0,1 / 8, -1 / 8, +2 / 8, -2 / 8, +3 / 8, -3 / 8, +4 / 8, -4 / 8} , and the offset parameter β=1 /  (1<<bit_depth) is derived based on neighbouring luma and chroma samples. For example, if the average value of neighbouring luma and chroma samples are lumaAvg and chromaAvg, then β is derived by β=chromaAvg-α·lumaAvg. The average value of neighbouring luma samples (i.e., lumaAvg) can be calculated by all selected luma samples, the luma DC mode value of the current luma CB, or the average of the maximum and minimum luma samples (e.g.,  Similarly, average value of neighbouring chroma samples (i.e., chromaAvg) can be calculated by all selected chroma samples, the chroma DC mode value of the current chroma CB, or the average of the maximum and minimum chroma samples (e.g.,

[0170] In another sub-embodiment, the default candidates include but not limited to the candidates described below. The default candidates are α·G+β, where G is the luma sample gradients instead of down-sampled luma samples L. The 16 GLM filters described in the section, entitled: Gradient Linear Model (GLM) , are applied. The final scaling parameter α is from the set {0,1 / 8, -1 / 8, +2 / 8, -2 / 8, +3 / 8, -3 / 8, +4 / 8, -4 / 8} . The offset parameter β=1 /  (1<<bit_depth) or is derived based on neighbouring luma and chroma samples.

[0171] In another embodiment, a default candidate can be derived based on an earlier candidate in the candidate list with a delta scaling parameter refinement. For example, if the scaling parameter of an earlier candidate is α, the scaling parameter of a default candidate is (α+Δα) , where Δα can be from the set {1 / 8, -1 / 8, +2 / 8, -2 / 8, +3 / 8, -3 / 8, +4 / 8, -4 / 8} . The offset parameter of a default candidate will be derived by (α+Δα) and the average value of neighbouring luma and chroma samples of the current block.

[0172] In another embodiment, a default candidate can be a shortcut to indicate a cross-component mode (i.e., using the current neighbouring luma / chroma reconstructed samples to derive cross-component models) rather than inheriting parameters from neighbours. For example, a default candidate can be CCLM_LT, CCLM_L, CCLM_T, MMLM_LT, MMLM_L, MMLM_T, single-model CCCM, multiple-model CCCM or cross-component model with a specified GLM pattern.

[0173] In another embodiment, a default candidate can be a cross-component mode (i.e., using the current neighbouring luma / chroma reconstructed samples to derive cross-component models) rather than inheriting parameters from neighbours, and also with a scaling parameter update (Δα) . Then, the scaling parameter of a default candidate is (α+Δα) . For example, a default candidate can be CCLM_LT, CCLM_L, CCLM_T, MMLM_LT, MMLM_L, or MMLM_T. For another example, Δα can be from the set {1 / 8, -1 / 8, +2 / 8, -2 / 8, +3 / 8, -3 / 8, +4 / 8, -4 / 8} . The offset parameter of a default candidate will be derived by (α+Δα) and the average value of neighbouring  luma and chroma samples of the current block. For still another example, the Δα can be different for each colour components.

[0174] In another embodiment, a default candidate can be an earlier candidate with partial selected model parameters. For example, suppose an earlier candidate has m parameters, it can choose k out of m parameters from an earlier candidate to be a default candidate, where 0 < k < m and m > 1.

[0175] In another embodiment, a default candidate can be the first model of an earlier MMLM candidate (i.e., the model used when the sample value being less than or equal to a classification threshold) . In still another embodiment, a default candidate can be the second model of an earlier MMLM candidate (i.e., the model used when the sample value being greater than or equal to a classification threshold) . In still another embodiment, a default candidate can be the combination of two models of an earlier MMLM candidate. For example, if the models of an earlier MMLM candidate are The model parameters of an default candidate can be where αis a weighting factor which can be predefined or implicitly derived based on neighbouring template cost, and is the x-th parameter of the y-th model.

[0176] In another embodiment, default candidates can be derived from reconstructed samples from non-adjacent neighbouring regions. Let the current block position be at (x, y) and the block size be w×h. If the reconstructed samples in the MxN region located at (x+dx, y+dy) are “available” , the default candidates can be derived using reconstructed luma and chroma samples in the region. For example, MxN can be 8x8. For another example, MxN can be 16x8. For another example, MxN can be 16x16. For another example, MxN can be w×h. The meaning of “available” can be the reconstructed sample inside the current block is available, or the reconstructed sample inside the k lines of neighbouring samples is available. The k can be defined by the IBC neighbouring search region, or the neighbouring buffer area of other intra coding tools (e.g., multi-reference line intra prediction, CCLM or CCCM) .

[0177] In another embodiment, let the current block position be at (x, y) and the block size be w×h, the default candidates can be derived using reconstructed samples in the MxN region located at (xmid +dx, ymid +dy) , if the reconstructed samples in the region are available, where (xmid, ymid) = (x + w / 2, y + h / 2) .

[0178] In another embodiment, default candidates derived from reconstructed samples in non-adjacent neighbouring regions can be any type of cross-component models or some particular types of cross-component models. For example, the derived model can be CCLM, MMLM, CCCM, CCCM multi-models, or other cross-component models. For another example, the derived model is CCCM model. For another example, the derived model is CCLM model. For another example, the derive model is CCCM or CCCM multi-models.

[0179] In another embodiment, assume two value sets αx and αy are defined as: αx= {αx1, αx2, αx3, …, αxn} , αxi<αxj if i<j αy= {αy1, αy2, αy3, …, αyn} , αyi<αyj if i<j.

[0180] All values in αx and αy are positive numbers. (dx, dy) can be (αxi×w, -αyi×h) , (-αxi×w, αyi×h) , (-αxi×w, -αyi×h) , (αxi×w, 0) , (-αxi×w, 0) , (0, αyi×h) , (0, ymid-αyi×h) .

