Method, apparatus, and medium for visual data processing

Abstract

Embodiments of the present disclosure provide a solution for visual data processing. A method for visual data processing is proposed. The method comprises: applying, for a conversion between visual data and a bitstream of the visual data with a neural network (NN) -based model, a first set of boundary adjustment layers of the NN-based model on a first latent representation of the visual data, wherein an output size for each of the first set of boundary adjustment layers is determined based on first size information; applying a second set of boundary adjustment layers of the NN-based model on a second latent representation, wherein an output size for each of the second set of boundary adjustment layers is determined based on second size information different from the first size information; and performing the conversion based on a result of the applying of the second set of boundary adjustment layers.

Description

METHOD, APPARATUS, AND MEDIUM FOR VISUAL DATA PROCESSING

[0001] FIELDS

[0002] Embodiments of the present disclosure relates generally to visual data processing techniques, and more particularly, to neural network-based visual data coding.BACKGROUND

[0003] The past decade has witnessed the rapid development of deep learning in a variety of areas, especially in computer vision and image processing. Neural network was invented originally with the interdisciplinary research of neuroscience and mathematics. It has shown strong capabilities in the context of non-linear transform and classification. Neural network-based image / video compression technology has gained significant progress during the past half decade. It is reported that the latest neural network-based image compression algorithm achieves comparable rate-distortion (R-D) performance with Versatile Video Coding (VVC) . With the performance of neural image compression continually being improved, neural network-based video compression has become an actively developing research area. However, coding quality and coding efficiency of neural network-based image / video coding is generally expected to be further improved.SUMMARY

[0004] Embodiments of the present disclosure provide a solution for visual data processing.

[0005] In a first aspect, a method for visual data processing is proposed. The method comprises: applying, for a conversion between visual data and a bitstream of the visual data with a neural network (NN) -based model, a first set of boundary adjustment layers of the NN-based model on a first latent representation of the visual data, wherein an output size for each of the first set of boundary adjustment layers is determined based on first size information; applying a second set of boundary adjustment layers of the NN-based model on a second latent representation, wherein the second latent representation is determined based on a result of the applying of the first set of boundary adjustment layers, and an output size for each of the second set of boundary adjustment layers is determined  based on second size information different from the first size information; and performing the conversion based on a result of the applying of the second set of boundary adjustment layers.

[0006] According to the method in accordance with the first aspect of the present disclosure, a plurality of boundary adjustment layers are divided into two sets of boundary adjustment layers, e.g., the first set of boundary adjustment layers and the second set of boundary adjustment layers. Moreover, an output size for each of the first set of boundary adjustment layers is determined based on first size information, while an output size for each of the second set of boundary adjustment layers is determined based on second size information different from the first size information. Thereby, the respective output sizes associated with these two sets of boundary adjustment layers may be controlled explicitly and independently. Compared with the conventional solution where the output sizes for the plurality of boundary adjustment layers are control based on a same size information, the proposed method can advantageously enable tradeoff between reconstructed image fidelity and computational complexity, and thus a fine balance between coding quality and coding efficiency can be achieved.

[0007] In a second aspect, an apparatus for visual data processing is proposed. The apparatus comprises a processor and a non-transitory memory with instructions thereon. The instructions upon execution by the processor, cause the processor to perform a method in accordance with the first aspect of the present disclosure.

[0008] In a third aspect, a non-transitory computer-readable storage medium is proposed. The non-transitory computer-readable storage medium stores instructions that cause a processor to perform a method in accordance with the first aspect of the present disclosure.

[0009] In a fourth aspect, another non-transitory computer-readable recording medium is proposed. The non-transitory computer-readable recording medium stores a bitstream of visual data which is generated by a method performed by an apparatus for visual data processing. The method comprises: applying a first set of boundary adjustment layers of an NN-based model on a first latent representation of the visual data, wherein an output size for each of the first set of boundary adjustment layers is determined based on first size information; applying a second set of boundary adjustment layers of the NN-based model on a second latent representation, wherein the second latent representation is  determined based on a result of the applying of the first set of boundary adjustment layers, and an output size for each of the second set of boundary adjustment layers is determined based on second size information different from the first size information; and generating the bitstream based on a result of the applying of the second set of boundary adjustment layers.

[0010] In a fifth aspect, a method for storing a bitstream of visual data is proposed. The method comprises: applying a first set of boundary adjustment layers of an NN-based model on a first latent representation of the visual data, wherein an output size for each of the first set of boundary adjustment layers is determined based on first size information; applying a second set of boundary adjustment layers of the NN-based model on a second latent representation, wherein the second latent representation is determined based on a result of the applying of the first set of boundary adjustment layers, and an output size for each of the second set of boundary adjustment layers is determined based on second size information different from the first size information; generating the bitstream based on a result of the applying of the second set of boundary adjustment layers; and storing the bitstream in a non-transitory computer-readable recording medium.

[0011] This Summary is provided to introduce a selection of concepts in a simplified form that are further described below in the Detailed Description. This Summary is not intended to identify key features or essential features of the claimed subject matter, nor is it intended to be used to limit the scope of the claimed subject matter.BRIEF DESCRIPTION OF THE DRAWINGS

[0012] Through the following detailed description with reference to the accompanying drawings, the above and other objectives, features, and advantages of example embodiments of the present disclosure will become more apparent. In the example embodiments of the present disclosure, the same reference numerals usually refer to the same components.

[0013] Fig. 1 illustrates a block diagram that illustrates an example visual data coding system, in accordance with some embodiments of the present disclosure;

[0014] Fig. 2 is a schematic diagram illustrating an example transform coding scheme;

[0015] Fig. 3 illustrates example latent representations of an image;

[0016] Fig. 4 is a schematic diagram illustrating an example autoencoder implementing  a hyperprior model;

[0017] Fig. 5 is a schematic diagram illustrating an example combined model configured to jointly optimize a context model along with a hyperprior and the autoencoder;

[0018] Fig. 6 illustrates an example encoding process;

[0019] Fig. 7 illustrates an example decoding process;

[0020] Fig. 8 illustrates an example decoding process according to the present disclosure;

[0021] Fig. 9 illustrates an example learning-based image codec architecture;

[0022] Fig. 10 illustrates an example synthesis transform for learning based image coding;

[0023] Fig. 11 illustrates an example synthesis transform network;

[0024] Fig. 12 illustrates a synthesis transform example for learning based image coding in accordance with embodiments of the present disclosure;

[0025] Fig. 13 illustrates a flowchart of a method for visual data processing in accordance with embodiments of the present disclosure; and

[0026] Fig. 14 illustrates a block diagram of a computing device in which various embodiments of the present disclosure can be implemented.

[0027] Throughout the drawings, the same or similar reference numerals usually refer to the same or similar elements.DETAILED DESCRIPTION

[0028] Principle of the present disclosure will now be described with reference to some embodiments. It is to be understood that these embodiments are described only for the purpose of illustration and help those skilled in the art to understand and implement the present disclosure, without suggesting any limitation as to the scope of the disclosure. The disclosure described herein can be implemented in various manners other than the ones described below.

[0029] In the following description and claims, unless defined otherwise, all technical  and scientific terms used herein have the same meaning as commonly understood by one of ordinary skills in the art to which this disclosure belongs.

[0030] References in the present disclosure to “one embodiment, ” “an embodiment, ” “an example embodiment, ” and the like indicate that the embodiment described may include a particular feature, structure, or characteristic, but it is not necessary that every embodiment includes the particular feature, structure, or characteristic. Moreover, such phrases are not necessarily referring to the same embodiment. Further, when a particular feature, structure, or characteristic is described in connection with an example embodiment, it is submitted that it is within the knowledge of one skilled in the art to affect such feature, structure, or characteristic in connection with other embodiments whether or not explicitly described.

[0031] It shall be understood that although the terms “first” and “second” etc. may be used herein to describe various elements, these elements should not be limited by these terms. These terms are only used to distinguish one element from another. For example, a first element could be termed a second element, and similarly, a second element could be termed a first element, without departing from the scope of example embodiments. As used herein, the term “and / or” includes any and all combinations of one or more of the listed terms.

[0032] The terminology used herein is for the purpose of describing particular embodiments only and is not intended to be limiting of example embodiments. As used herein, the singular forms “a” , “an” and “the” are intended to include the plural forms as well, unless the context clearly indicates otherwise. It will be further understood that the terms “comprises” , “comprising” , “has” , “having” , “includes” and / or “including” , when used herein, specify the presence of stated features, elements, and / or components etc., but do not preclude the presence or addition of one or more other features, elements, components and / or combinations thereof.

[0033] Example Environment

[0034] Fig. 1 is a block diagram that illustrates an example visual data coding system 100 that may utilize the techniques of this disclosure. As shown, the visual data coding system 100 may include a source device 110 and a destination device 120. The source device 110 can be also referred to as a visual data encoding device, and the destination  device 120 can be also referred to as a visual data decoding device. In operation, the source device 110 can be configured to generate encoded visual data and the destination device 120 can be configured to decode the encoded visual data generated by the s ource device 110. The source device 110 may include a visual data source 112, a visual data encoder 114, and an input / output (I / O) interface 116.

[0035] The visual data source 112 may include a source such as a visual data capture device. Examples of the visual data capture device include, but are not limited to, an interface to receive visual data from a visual data provider, a computer graphics system for generating visual data, and / or a combination thereof.

[0036] The visual data may comprise one or more pictures of a video or one or more images. The visual data encoder 114 encodes the visual data from the visual data source 112 to generate a bitstream. The bitstream may include a sequence of bits that form a coded representation of the visual data. The bitstream may include coded pictures and associated visual data. The coded picture is a coded representation of a picture. The associated visual data may include sequence parameter sets, picture parameter sets, and other syntax structures. The I / O interface 116 may include a modulator / demodulator and / or a transmitter. The encoded visual data may be transmitted directly to destination device 120 via the I / O interface 116 through the network 130A. The encoded visual data may also be stored onto a storage medium / server 130B for access by destination device 120.

[0037] The destination device 120 may include an I / O interface 126, a visual data decoder 124, and a display device 122. The I / O interface 126 may include a receiver and / or a modem. The I / O interface 126 may acquire encoded visual data from the source device 110 or the storage medium / server 130B. The visual data decoder 124 may decode the encoded visual data. The display device 122 may display the decoded visual data to a user. The display device 122 may be integrated with the destination device 120, or may be external to the destination device 120 which is configured to interface with an external display device.

[0038] The visual data encoder 114 and the visual data decoder 124 may operate according to a visual data coding standard, such as video coding standard or still picture coding standard and other current and / or further standards.