[0181] In another embodiment, the current block position is at (x, y) and the block size is w×h. Let δx and δy be two fixed positive numbers (dx, dy) can be (αxi×δx, -αyi×δy) , (-αxi×δx, +αyi×δy) , (-αxi×δx, -αyi×δy) , (αxi×δx, 0) , (-αxi×δx, 0) , (0, αyi×δy) , or (0, -αyi×δy) .

[0182] When constructing a candidate list, candidates are inserted into the list according to a pre-defined order. For example, the pre-defined order can be spatial adjacent candidates, temporal candidates, spatial non-adjacent candidates, historical candidates, and then default candidates. In one embodiment, if cross-component models are derived for non-LM coded blocks (e.g., as mentioned in the section entitled: Inherit Neighbouring Model Parameters for Refining the Cross-Component Model Parameters) , the candidate models of non-LM coded blocks are included into the list after including candidate models of LM coded blocks. In another embodiment, if cross-component models are derived for non-LM coded blocks, the candidate models of non-LM coded blocks are included into the list before including default candidates. In still another embodiment, if cross-component models are derived for non-LM coded blocks, the candidate models of non-LM coded blocks have lower priority to be included into the list than candidate models from LM coded blocks.

[0183] When constructing a candidate list, only the candidates with a certain prediction mode can be added into the list. For example, it can limit only the candidates derived by CCLM or MMLM modes being allowed to be added into the list. For another example, it can limit only the candidates derived by single-model modes (e.g., CCLM, or CCLM with single-model) being allowed to be added into the list. For another example, it can limit only the candidates derived by multi-model modes (e.g., MMLM, or CCCM with multi-model) being allowed to be added into the list. For another example, it can limit only the candidates derived by GLM modes being allowed to be added into the list. For another example, it can limit only the candidates derived by a specific mode (e.g., CCLM, MMLM, CCCM, CCCM with multi-model, or GLM) being allowed to be added into the list. In one embodiment, if only the candidate with a certain prediction mode can be added into the list, when doing prediction mode signalling, it can signal the prediction mode first and then signal if the proposed cross-component merge mode is used or not. If the proposed cross-component merge mode  is used, then signal the candidate index.

[0184] In the chroma intra fusion mode, a non-CCLM coded intra prediction and a CCLM coded intra prediction are fused together to obtain the final intra prediction. In one embodiment, when inheriting the cross-component model parameters from the block / position coded by chroma intra fusion mode, the model parameters for obtaining the CCLM coded intra prediction are inherited and further refined. In another embodiment, the fusion weight, the coding mode of non-CCLM coded intra prediction and the model parameters for obtaining the CCLM coded intra prediction are inherited and further refined. In still another embodiment, the coding mode of non-CCLM coded intra prediction is implicitly derived (e.g., derived as DM or planar mode) , and the fusion weight and the model parameters for obtaining the CCLM coded intra prediction are inherited and further refined. In still another embodiment, if the non-CCLM coded intra prediction of the block / position coded by chroma intra fusion mode can be implicitly derived (e.g., the non-CCLM coded intra prediction is DM or planar mode) , the fusion weight and the model parameters for obtaining the CCLM coded intra prediction are inherited and further refined.

[0185] Reordering the Candidates in the List

[0186] The candidates in the list can be reordered to reduce the syntax overhead when signalling the selected candidate index. The reordering rules can depend on the coding information of neighbouring blocks or the model error. For example, if neighbouring above or left blocks are coded by MMLM, the MMLM candidates in the list can be moved to the head of the current list. Similarly, if neighbouring above or left blocks are coded by single model LM or CCCM, the single model LM or CCCM candidates in the list can be moved to the head of the current list. Similarly, if GLM is used by neighbouring above or left blocks, the GLM related candidates in the list can be moved to the head of the current list.

[0187] In still another embodiment, the reordering rule is based on the model error by applying the candidate model to the neighbouring templates of the current block, and then compare the error with the reconstructed samples of the neighbouring template. For example, as shown in Fig. 15, the size of above neighbouring template 1520 of the current block is wa×ha, and the size of left neighbouring template 1530 of the current block 1510 is wb×hb. Suppose K models are in the current candidate list, and αk and βk are the final scaling and offset parameters after inheriting the candidate k. The model error of candidate k corresponding to the above neighbouring template is:

[0188] where,  are the reconstructed samples of luma (e.g., after downsampling process or after applying GLM pattern) and reconstructed samples of chroma at position (i, j) in the above template, and 0≤i<wa and 0≤j<ha.

[0189] Similarly, the model error of candidate k by the left neighbouring template is:

[0190] where are the reconstructed samples of luma (e.g., after applying downsampling process or GLM pattern) and reconstructed samples of chroma at position (m, n) in the left template, and 0≤m<wb and 0≤n<hb.

[0191] Then the model error of candidate k is:

[0192] After calculating the model error among all candidates, it can get a model error list E= {e0, e1, e2, …, ek, …, eK} . Then, it can reorder the candidate index in the inherited candidate list by sorting the model error list in ascending order.

[0193] In still another embodiment, if the candidate k uses CCCM prediction, the are defined as:

[0194] where c0k, c1k, c2k, c3k, c4k, c5k, and c6k are the final filtering coefficients after inheriting the candidate k. P and B are the nonlinear term and bias term.

[0195] In still another embodiment, if the above neighbouring template is not available, then  Similarly, if the left neighbouring template is not available, then If both templates are not available, the candidate index reordering method using model error is not applied.

[0196] In still another embodiment, not all positions inside the above and left neighbouring template are used in calculating model error. It can choose partial positions inside the above and left neighbouring template to calculate model error. For example, it can define a first start position and a first subsampling interval depending on the width of the current block to partially select positions inside the above neighbouring template. Similarly, it can define a second start position and a second  subsampling interval depending on the height of the current block to partially select positions inside the left neighbouring template.

[0197] In another embodiment, ha or wb can be a constant value (e.g., ha or wb can be 1, 2, 3, 4, 5, or 6) . In another embodiment, ha or wb can be dependent on the block size. If the current block size is greater than or equal to a threshold, ha or wb is equal to a first value. Otherwise, ha or wb is equal to a second value.