[0039] Some exemplary embodiments of the present disclosure will be described in  detailed hereinafter. It should be understood that section headings are used in the present document to facilitate ease of understanding and do not limit the embodiments disclosed in a section to only that section. Furthermore, while certain embodiments are described with reference to Versatile Video Coding or other specific visual data codecs, the disclosed techniques are applicable to other coding technologies also. Furthermore, while some embodiments describe coding steps in detail, it will be understood that corresponding steps decoding that undo the coding will be implemented by a decoder. Furthermore, the term visual data processing encompasses visual data coding or compression, visual data decoding or decompression and visual data transcoding in which visual data are represented from one compressed format into another compressed format or at a different compressed bitrate.

[0040] 1. Brief Summary

[0041] This disclosure is related to a neural network-based image and video compression approach using separate processing of color components of an image, wherein control parameters used for processing of one component is used also for the other component.

[0042] 2. Introduction

[0043] Deep learning is developing in a variety of areas, such as in computer vision and image processing. Inspired by the successful application of deep learning technology to computer vision areas, neural image / video compression technologies are being studied for application to image / video compression techniques. The neural network is designed based on interdisciplinary research of neuroscience and mathematics. The neural network has shown strong capabilities in the context of non-linear transform and classification. An example neural network-based image compression algorithm achieves comparable R-D performance with Versatile Video Coding (VVC) , which is a video coding standard developed by the Joint Video Experts Team (JVET) with experts from motion picture experts group (MPEG) and Video coding experts group (VCEG) . Neural network-based video compression is an actively developing research area resulting in continuous improvement of the performance of neural image compression. However, neural network-based video coding is still a largely undeveloped discipline due to the inherent difficulty of the problems addressed by neural networks.

[0044] 2.1 Image / Video Compression

[0045] Image / video compression usually refers to a computing technology that compresses video images into binary code to facilitate storage and transmission. The binary codes may or  may not support losslessly reconstructing the original image / video. Coding without data loss is known as lossless compression and coding while allowing for targeted loss of data in known as lossy compression, respectively. Most coding systems employ lossy compression since lossless reconstruction is not necessary in most scenarios. Usually the performance of image / video compression algorithms is evaluated based on a resulting compression ratio and reconstruction quality. Compression ratio is directly related to the number of binary codes resulting from compression, with fewer binary codes resulting in better compression. Reconstruction quality is measured by comparing the reconstructed image / video with the original image / video, with greater similarity resulting in better reconstruction quality.

[0046] Image / video compression techniques can be divided into video coding methods and neural-network-based video compression methods. Video coding schemes adopt transform-based solutions, in which statistical dependency in latent variables, such as discrete cosine transform (DCT) and wavelet coefficients, is employed to carefully hand-engineer entropy codes to model the dependencies in the quantized regime. Neural network-based video compression can be grouped into neural network-based coding tools and end-to-end neural network-based video compression. The former is embedded into existing video codecs as coding tools and only serves as part of the framework, while the latter is a separate framework developed based on neural networks without depending on video codecs.

[0047] A series of video coding standards have been developed to accommodate the increasing demands of visual content transmission. The international organization for standardization (ISO)  / International Electrotechnical Commission (IEC) has two expert groups, namely Joint Photographic Experts Group (JPEG) and Moving Picture Experts Group (MPEG) . International Telecommunication Union (ITU) telecommunication standardization sector (ITU-T) also has a Video Coding Experts Group (VCEG) , which is for standardization of image / video coding technology. The influential video coding standards published by these organizations include Joint Photographic Experts Group (JPEG) , JPEG 2000, H. 262, H. 264 / advanced video coding (AVC) and H. 265 / High Efficiency Video Coding (HEVC) . The Joint Video Experts Team (JVET) , formed by MPEG and VCEG, developed the Versatile Video Coding (VVC) standard. An average of 50%bitrate reduction is reported by VVC under the same visual quality compared with HEVC.

[0048] Neural network-based image / video compression / coding is also under development. Example neural network coding network architectures are relatively shallow, and the performance of such networks is not satisfactory. Neural network-based methods benefit from the abundance of data and the support of powerful computing resources, and are therefore better  exploited in a variety of applications. Neural network-based image / video compression has shown promising improvements and is confirmed to be feasible. Nevertheless, this technology is far from mature and a lot of challenges should be addressed.

[0049] 2.2 Neural Networks

[0050] Neural networks, also known as artificial neural networks (ANN) , are computational models used in machine learning technology. Neural networks are usually composed of multiple processing layers, and each layer is composed of multiple simple but non-linear basic computational units. One benefit of such deep networks is a capacity for processing data with multiple levels of abstraction and converting data into different kinds of representations. Representations created by neural networks are not manually designed. Instead, the deep network including the processing layers is learned from massive data using a general machine learning procedure. Deep learning eliminates the necessity of handcrafted representations. Thus, deep learning is regarded useful especially for processing natively unstructured data, such as acoustic and visual signals. The processing of such data has been a longstanding difficulty in the artificial intelligence field.

[0051] 2.3 Neural Networks For Image Compression

[0052] Neural networks for image compression can be classified in two categories, including pixel probability models and auto-encoder models. Pixel probability models employ a predictive coding strategy. Auto-encoder models employ a transform-based solution. Sometimes, these two methods are combined together.

[0053] 2.3.1 Pixel Probability Modeling

[0054] According to Shannon’s information theory, the optimal method for lossless coding can reach the minimal coding rate, which is denoted as -log2p (x) where p (x) is the probability of symbol x. Arithmetic coding is a lossless coding method that is believed to be among the optimal methods. Given a probability distribution p (x) , arithmetic coding causes the coding rate to be as close as possible to a theoretical limit -log2p (x) without considering the rounding error. Therefore, the remaining problem is to determine the probability, which is very challenging for natural image / video due to the curse of dimensionality. The curse of dimensionality refers to the problem that increasing dimensions causes data sets to become sparse, and hence rapidly increasing amounts of data is needed to effectively analyze and organize data as the number of dimensions increases.

[0055] Following the predictive coding strategy, one way to model p (x) is to predict pixel probabilities one by one in a raster scan order based on previous observations, where x is an image, can be expressed as follows: p (x) =p (x1) p (x2|x1) …p (xi|x1, …, xi-1) …p (xm×n|x1, …, xm×n-1)                       (1)

[0056] where m and n are the height and width of the image, respectively. The previous observation is also known as the context of the current pixel. When the image is large, estimation of the conditional probability can be difficult. Thereby, a simplified method is to limit the range of the context of the current pixel as follows: p (x) =p (x1) p (x2|x1) …p (xi|xi-k, …, xi-1) …p (xm×n|xm×n-k, …, xm×n-1)               (2)

[0057] where k is a pre-defined constant controlling the range of the context.

[0058] It should be noted that the condition may also take the sample values of other color components into consideration. For example, when coding the red (R) , green (G) , and blue (B) (RGB) color component, the R sample is dependent on previously coded pixels (including R, G, and / or B samples) , the current G sample may be coded according to previously coded pixels and the current R sample. Further, when coding the current B sample, the previously coded pixels and the current R and G samples may also be taken into consideration.

[0059] Neural networks may be designed for computer vision tasks, and may also be effective in regression and classification problems. Therefore, neural networks may be used to estimate the probability of p (xi) given a context x1, x2, …, xi-1. In an example, the pixel probability is proposed for binary images, i.e., xi∈ {-1, +1} . The neural autoregressive distribution estimator (NADE) is designed for pixel probability modeling, where is a feed-forward network with a single hidden layer. In another example, the feed-forward network also has connections skipping the hidden layer, and the parameters are also shared. These examples perform experiments on the binarized MNIST dataset. In an example, NADE is extended to a real-valued model RNADE, where the probability p (xi|x1, …, xi-1) is derived with a mixture of Gaussians. Their feed-forward network also has a single hidden layer, but the hidden layer is with rescaling to avoid saturation and uses rectified linear unit (ReLU) instead of sigmoid. In an example, NADE and RNADE are improved by using reorganizing the order of the pixels and with deeper neural networks.

[0060] Most of the above methods directly model the probability distribution in the pixel domain. Some designs also model the probability distribution as conditional based upon explicit or latent representations. Such a model can be expressed as:

[0061] where h is the additional condition and p (x) =p (h) p (x|h) indicates the modeling is split into an unconditional model and a conditional model. The additional condition can be image label information or high-level representations.

[0062] 2.3.2 Auto-encoder

[0063] An Auto-encoder is now described. The auto-encoder is trained for dimensionality reduction and include an encoding component and a decoding component. The encoding component converts the high-dimension input signal to low-dimension representations. The low-dimension representations may have reduced spatial size, but a greater number of channels. The decoding component recovers the high-dimension input from the low-dimension representation. The auto-encoder enables automated learning of representations and eliminates the need of hand-crafted features, which is also believed to be one of the most important advantages of neural networks.

[0064] Fig. 2 is a schematic diagram illustrating an example transform coding scheme 200. The original image x is transformed by the analysis network ga to achieve the latent representation y. The latent representation y is quantized (q) and compressed into bits. The number of bits R is used to measure the coding rate. The quantized latent representation  is then inversely transformed by a synthesis network gs to obtain the reconstructed image   The distortion (D) is calculated in a perceptual space by transforming x and  with the function gp, resulting in z and  which are compared to obtain D.

[0065] An auto-encoder network can be applied to lossy image compression. The learned latent representation can be encoded from the well-trained neural networks. However, adapting the auto-encoder to image compression is not trivial since the original auto-encoder is not optimized for compression, and is thereby not efficient for direct use as a trained auto-encoder. In addition, other major challenges exist. First, the low-dimension representation should be quantized before being encoded. However, the quantization is not differentiable, which is required in backpropagation while training the neural networks. Second, the objective under a compression scenario is different since both the distortion and the rate need to be take into consideration. Estimating the rate is challenging. Third, a practical image coding scheme should support variable rate, scalability, encoding / decoding speed, and interoperability. In response to these challenges, various schemes are under development.

[0066] An example auto-encoder for image compression using the example transform coding scheme 200 can be regarded as a transform coding strategy. The original image x is transformed with the analysis network y=ga (x) , where y is the latent representation to be  quantized and coded. The synthesis network inversely transforms the quantized latent representation back to obtain the reconstructed image The framework is trained with the rate-distortion loss function,  where D is the distortion between x and R is the rate calculated or estimated from the quantized representation and λ is the Lagrange multiplier. D can be calculated in either pixel domain or perceptual domain. Most example systems follow this prototype and the differences between such systems might only be the network structure or loss function.

[0067] 2.3.3 Hyper Prior Model

[0068] Fig. 3 illustrates example latent representations of an image. Fig. 3 includes an image 301 from the Kodak dataset, va isualization of the latent 302 representation y of the image 301, a standard deviations σ 303 of the latent 302, and latents y 304 after a hyper prior network is introduced. A hyper prior network includes a hyper encoder and decoder. In the transform coding approach to image compression, as shown in Fig. 2, the encoder subnetwork transforms the image vector x using a parametric analysis transform into a latent representation y, which is then quantized to form Because is discrete-valued,  can be losslessly compressed using entropy coding techniques such as arithmetic coding and transmitted as a sequence of bits.