[0198] In still another embodiment, the candidates of different types are reordered separately before the candidates are added into the final candidate list. For each type of the candidates, the candidates are added into a primary candidate list with a pre-defined size N1. The candidates in the primary list are reordered. The N2 candidates with the smallest costs are then added into the final candidate list, where N2≤N1. In another embodiment, the candidates are categorized into different types based on the source of the candidates, including but not limited to the spatial neighbouring models, temporal neighbouring models, non-adjacent spatial neighbouring models, and the historical candidates. In another embodiment, the candidates are categorized into different types based on the cross-component model mode. For example, the types can be CCLM, MMLM, CCCM, and CCCM multi-model. For another example, the types can be GLM-non active or GLM active.

[0199] In still another embodiment, after the candidates are reordered based on the template cost, the redundancy of the candidate can be further checked. A candidate is considered to be redundant if the template cost difference between the candidate and the candidate’s predecessor in the list is smaller than a threshold. If a candidate is considered redundant, it can be removed from the list, or it can be move to the end of the list.

[0200] Signalling the Inherited Candidate Index in the List

[0201] An on / off flag can be signalled to indicate if the current block inherits the cross-component model parameters from neighbouring blocks or not. The flag can be signalled per CU / CB, per PU, per TU / TB, or per colour component, or per chroma colour component. A high level syntax can be signalled in SPS, PPS (Picture Parameter Set) , PH (Picture header) or SH (Slice Header) to indicate if the proposed method is allowed for the current sequence, picture, or slice.

[0202] The maximum allowed candidate number is signalled to indicate the maximum size of the merge candidate list. The number can be signalled per CU / CB, per PU, per TU / TB, or per colour component, or per chroma colour component. A high level syntax can be signalled in SPS, PPS, PH or SH to indicate if the proposed method is allowed for the current sequence, picture, or slice. The maximum allowed candidate number of the proposed method (i.e., CCP merge mode) can be shared with the maximum allowed candidate number for inter merge mode.

[0203] If the current block inherits the cross-component model parameters from neighbouring blocks, the inherited candidate index is signalled. The index can be signalled (e.g., signalled using  truncate unary code, Exp-Golomb code, or fix length code) and shared between the current Cb and Cr blocks. For another example, the index can be signalled per colour component. For example, one inherited candidate index is signalled for Cb component, and another inherited candidate index is signalled for Cr component. For another example, it can use chroma intra prediction syntax (e.g., IntraPredModeC [xCb] [yCb] ) to store the inherited candidate index.

[0204] If the current block inherits the cross-component model parameters from neighbouring blocks, the current chroma intra prediction mode (e.g., IntraPredModeC [xCb] [yCb] as defined in VVC standard) is temporally set to a cross-component mode (e.g., CCLM_LT) at the bitstream syntax parsing stage. Later, at the prediction stage or reconstruction stage, the candidate list is derived, and the inherited candidate model is then determined by the inherited candidate index. After obtaining the inherited model, the coding information of the current block is then updated according to the inherited candidate model. The coding information of the current block includes but not limited to the prediction mode (e.g., CCLM_LT or MMLM_LT) , related sub-mode flags (e.g., CCCM mode flag) , prediction pattern (e.g., GLM pattern index) , and the current model parameters. Then, the prediction of the current block is generated according to the updated coding information.

[0205] Inheriting Multiple Cross-Component Models

[0206] The final prediction of the current block can be the combination of predictions of multiple cross-component models, or fusion of the predictions of the selected cross-component models with the prediction by non-cross-component coding tools (e.g., intra angular prediction modes, intra planar / DC modes, or inter prediction modes) . In one embodiment, if the current candidate list size is N, it can select k candidates from the total N candidates (where k ≤ N) . Then, k predictions are respectively generated by applying the cross-component model of the selected k candidates using the corresponding luma reconstructed samples. The final prediction of the current block is the combination results of these k predictions. For example, if two candidate predictions (denoted as pcand1 and pcand2) are combined, the final prediction at (x, y) position of the current block is pfinal (x, y) = (1-α) ×pcand1 (x, y) +α×pcand2 (x, y) , where α is a weighting factor. Besides, the weighting factor α can be predefined or implicitly derived according to neighbouring template cost (i.e., model error) . For example, by using the template cost defined in the section entitled: Reordering the Candidates in the List, the corresponding template cost of two candidates are ecand1 and ecand2, then α is ecand1 /  (ecand1+ecand2) . In another embodiment, if two candidate models are combined, the selected models are from the first two candidates in the list. In still another embodiment, if i candidate models are combined, the selected models are from the first i candidates in the list.

[0207] In another embodiment, if the current candidate list size is N, it can select k candidates from the total N candidates (where k ≤ N) . The k cross-component models can be combined into one  final cross-component model by weighted-averaging the corresponding model parameters. For example, if a cross-component model has M parameters, the j-th parameter of the final cross-component model is the weighted-averaging of the j-th parameter of the k selected candidates, where j is 1 …M. Then, the final prediction is generated by applying the final cross-component model to the corresponding luma reconstructed samples. For example, if two candidate models are  The final cross-component model is where α is a weighting factor which can be predefined or implicitly derived by neighbouring template cost, and is the x-th model parameter of the y-th candidate. For example, by using the template cost defined in the section entitled: Reordering the Candidates in the List, the corresponding template cost of two candidates are ecand1 and ecand2, then α is ecand1 /  (ecand1+ecand2) . For still an example, for the two candidate models, one is from the spatial adjacent neighbouring candidates, and another one is from the non-adjacent spatial candidates or history candidates. If the spatial adjacent neighbouring candidates are not available, then the two candidate models are all from the non-adjacent spatial candidates or history candidates. In another embodiment, if two candidate models are combined, the selected models are from the first two candidates in the list. In still another embodiment, if i candidate models are combined, the selected models are from the first i candidates in the list, where i is an integer greater than 1.