[0069] As evident from the latent 302 and the standard deviations σ 303 of Fig. 3, there are significant spatial dependencies among the elements of Notably, their scales (standard deviations σ 303) appear to be coupled spatially. An additional set of random variables may be introduced to capture the spatial dependencies and to further reduce the redundancies. In this case the image compression network is depicted in Fig. 4.

[0070] Fig. 4 is a schematic diagram 400 illustrating an example network architecture of an autoencoder implementing a hyperprior model. The upper side shows an image autoencoder network, and the lower side corresponds to the hyperprior subnetwork. The analysis and synthesis transforms are denoted as ga and ga. Q represents quantization, and AE, AD represent arithmetic encoder and arithmetic decoder, respectively. The hyperprior model includes two subnetworks, hyper encoder (denoted with ha) and hyper decoder (denoted with hs) . The hyper prior model generates a quantized hyper latent which comprises information related to the probability distribution of the samples of the quantized latent is included in the bitstream and transmitted to the receiver (decoder) along with

[0071] In schematic diagram 400, the upper side of the models is the encoder ga and decoder gs as discussed above. The lower side is the additional hyper encoder ha and hyper  decoder hs networks that are used to obtain In this architecture the encoder subjects the input image x to ga, yielding the responses y with spatially varying standard deviations. The responses y are fed into ha, summarizing the distribution of standard deviations in z. z is then quantized compressed, and transmitted as side information. The encoder then uses the quantized vector to estimate σ, the spatial distribution of standard deviations, and uses σ to compress and transmit the quantized image representation The decoder first recovers from the compressed signal. The decoder then uses hs to obtain σ, which provides the decoder with the correct probability estimates to successfully recover as well. The decoder then feeds into gs to obtain the reconstructed image.

[0072] When the hyper encoder and hyper decoder are added to the image compression network, the spatial redundancies of the quantized latent are reduced. The latents y 204 in Fig. 3 correspond to the quantized latent when the hyper encoder / decoder are used. Compared to the standard deviations σ 203, the spatial redundancies are significantly reduced as the samples of the quantized latent are less correlated.

[0073] 2.3.4 Context Model

[0074] Although the hyper prior model improves the modelling of the probability distribution of the quantized latent additional improvement can be obtained by utilizing an autoregressive model that predicts quantized latents from their causal context, which may be known as a context model.

[0075] The term auto-regressive indicates that the output of a process is later used as an input to the process. For example, the context model subnetwork generates one sample of a latent, which is later used as input to obtain the next sample.

[0076] Fig. 5 is a schematic diagram 500 illustrating an example combined model configured to jointly optimize a context model along with a hyperprior and the autoencoder. The combined model jointly optimizes an autoregressive component that estimates the probability distributions of latents from their causal context (Context Model) along with a hyperprior and the underlying autoencoder. Real-valued latent representations are quantized (Q) to create quantized latents and quantized hyper-latents which are compressed into a bitstream using an arithmetic encoder (AE) and decompressed by an arithmetic decoder (AD) . The dashed region corresponds to the components that are executed by the receiver (e.g, a decoder) to recover an image from a compressed bitstream.

[0077] An example system utilizes a joint architecture where both a hyper prior model subnetwork (hyper encoder and hyper decoder) and a context model subnetwork are utilized.  The hyper prior and the context model are combined to learn a probabilistic model over quantized latents which is then used for entropy coding. As depicted in schematic diagram 400, the outputs of the context subnetwork and hyper decoder subnetwork are combined by the subnetwork called Entropy Parameters, which generates the mean μ and scale (or variance) σparameters for a Gaussian probability model. The gaussian probability model is then used to encode the samples of the quantized latents into bitstream with the help of the arithmetic encoder (AE) module. In the decoder the gaussian probability model is utilized to obtain the quantized latents from the bitstream by arithmetic decoder (AD) module.

[0078] In an example, the latent samples are modeled as gaussian distribution or gaussian mixture models (not limited to) . In the example according to the schematic diagram 400, the context model and hyper prior are jointly used to estimate the probability distribution of the latent samples. Since a gaussian distribution can be defined by a mean and a variance (aka sigma or scale) , the joint model is used to estimate the mean and variance (denoted as μ and σ) .

[0079] 2.3.5 Gained variational autoencoders (G-VAE)

[0080] In an example, neural network-based image / video compression methodologies need to train multiple models to adapt to different rates. Gained variational autoencoders (G-VAE) is the variational autoencoder with a pair of gain units, which is designed to achieve continuously variable rate adaptation using a single model. It comprises of a pair of gain units, which are typically inserted to the output of encoder and input of decoder. The output of the encoder is defined as the latent representation y∈Rc*h*w, where c, h, w represent the number of channels, the height and width of the latent representation. Each channel of the latent representation is denoted as y (i) ∈Rh*w, where i=0, 1, …, c-1. A pair of gain units include a gain matrix M∈Rc*n and an inverse gain matrix, where n is the number of gain vectors. The gain vector can be denoted as ms= {αs (0) , αs (1) , …, αs (c-1) } , αs (i) ∈R where s denotes the index of the gain vectors in the gain matrix.

[0081] The motivation of gain matrix is similar to the quantization table in JPEG by controlling the quantization loss based on the characteristics of different channels. To apply the gain matrix to the latent representation, each channel is multiplied with the corresponding value in a gain vector.