[0208] In another embodiment, two cross-component models are combined into one final model by weighted-averaging the corresponding model parameters. One of the two cross-component models is from the above spatial neighbouring candidate and another one is from the left spatial neighbouring candidate. The above spatial neighbouring candidate is the neighbouring candidate that has the vertical position less than or equal to the top block boundary position of the current block. The left spatial neighbouring candidate is the neighbouring candidate that has the horizontal position less than or equal to the left block boundary position of the current block. The weighting factor α is determined according to the horizontal and vertical spatial positions inside the current block. For example, if two candidate predictions (denoted as pabove and pleft) are combined, the final prediction at (x, y) position of the current block is pfinal (x, y) = (1-α) ×pabove (x, y) +α×pleft (x, y) , where α=y /  (x+y) . In another embodiment, the above spatial neighbouring candidate is the first candidate in the list that has the vertical position less than or equal to the top block boundary position of the current block. The left spatial neighbouring candidate is the first candidate in the list that has the horizontal position less than or equal to the left block boundary position of the current block.

[0209] In another embodiment, it can combine cross-component model candidates with the prediction of non-cross-component coding tools. For example, one cross-component model candidate is selected from the candidate list, and its prediction is denoted as pccm. Another prediction can be  from chroma DM, chroma DIMD, or intra angular mode, and denoted as pnon-ccm. The final prediction at (x, y) position of the current block is pfinal (x, y) = (1-α) ×pccm (x, y) +α×pnon-ccm (x, y) , where α is the weighting factor, which can be predefined or implicitly derived according to neighbouring template cost. For still the same example, the non-cross-component coding tool can be predefined or signalled. The non-cross-component coding tool is chroma DM or chroma DIMD. For another example, the non-cross-component coding tool is signalled, but the index of cross-component model candidate is predefined or determined by the coding modes of neighbouring blocks. For still the same example, if at least one of neighbouring spatial blocks is coded with CCCM mode, the first candidate has CCCM model parameters is selected. If at least one of neighbouring spatial blocks is coded with GLM mode, the first candidate has GLM pattern parameters is selected. Similarly, if at least one of neighbouring spatial blocks is coded with MMLM mode, the first candidate has MMLM parameters is selected.

[0210] In another embodiment, it can combine the prediction of cross-component model candidates with the prediction of the current cross-component model. For example, one cross-component model candidate is selected from the list, and its prediction is denoted as pccm. Another prediction can be from the cross-component prediction mode whose model is derived based on the current neighbouring reconstructed samples and is denoted as pcurr-ccm. The final prediction at (x, y) position of the current block is pfinal (x, y) = (1-α) ×pccm (x, y) +α×pcurr-ccm (x, y) , where α is the weighting factor which can be predefined or implicitly derived according to neighbouring template cost.

[0211] In another embodiment, it can combine multiple cross-component models into one final cross-component model. For example, it can choose one model from a candidate, and choose a second model from another candidate to form a multi-model mode. The selected candidate can be CCLM / MMLM / GLM / CCCM coded candidate. The multi-model classification threshold can be the average of the offset parameters (e.g., offset / β in CCLM, or c6×B or c6 in CCCM) of the two selected modes. In one embodiment, if two candidate models are combined, the selected models are the first two candidates in the list. In another embodiment, the classification threshold is set to the average value of the neighbouring luma and chroma samples of the current block.

[0212] Multiple Hypothesis Blending for Cross-Component Model Merge Method

[0213] Let P be an existing prediction of the current block; an additional hypothesis H is blended with the existing prediction P based on a pre-defined weighting to form the final prediction Pfinal of the current block as shown in the equation below: Pfinal= (1-α) P+ αH

[0214] The prediction P can be generated based on any intra / inter coding tools. The additional hypothesis is the prediction of the current block generated based on a CC merge mode. CC  merge mode means that the cross-component model is inherited from a spatial, historical, or temporal neighbouring block / position. A flag is signalled to indicate whether to add the additional hypothesis to be blended with the existing prediction. If the flag indicates that the additional hypothesis is to be added, syntax related to how to generate the additional hypothesis H and / or the weighting is signalled at the encoder or parsed at the decoder.

[0215] In one embodiment, more than one additional hypothesis can be added. Assuming N hypotheses H1, H2, …HN are added to the existing prediction P0, then the final prediction Pfinal can be computed as following, where α1, α2, . . ., αN are some pre-defined weightings. P0=H0, P1= (1-α1) P0+ α1H1, …, Pfinal=PN= (1-αN) PN-1+ αNHN.

[0216] After the syntax related to adding one additional hypothesis (including the flag and the syntax related to how to generate the additional hypothesis) is signalled, another flag can be signalled to indicate whether to add one more additional hypothesis. If the flag indicates to add one more hypothesis, syntax related to how to generate the additional hypothesis H and / or the weighting is signalled at the encoder or parsed at the decoder.

[0217] In one embodiment, the flag and the syntax related to each additional hypothesis (including the flag and the syntax related to how to generate the additional hypothesis) are signalled / parsed recursively. Whether to signal and / or parse one flag and related syntax is dependent on whether the previous flags are signalled / parsed. If the N-th flag indicates to add the N-th additional hypothesis (i.e., HN) , syntax related to how to generate the N-th hypothesis and / or the weighting is signalled. And a (N+1) -th flag will be signalled to indicate whether to add a (N+1) -th additional hypothesis (i.e., HN+1) . If the N-th flag indicates not to add the N-th additional hypothesis, the recursion stops and the final prediction Pfinal is the combination of H0 and N additional hypotheses.

[0218] In one embodiment, the mode is selected from the cross-component merge candidate list to generate the additional hypothesis. The inherited candidate index of the mode selected can be explicitly or implicitly indicated. For example, the candidate index can be explicitly signalled by the method in the section entitled “Signalling the Inherited Candidate Index in the List” . The candidates in the list can be reordered by the method mentioned in the section entitled “Reordering the Candidates in the List” . For another example, only the first k candidates (k >= 2) in the list can be selected, and the candidate index can be explicitly signalled according to the method in the section entitled “Signalling the Inherited Candidate Index in the List” . The candidates in the list can be reordered by the method mentioned in the section entitled “Reordering the Candidates in the List” . For another example, after excluding the candidates already selected by the previous added  hypotheses from the list, the first candidate in the list can be implicitly selected. The candidates in the list can be reordered according to the method mentioned in the section entitled “Reordering the Candidates in the List” .