[0082] Where ⊙ is channel-wise multiplication, i.e.,  and αs (i) is the i-th gain value in the gain vector ms. The inverse gain matrix used at the decoder side can be  denoted as M′∈Rc*n, which comprises n inverse gain vectors, i.e., M′= {δs (0) , δs (1) , …, δs (c-1) } , δs (i) ∈R. The inverse gain process is expressed as:

[0083] where is the decoded quantized latent representation and y′s is the inversely gained quantized latent representation, which will be fed into the synthesis network.

[0084] To achieve continuous variable rate adjustment, interpolation is used between vectors. Given two pairs of gain vectors {mt, m′t} and {mr, m′r} , the interpolated gain vector can be obtained via the following equations: mv= [ (mr) l· (mt) 1-l] , m′v= [ (m′r) l· (m′t) 1-l] ,

[0085] where l∈R is an interpolation coefficient, which controls the corresponding bit rate of the generated gain vector pair. Since l is a real number, an arbitrary bit rate between the given two gain vector pairs can be achieved.

[0086] 2.3.6 The encoding process using joint auto-regressive hyper prior model

[0087] The design in FIG 4. corresponds an example combined compression method. In this section and the next, the encoding and decoding processes are described separately.

[0088] Fig. 6 illustrates an example encoding process 600. The input image is first processed with an encoder subnetwork. The encoder transforms the input image into a transformed representation called latent, denoted by y. y is then input to a quantizer block, denoted by Q, to obtain the quantized latent is then converted to a bitstream (bits1) using an arithmetic encoding module (denoted AE) . The arithmetic encoding block converts each sample of the into a bitstream (bits1) one by one, in a sequential order.

[0089] The modules hyper encoder, context, hyper decoder, and entropy parameters subnetworks are used to estimate the probability distributions of the samples of the quantized latent the latent y is input to hyper encoder, which outputs the hyper latent (denoted by z) . The hyper latent is then quantized and a second bitstream (bits2) is generated using arithmetic encoding (AE) module. The factorized entropy module generates the probability distribution, that is used to encode the quantized hyper latent into bitstream. The quantized hyper latent includes information about the probability distribution of the quantized latent

[0090] The Entropy Parameters subnetwork generates the probability distribution estimations, that are used to encode the quantized latent The information that is generated by the Entropy Parameters typically include a mean μ and scale (or variance) σ parameters, that are together used to obtain a gaussian probability distribution. A gaussian distribution of a  random variable x is defined as wherein the parameter μ is the mean or expectation of the distribution (and also its median and mode) , while the parameter σ is its standard deviation (or variance, or scale) . In order to define a gaussian distribution, the mean and the variance need to be determined. The entropy parameters module are used to estimate the mean and the variance values.

[0091] The subnetwork hyper decoder generates part of the information that is used by the entropy parameters subnetwork, the other part of the information is generated by the autoregressive module called context module. The context module generates information about the probability distribution of a sample of the quantized latent, using the samples that are already encoded by the arithmetic encoding (AE) module. The quantized latent is typically a matrix composed of many samples. The samples can be indicated using indices, such as or depending on the dimensions of the matrix The samples are encoded by AE one by one, typically using a raster scan order. In a raster scan order the rows of a matrix are processed from top to bottom, wherein the samples in a row are processed from left to right. In such a scenario (wherein the raster scan order is used by the AE to encode the samples into bitstream) , the context module generates the information pertaining to a sample using the samples encoded before, in raster scan order. The information generated by the context module and the hyper decoder are combined by the entropy parameters module to generate the probability distributions that are used to encode the quantized latent into bitstream (bits1) .

[0092] Finally, the first and the second bitstream are transmitted to the decoder as result of the encoding process. It is noted that the other names can be used for the modules described above.

[0093] In the above description, all of the elements in Fig. 6 are collectively called an encoder. The analysis transform that converts the input image into latent representation is also called an encoder (or auto-encoder) .

[0094] 2.3.7 The decoding process using joint auto-regressive hyper prior model

[0095] Fig. 7 illustrates an example decoding process 700. Fig. 7 depicts a decoding process separately.

[0096] In the decoding process, the decoder first receives the first bitstream (bits1) and the second bitstream (bits2) that are generated by a corresponding encoder. The bits2 is first decoded by the arithmetic decoding (AD) module by utilizing the probability distributions generated by the factorized entropy subnetwork. The factorized entropy module typically  generates the probability distributions using a predetermined template, for example using predetermined mean and variance values in the case of gaussian distribution. The output of the arithmetic decoding process of the bits2 is which is the quantized hyper latent. The AD process reverts to AE process that was applied in the encoder. The processes of AE and AD are lossless, meaning that the quantized hyper latent that was generated by the encoder can be reconstructed at the decoder without any change.

[0097] After obtaining of it is processed by the hyper decoder, whose output is fed to entropy parameters module. The three subnetworks, context, hyper decoder and entropy parameters that are employed in the decoder are identical to the ones in the encoder. Therefore, the exact same probability distributions can be obtained in the decoder (as in encoder) , which is essential for reconstructing the quantized latent without any loss. As a result, the identical version of the quantized latent that was obtained in the encoder can be obtained in the decoder.

[0098] After the probability distributions (e.g. the mean and variance parameters) are obtained by the entropy parameters subnetwork, the arithmetic decoding module decodes the samples of the quantized latent one by one from the bitstream bits1. From a practical standpoint, autoregressive model (the context model) is inherently serial, and therefore cannot be sped up using techniques such as parallelization. Finally, the fully reconstructed quantized latent is input to the synthesis transform (denoted as decoder in Figure 6) module to obtain the reconstructed image.

[0099] In the above description, the all of the elements in Fig. 7 are collectively called decoder. The synthesis transform that converts the quantized latent into reconstructed image is also called a decoder (or auto-decoder) .

[0100] 2.4 Neural Networks for Video Compression

[0101] Similar to video coding technologies, neural image compression serves as the foundation of intra compression in neural network-based video compression. Thus, development of neural network-based video compression technology is behind development of neural network-based image compression because neural network-based video compression technology is of greater complexity and hence needs far more effort to solve the corresponding challenges. Compared with image compression, video compression needs efficient methods to remove inter-picture redundancy. Inter-picture prediction is then a major step in these example systems. Motion estimation and compensation is widely adopted in video codecs, but is not generally implemented by trained neural networks.

[0102] Neural network-based video compression can be divided into two categories according to the targeted scenarios: random access and the low-latency. In random access case, the system allows decoding to be started from any point of the sequence, typically divides the entire sequence into multiple individual segments, and allows each segment to be decoded independently. In a low-latency case, the system aims to reduce decoding time, and thereby temporally previous frames can be used as reference frames to decode subsequent frames.

[0103] 2.5 Preliminaries

[0104] Almost all the natural image and / or video is in digital format. A grayscale digital image can be represented by where is the set of values of a pixel, m is the image height, and n is the image width. For example,  is an example setting, and in this case Thus, the pixel can be represented by an 8-bit integer. An uncompressed grayscale digital image has 8 bits-per-pixel (bpp) , while compressed bits are definitely less.

[0105] A color image is typically represented in multiple channels to record the color information. For example, in the RGB color space an image can be denoted by with three separate channels storing Red, Green, and Blue information. Similar to the 8-bit grayscale image, an uncompressed 8-bit RGB image has 24 bpp. Digital images / videos can be represented in different color spaces. The neural network-based video compression schemes are mostly developed in RGB color space while the video codecs typically use a YUV color space to represent the video sequences. In YUV color space, an image is decomposed into three channels, namely luma (Y) , blue difference choma (Cb) and red difference chroma (Cr) . Y is the luminance component and Cb and Cr are the chroma components. The compression benefit to YUV occur because Cb and Cr are typically down sampled to achieve pre-compression since human vision system is less sensitive to chroma components.

[0106] A color video sequence is composed of multiple color images, also called frames, to record scenes at different timestamps. For example, in the RGB color space, a color video can be denoted by X= {x0, x1, …, xt, …, xT-1} where T is the number of frames in a video sequence and If m=1080, n=1920,  and the video has 50 frames-per-second (fps) , then the data rate of this uncompressed video is 1920×1080×8×3×50=2,488,320,000 bits-per-second (bps) . This results in about 2.32 gigabits per second (Gbps) , which uses a lot storage and should be compressed before transmission over the internet.

[0107] Usually the lossless methods can achieve a compression ratio of about 1.5 to 3 for natural images, which is clearly below streaming requirements. Therefore, lossy compression  is employed to achieve a better compression ratio, but at the cost of incurred distortion. The distortion can be measured by calculating the average squared difference between the original image and the reconstructed image, for example based on MSE. For a grayscale image, MSE can be calculated with the following equation.

[0108] Accordingly, the quality of the reconstructed image compared with the original image can be measured by peak signal-to-noise ratio (PSNR) :

[0109] where is the maximal value in e.g., 255 for 8-bit grayscale images. There are other quality evaluation metrics such as structural similarity (SSIM) and multi-scale SSIM (MS-SSIM) .

[0110] To compare different lossless compression schemes, the compression ratio given the resulting rate, or vice versa, can be compared. However, to compare different lossy compression methods, the comparison has to take into account both the rate and reconstructed quality. For example, this can be accomplished by calculating the relative rates at several different quality levels and then averaging the rates. The average relative rate is known as Bjontegaard’s delta-rate (BD-rate) . There are other aspects to evaluate image and / or video coding schemes, including encoding / decoding complexity, scalability, robustness, and so on.

[0111] 2.6 Separate processing of luma and chroma components of an image

[0112] Fig. 8 illustrates an example decoding process 800 according to the present disclosure.

[0113] According to one implementation, the luma and chroma components of an image can be decoded using separate subnetworks. In Fig. 8, the luma component of the image is processed by the subnetwoks “Synthesis” , “Prediction fusion” , “Mask Conv” , “Hyper Decoder” , “Hyper scale decoder” etc. Whereas the chroma components are processed by the subnetworks: “Synthesis UV” , “Prediction fusion UV” , “Mask Conv UV” , “Hyper Decoder UV” , “Hyper scale decoder UV” etc.

[0114] A benefit of this separate processing is that the computational complexity of the processing of an image is reduced by application of separate processing. Typically, in neural network based image and video decoding, the computational complexity is proportional to the square of the number of feature maps. If the number of total feature maps is equal to 192 for example, computational complexity will be proportional to 192x192. On the other hand if the  feature maps are divided into 128 for luma and 64 for chroma (in the case of separate processing) , the computational complexity is proportional to 128x128 + 64x64, which corresponds to a reduction in complexity by 45%. Typically, the separate processing of luma and chroma components of an image does not result in a prohibitive reduction in performance, as the correlation between the luma and chroma components are typically very small.

[0115] The processing (Decoding process) in the above figure can be explained below:

[0116] 1. Firstly, the factorized entropy model is used to decode the quantized latents for luma and chroma, i.e.,  and in Fig. 8.