[0219] In another embodiment, the mode is selected from the cross-component merge candidate list to generate the additional hypothesis. The inherited candidate index of the mode can be implicitly decided. After excluding the candidates already selected by the previous added hypotheses from the list, the candidate with the smallest template matching cost or boundary matching cost in the list can be implicitly selected. The template matching cost and boundary matching cost are explained as following:

[0220] 1. The template-matching cost setting:

[0221] - Step 1: The reconstructed samples of the template of current block are used as the golden data as shown in Fig. 16. The current luma block 1610 and the current chroma block 1620, and the corresponding luma template 1612 and chroma template 1622 are shown.

[0222] - Step 2: For each inherited candidate mode in the candidate list, generate the predicted sample values within the chroma template of the current chroma block based on the inherited model parameters and the collocated luma samples inside the luma template

[0223] - Step 3: For each inherited candidate mode in the candidate list, calculate the distortion between the golden data and the predicted samples within the chroma template.

[0224] 2. The boundary matching cost setting: the boundary matching cost of an inherited candidate mode is the discontinuity measurement between the predicted samples within the current block generated from the inherited candidate mode, and the neighbouring reconstructed samples within one or more neighbouring blocks. The discontinuity measurement includes top boundary matching cost and / or left boundary matching cost. Top boundary matching refers to the comparison between the predicted samples at the top of the current block and reconstructed samples in the neighbouring blocks above the current block. Left boundary matching refers to the comparison between the predicted samples at the left boundary of the current block and reconstructed samples in the neighbouring blocks left to the current block.

[0225] In one embodiment, the candidates in the cross-component merge candidate list can be categorized. The mode selected to generate the additional hypothesis cannot be in the same categories as the modes previously selected to generate the previously added hypothesis.

[0226] In one sub-embodiment, the modes are categorized based on if it is a linear model or a convolutional model. For example, CCLM and MMLM are in the same group, and CCCM is in another group.

[0227] In another sub-embodiment, the modes are categorized based on if it is a single model or a multi-model mode. For example, CCLM and CCCM are in the same group, and MMLM and MMCCCM (multi-model CCCM) are in another group.

[0228] In another sub-embodiment, the modes are categorized based on the location of the samples used to derive the cross-component model. For example, CCLM_LT and MMLM_LT are in the same group, while CCLM_L and MMLM_L are in another group.

[0229] In another sub-embodiment, the modes are categorized based on the filter shape it used. For example, the convolutional model may have 3 choices (1710, 1720 and 1730) of filter shape as depicted in Fig. 17. The convolutional model using the filter shape 0 is in the first group. The convolutional model using the filter shape 1 and the filter shape 2 are in the second and third group respectively.

[0230] In another sub-embodiment, the modes are categorized based on if the gradient luma samples are used in the model or not. For example, the GLM and CCLM are in different groups.

[0231] In another sub-embodiment, the modes are categorized based on the gradient filter it used. For example, the two-parameter GLM and the three-parameter GLM using the first GLM filter are in first group. The two-parameter GLM and the three-parameter GLM using the second, third and fourth GLM filter are in the second, third and fourth groups respectively.

[0232] In another sub-embodiment, the modes are categorized based on if the collocated reconstructed luma sample values used in the model are down-sampled or not. In another sub-embodiment, the modes are categorized based on the down-sampling filter used to generate the down-sampled reconstructed luma samples.

[0233] In another sub-embodiment, the modes are categorized based on if the model contains non-linear terms.

[0234] In one embodiment, the candidates in the cross-component merge candidate list can be categorized. The modes can be categorized based on the aforementioned categorizing criteria. The mode selected to generate the additional hypothesis can only be from some categories. For example, the mode selected must be a convolutional model mode. For another example, the mode selected must use a gradient term.

[0235] In one sub-embodiment, the modes under a category can be further sub-categorized. The mode selected must not be in the same sub-category as modes previously selected to generate the previously added hypotheses. The modes can be sub-categorized based on the aforementioned categorizing criteria. For example, if the sub-categories under the CCCM categories are 1) CCCM using filter shape 0, 2) CCCM using filter shape 1, and 3) CCCM using filter shape 2, and one hypothesis generated by a CCCM mode using filter shape 0 has already been added, then the mode selected to generate another hypothesis must be from group 2 or 3 (using filter shape 1 or filter shape 2) .

[0236] In one embodiment, if the existing predictor P is a cross-component mode, the inherited candidate selected to generate the additional hypothesis cannot be a spatially inherited candidate.

[0237] In one embodiment, the weighting parameter α is selected from a weighting parameter set. An index is signalled to indicate the α selected. For example, the weighting parameter set may include α = 1 / 4 or -1 / 8. Index = 0 or 1 is signalled.

[0238] In another embodiment, the weighting parameter α is selected from a weighting parameter set. The weighting parameter α is implicitly decided based on mode information from neighbouring blocks. For example, if more neighbouring blocks are cross-component prediction modes, then the larger α is selected. For another example, if more neighbouring blocks are inter-modes and the existing prediction is an inter-mode, the smaller α is selected.

[0239] In another embodiment, the weighting parameter α is selected from a weighting parameter set. The weighting parameter α is implicitly decided based on type of the inherited mode that generates the hypothesis. For example, if the inherited mode is a CCCM mode, the larger α is selected. For another example, if the inherited mode is a CCLM mode, the smaller α is selected.

[0240] In another embodiment, the weighting parameter α is selected from a weighting parameter set. The weighting parameter α is implicitly decided based on the template matching cost or boundary matching cost. The parameter associated with the smallest template matching cost or boundary cost is selected. The methods to calculate template matching cost and boundary matching cost are described in previous paragraphs. For example, if the weight parameter set contains α1, α2, . . ., αN and the hypothesis is H, for each parameter in the weighting parameter set, the predicted sample values within the chroma template of the current chroma block are generated by computing (1-αi) P+ αiH. The template cost is the distortion between the golden data (i.e., the reconstructed chroma samples on the template of current block) and the predicted samples within the chroma template.

[0241] In another embodiment, the weighting parameter α is implicitly derived based on template matching cost (TIMD cost) or boundary matching cost. The methods to calculate template matching cost and boundary matching cost are described in previous paragraphs. The template matching cost and boundary matching cost can be determined at the decoder and do not need to be signalled. For example, if the prediction has a larger cost than the hypothesis, α uses a larger weight. If the prediction has a smaller cost than the hypothesis, α uses a smaller weight. For another example, α is determined according to:

[0242] In another embodiment, the weighting parameter α can be implicitly derived in a way similar to the method deriving the CCCM parameters, as described in the section entitled: Convolutional Cross-Component Model (CCCM) -Single Model and Multi-Model. Let Pfinal= (1-α) P+ αH+ β, where β is an offset value. The weighting parameter α can be derived by  minimizing MSE between the predicted chroma samples Pfinal and reconstructed chroma samples in the reference area, as depicted and described in the section entitled “Convolutional Cross-Component Model (CCCM) -Single Model and Multi-Model” .

[0243] In one embodiment, the final prediction of the current block can be the blend of N hypotheses using one or more pre-defined weightings, where N is greater or equal to 2. Each hypothesis is the prediction of the current block generated based on a mode. The mode can be any intra or inter mode. At least one hypothesis is generated based on CC merge mode. CC merge mode means the cross-component model is inherited from a spatial, historical, or temporal neighbouring block / position. A flag is signalled at block-level to indicate whether to apply the blending mode. For example, the flag can be signalled at CU level and / or PU level and / or CTU level. For another example, the flag can be signalled at CB level, PB level, CTB, TU / TB, any predefined region level, or a combination thereof.

[0244] In one embodiment, the final prediction of the current block can be the blend of two hypotheses using a pre-defined weighting. The modes to generate the hypotheses can be any intra or inter mode. At least one hypothesis is generated based on CC merge mode. A flag is signalled at block-level to indicate whether to apply the blending mode.

[0245] In one embodiment, the final prediction of the current block can be the blend of two hypotheses using a pre-defined weighting. One mode to generate the hypotheses is cross-component mode derived based on neighbouring templates, and another mode is a CC merge mode. The CC merge mode is selected from the CC merge candidate list. In one sub-embodiment, the mode selected cannot be a spatially inherited candidate.

[0246] In one embodiment, the final prediction of the current block can be the blend of two hypotheses. Both hypotheses, H1 and H2, are both generated based on CC merge mode. A flag is signalled at block-level to indicate whether to apply the blending mode.

[0247] In one embodiment, when the flag indicates that the blending mode is disabled, the original syntax for signalling / parsing an intra prediction mode for the current block is followed. When the flag indicates that the blending mode is enabled, the following syntax related to indicating the modes to generated H1 and H2 and / or weighting is needed to be signalled at encoder, parsed at decoder and decided.

[0248] In one embodiment, the two modes that generate H1 and H2 are both selected from the cross-component merge candidate list. The inherited candidate indexes of the modes selected can be explicitly or implicitly indicated. For example, the candidates in the list can be reordered according to the method mentioned in the section entitled “Reordering the Candidates in the List” . The candidate index can be explicitly signalled according to the method mentioned in the section entitled “Signalling the Inherited Candidate Index in the List” . For another example, only the first k candidates (k >= 3)  in the list can be selected, and the candidate index can be explicitly signalled by the method mentioned in the section entitled “Signalling the Inherited Candidate Index in the List” . For another examples, the first 2 candidates are implicitly selected. For another example, an index is explicitly signalled to indicate the candidate index of the first mode, and the candidate index of the second mode is the signalled index + k, where k can be 1, 2, 3, 4, or 5.

[0249] In one embodiment, the two modes which generate H1 and H2 are both selected from the cross-component merge candidate list. The inherited candidate indexes of the modes selected are implicitly decided. The two candidates with the smallest template matching costs or boundary matching costs in the list can be implicitly selected.

[0250] In one embodiment, the two modes that generate H1 and H2 are both selected from the cross-component merge candidate list. The candidates in the cross-component merge candidate list are categorized. The modes can be categorized based on the aforementioned categorizing criteria. The two modes selected must be from different categories.

[0251] In another embodiment, the two modes are from some categories. For example, both modes are CCCM modes. In one sub-embodiment, the modes in a category can be further sub-categorized. The two modes selected must not be in the same sub-category. The modes can be sub-categorized based on the aforementioned categorizing criteria.

[0252] In one embodiment, the weighting to blend H1 and H2 is selected from a weighting parameter set. An index can be explicitly signalled to indicate the weighting selected. For example, the weight set (wh1, wh2) can also be (3, 5) , (5, 3) , (-2, 10) , (10, -2) , (4, 4) , or any subset of the above weights. In another embodiment, the weighting can be implicitly decided based on mode information from neighbouring blocks. For example, if H1 is a linear model (e.g., CCLM and MMLM) and H2 is a convolutional model (e.g., CCCM) , and more neighbouring blocks are convolutional model modes, then H2 has the larger blending weight. In another embodiment, the weighting can be implicitly decided based on the type of the inherited mode that generates the hypothesis. For example, if the inherited mode is a CCCM mode, a larger weighting is selected. For another example, if the inherited mode is a CCLM mode, a smaller weighting is selected. In another embodiment, the weighting can be implicitly decided based on the template matching cost or boundary matching cost. The weighting associated with the smallest template matching cost or boundary cost is selected. The methods to calculate template matching cost and boundary matching cost are described in previous paragraphs. For example, if template matching cost is used, for each weighting in the weighting parameter set, the predicted sample values within the chroma template of the current chroma block is generated by computing wh1H1+ wh2H2. The template cost is the distortion between the golden data (i.e., the reconstructed chroma samples on the template of current block) and the predicted samples within the chroma template.

[0253] In another embodiment, the weighting parameter (wh1, wh2) are implicitly derived  based on template matching cost (TIMD cost) or boundary matching cost. The methods to calculate template matching cost and boundary matching cost are described in previous paragraphs. The template matching cost and boundary matching cost can be determined at the decoder and do not need to be signalled. For example, if the mode for generating H1 has a larger TIMD cost, H1 uses a smaller weight during blending. If the mode for generating H2 has a larger TIMD cost, H2 uses a smaller weight during blending. If the prediction has a smaller cost than the hypothesis, a smaller weight is selected for α. For another example, wh1=TIMD_costh2 /  (TIMD_costh1+TIMD_costh2) ) ,

[0254] In another embodiment, the weighting parameter (wh1, wh2) can be implicitly derived in a way similar to the method deriving the CCCM parameters, as described in the section entitled “Convolutional Cross-Component Model (CCCM) ” . Let Pfinal=wh1H1+ wh2H2+ β, where β is an offset value. The weighting parameters wh1, wh2, and β can be derived by minimizing MSE between the predicted chroma samples Pfinal and reconstructed chroma samples in the reference area, as depicted and described in the section entitled “Convolutional Cross-Component Model (CCCM) ” .

[0255] In one embodiment, when combining 2 cross-component models, one final cross-component model can be generated by combining / weight-averaging the parameters of the 2 cross-component models. If a term appears in only one model, the parameter associated with this term in another model is considered as zero. For example, if a 7-tap CCCM model is to be combined with a 3-parameter GLM model. Let the 7-tap CCCM model be PCCCM=c0×C+c1×N+c2×S+c3×E+c4×W+c5×P+c6×B and the 3-parameter GLM model be PGLM=α0·G+α1·L+α2·β, as described in the section entitled “Convolutional Cross-Component Model (CCCM) ” and the section entitled “Gradient Linear Model (GLM) ” respectively. Let the combining weight be (wh1, wh2) , since the C term in the 7-tap CCCM model is equivalent to the L term in the 3-parameter GLM model, and c6×B in the 7-tap CCCM model and α2·β in the 3-parameter GLM model are both the bias terms, the final model is combined as following, which is essentially an 8-tap model: Pfinal= (wh1c0+wh2α1) ×C+ wh1c1×N+wh1c2×S+wh1c3×E+wh1c4×W+ wh1c5×P+wh2α0×G+ (wh1×c6×B+wh2×α2·β) .

[0256] In another embodiment, when generating the final cross-component model from 2 cross-component models, partial parameters are from combining / weight-averaging the parameters of the 2 cross-component models, and the rest parameters can be re-derived. For example, if a 7-tap CCCM model is to be combined with a 3-parameter GLM model to generate an 8-tap model. Let the  7-tap CCCM model be PCCCM=c0×C+c1×N+c2×S+c3×E+c4×W+c5×P+c6×B and the 3-parameter GLM model be PGLM=α0·G+α1·L+α2·β, as described in the section entitled “Convolutional Cross-Component Model (CCCM) ” and the section entitled “Gradient Linear Model (GLM) ” respectively. The final model is combined as following equation: Pfinal=α′0×C+ α′1×N+α′2×S+α′3×E+α′4×W+α′5×P+α′6×G+α′7,

[0257] where {α′0, α′1, …α′6} are computed as stated in the previous paragraph, and α′7 (the bias term) is re-derived based on {α′0, α′1, …α′6} and neighbouring luma and chroma reconstructed sample values. For example, α′7 can be derived by minimizing MSE between the predicted chroma samples Pfinal and reconstructed chroma samples in the reference area, as depicted and described in the section entitled “Convolutional cross-component model (CCCM) ” .

[0258] The method of multi-hypothesis blending for cross-component model merge mode described above can be implemented in an encoder side or a decoder side. For example, any of the proposed multi-hypothesis blending method for cross-component prediction can be implemented in an Intra / Inter coding module (e.g. Intra Pred. 150 / MC 152 in Fig. 1B) in a decoder or an Intra / Inter coding module is an encoder (e.g. Intra Pred. 110 / Inter Pred. 112 in Fig. 1A) . Any of the proposed multi-hypothesis blending can also be implemented as a circuit coupled to the intra / inter coding module at the decoder or the encoder. However, the decoder or encoder may also use additional processing unit to implement the required cross-component prediction processing. While the Intra Pred. units (e.g. unit 110 / 112 in Fig. 1A and unit 150 / 152 in Fig. 1B) are shown as individual processing units, they may correspond to executable software or firmware codes stored on a media, such as hard disk or flash memory, for a CPU (Central Processing Unit) or programmable devices (e.g. DSP (Digital Signal Processor) or FPGA (Field Programmable Gate Array) ) .

[0259] Fig. 18 illustrates a flowchart of an exemplary video coding system that uses multi-hypothesis blending for cross-component model merge mode according to an embodiment of the present invention. The steps shown in the flowchart may be implemented as program codes executable on one or more processors (e.g., one or more CPUs) at the encoder side. The steps shown in the flowchart may also be implemented based hardware such as one or more electronic devices or processors arranged to perform the steps in the flowchart. According to the method, input data associated with a current block comprising a first-colour block and a second-colour block are received in step 1810, wherein the input data comprise pixel data to be encoded at an encoder side or coded data associated with the current block to be decoded at a decoder side. A base predictor for the second-colour block is determined in step 1820, wherein the base predictor corresponds to an intra predictor or an inter predictor. One or more hypotheses for the second-colour block are determined in step 1830, wherein each of said one or more hypotheses corresponds to a cross-component prediction  candidate. A final predictor is derived by blending the base predictor and said one or more hypotheses in step 1840. The second-colour block is encoded or decoded by using prediction data comprising the final predictor in step 1850.

[0260] The flowchart shown is intended to illustrate an example of video coding according to the present invention. A person skilled in the art may modify each step, re-arranges the steps, split a step, or combine steps to practice the present invention without departing from the spirit of the present invention. In the disclosure, specific syntax and semantics have been used to illustrate examples to implement embodiments of the present invention. A skilled person may practice the present invention by substituting the syntax and semantics with equivalent syntax and semantics without departing from the spirit of the present invention.

[0261] The above description is presented to enable a person of ordinary skill in the art to practice the present invention as provided in the context of a particular application and its requirement. Various modifications to the described embodiments will be apparent to those with skill in the art, and the general principles defined herein may be applied to other embodiments. Therefore, the present invention is not intended to be limited to the particular embodiments shown and described, but is to be accorded the widest scope consistent with the principles and novel features herein disclosed. In the above detailed description, various specific details are illustrated in order to provide a thorough understanding of the present invention. Nevertheless, it will be understood by those skilled in the art that the present invention may be practiced.

[0262] Embodiment of the present invention as described above may be implemented in various hardware, software codes, or a combination of both. For example, an embodiment of the present invention can be one or more circuit circuits integrated into a video compression chip or program code integrated into video compression software to perform the processing described herein. An embodiment of the present invention may also be program code to be executed on a Digital Signal Processor (DSP) to perform the processing described herein. The invention may also involve a number of functions to be performed by a computer processor, a digital signal processor, a microprocessor, or field programmable gate array (FPGA) . These processors can be configured to perform particular tasks according to the invention, by executing machine-readable software code or firmware code that defines the particular methods embodied by the invention. The software code or firmware code may be developed in different programming languages and different formats or styles. The software code may also be compiled for different target platforms. However, different code formats, styles and languages of software codes and other means of configuring code to perform the tasks in accordance with the invention will not depart from the spirit and scope of the invention.

[0263] The invention may be embodied in other specific forms without departing from its spirit or essential characteristics. The described examples are to be considered in all respects only as illustrative and not restrictive. The scope of the invention is therefore, indicated by the appended  claims rather than by the foregoing description. All changes which come within the meaning and range of equivalency of the claims are to be embraced within their scope.

Claims

1.A method of coding colour pictures using coding tools including one or more cross component models related modes, the method comprising:receiving input data associated with a current block comprising a first-colour block and a second-colour block, wherein the input data comprise pixel data to be encoded at an encoder side or coded data associated with the current block to be decoded at a decoder side;determining a base predictor for the second-colour block, wherein the base predictor corresponds to an intra predictor or an inter predictor;determining one or more hypotheses for the second-colour block, wherein each of said one or more hypotheses corresponds to a cross-component prediction candidate;deriving a final predictor by blending the base predictor and said one or more hypotheses; andencoding or decoding the second-colour block by using prediction data comprising the final predictor.2.The method of Claim 1, wherein the final predictor is derived by blending the base predictor and said one or more hypotheses using pre-defined weighting.3.The method of Claim 1, wherein one or more flags are signalled or parsed to indicate whether to add said one or more hypotheses to derive the final predictor.4.The method of Claim 3, wherein whether to signal or parse a target flag of said one or more flags is dependent on a previously signalled or parsed flag of said one or more flags.5.The method of Claim 3, wherein when the one or more flags indicate said one or more hypotheses to be added to derive the final predictor, one or more syntaxes related to said one or more hypotheses and / or related to pre-defined weighting for blending the base predictor and said one or more hypotheses are signalled or parsed.6.The method of Claim 1, wherein the cross-component prediction candidate is selected from a cross-component merge candidate list.7.The method of Claim 6, wherein a candidate index associated with the cross-component prediction candidate selected from the cross-component merge candidate list is explicitly signalled or parsed, or implicitly derived.8.The method of Claim 6, wherein a first candidate in the cross-component merge candidate list is selected as the cross-component prediction candidate.9.The method of Claim 6, wherein a candidate in the cross-component merge candidate list having a minimal template matching cost or boundary matching cost is selected as the cross-component prediction candidate.10.The method of Claim 6, wherein member candidates in the cross-component merge candidate list are categorized into one or more categories, and selection of said one or more hypotheses depend on said one or more categories.11.The method of Claim 10, wherein one or more prediction modes selected to generate said one or more hypotheses and one or more previously selected modes are in different categories.12.The method of Claim 10, wherein said one or more categories comprise linear model category and convolutional model category.13.The method of Claim 10, wherein said one or more categories comprise single model category and multi-model category.14.The method of Claim 10, wherein only one or more member candidates in the cross-component merge candidate list belonging to one or more specific categories are allowed to generate said one or more hypotheses.15.The method of Claim 14, wherein said one or more specific categories correspond to cross-component convolutional model mode.16.The method of Claim 14, wherein if the base predictor corresponds to a cross-component mode, said one or more specific categories exclude spatially inherited candidate mode.17.The method of Claim 1, wherein the final predictor is derived by blending the base predictor and said one or more hypotheses using weighting comprising a weighting parameter.18.The method of Claim 17, wherein the weighting parameter is determined implicitly according to mode information from one or more neighbouring blocks, cross-component prediction modes used to generate said one or more hypotheses, or template matching cost or boundary matching cost.19.The method of Claim 17, wherein the weighting parameter is selected from a weighting parameter set.20.The method of Claim 17, wherein the weighting parameter is indicated by a syntax being signalled or parsed.21.The method of Claim 17, wherein the weighting parameter is determined implicitly.22.The method of Claim 17, wherein the weighting parameter is derived by minimizing MSE between predicted second-colour samples of the final predictor and reconstructed second-colour samples in one or more reference areas.23.The method of Claim 1, wherein the base predictor is derived according to a cross-component prediction hypothesis, the base predictor and each of said one or more hypotheses is based on a coding mode.24.The method of Claim 23, wherein the base predictor is derived according to one cross-component prediction candidate selected from a cross-component merge candidate list.25.An apparatus for video coding, the apparatus comprising one or more electronics or processors arranged to:receive input data associated with a current block comprising a first-colour block and a second-colour block, wherein the input data comprise pixel data to be encoded at an encoder side or coded data associated with the current block to be decoded at a decoder side;determine a base predictor for the second-colour block, wherein the base predictor corresponds to an intra predictor or an inter predictor;determine one or more hypotheses for the second-colour block, wherein each of said one or more hypotheses corresponds to a cross-component prediction candidatederive a final predictor by blending the base predictor and said one or more hypotheses; andencode or decode the second-colour block by using prediction data comprising the final predictor.

Images