[0117] 2. The probability parameters (e.g. variance) generated by the second network are used to generate a quantized residual latent by performing the arithmetic decoding process.

[0118] 3. The quantized residual latent is inversely gained with the inverse gain unit (iGain) as shown in orange color in Figure 7. The outputs of the inverse gain units are denoted as  and for luma and chroma components, respectively.

[0119] 4. For the luma component, the following steps are performed in a loop until all elements of are obtained:

[0120] a. A first subnetwork is used to estimate a mean value parameter of a quantized latent using the already obtained samples of

[0121] b. The quantized residual latent and the mean value are used to obtain the next element of

[0122] 5. After all of the samples of are obtained, a synthesis transform can be applied to obtain the reconstructed image.

[0123] 6. For chroma component, step 4 and 5 are the same but with a separate set of networks.

[0124] 7. The decoded luma component is used as additional information to obtain the chroma component. Specifically, the Inter Channel Correlation Information filter sub-network (ICCI) is used for chroma component restoration. The luma is fed into the ICCI sub-network as additional information to assist the chroma component decoding.

[0125] 8. Adaptive color transform (ACT) is performed after the luma and chroma components are reconstructed.

[0126] The module named ICCI is a neural-network based postprocessing module. The examples are not limited to the UCCI subnetwork. Any other neural network based postprocessing module might also be used.

[0127] An exemplary implementation of the disclosure is depicted in the figure 7 (the decoding process) . The framework comprises two branches for luma and chroma components  respectively. In each of the branches, the first subnetwork comprises the context, prediction and optionally the hyper decoder modules. The second network comprises the hyper scale decoder module. The quantized hyper latent are and The arithmetic decoding process generates the quantized residual latents, which are further fed into the iGain units to obtain the gained quantized residual latents and

[0128] After the residual latent is obtained, a recursive prediction operation is performed to obtain the latent and The following steps describe how to obtain the samples of latent  and the chroma component is processed in the same way but with different networks.

[0129] 1. An autoregressive context module is used to generate first input of a prediction module using the samples where the (m, n) pair are the indices of the samples of the latent that are already obtained.

[0130] 2. Optionally the second input of the prediction module is obtained by using a hyper decoder and a quantized hyper latent

[0131] 3. Using the first input and the second input, the prediction module generates the mean value mean [: , i, j] .

[0132] 4. The mean value mean [: , i, j] and the quantized residual latent are added together to obtain the latent

[0133] 5. The steps 1-4 are repeated for the next sample.

[0134] Whether to and / or how to apply at least one method disclosed in the document may be signaled from the encoder to the decoder, e.g. in the bitstream.

[0135] Whether to and / or how to apply at least one method disclosed in the document may be determined by the decoder based on coding information, such as dimensions, color format, etc.

[0136] Further, the modules named MS1, MS2 or MS3+O (in Figure 7) , might be included in the processing flow. The said modules might perform an operation to their input by multiplying the input with a scalar or adding an adding an additive component to the input to obtain the output. The scalar or the additive component that are used by the said modules might be indicated in a bitstream.

[0137] The module named RD or the module named AD in the figure 7 might be an entropy decoding module. It might be a range decoder or an arithmetic decoder or the like.

[0138] The examples described herein is not limited to the specific combination of the units exemplified in Figure 7. Some of the modules might be missing and some of the modules might be displaced in processing order. Also, additional modules might be included. For example:

[0139] 1. The ICCI module might be removed. In that case the output of the Synthesis module and the Synthesis UV module might be combined by means of another module, that might be based on neural networks.

[0140] 2. One or more of the modules named MS1, MS2 or MS3+O might be removed. The core of the disclosure is not affected by the removing of one or more of the said scaling and adding modules.

[0141] In Fig. 8, other operations that are performed during the processing of the luma and chroma components are also indicated using the star symbol. These processes are denoted as MS1, MS2, MS3+O. These processing might be, but not limited to, adaptive quantization, latent sample scaling, and latent sample offsetting operations. For example, in an adaptive quantization process might correspond to scaling of a sample with multiplier before the prediction process, wherein the multiplier is predefined or whose value is indicated in the bitstream. The latent scaling process might correspond to the process where a sample is scaled with a multiplier after the prediction process, wherein the value of the multiplier is either predefined or indicated in the bitstream. The offsetting operation might correspond to adding an additive element to the sample, again wherein the value of the additive element might be indicated in the bitstream or inferred or predetermined.

[0142] Another operation might be tiling operation, wherein samples are first tiled (grouped) into overlapping or non-overlapping regions, wherein each region is processed independently. For example the samples corresponding to the luma component might be divided into tiles with a tile height of 20 samples, whereas the chroma components might be divided into tiles with a tile height of 10 samples for processing.

[0143] Another operation might be application of wavefront parallel processing. In wavefront parallel processing, a number of samples might be processed in parallel, and the amount of samples that can be processed in parallel might be indicated by a control parameter. The said control parameter might be indicated in the bitstream, be inferred, or can be predetermined. In the case of separate luma and chroma processing, the number of samples that can be processed in parallel might be different, hence different indicators can be signalled in the bitstream to control the operation of luma and chrome processing separately.

[0144] 2.7 Colors separation and conditional coding

[0145] Fig. 9 illustrates an example learning-based image codec architecture.

[0146] In one example the primary and secondary color components of an image are coded separately, using networks with similar architecture, but different number of channels as shown  in Fig. 9. All boxes with same names are sub-networks with the similar architecture, only input-output tensor size and number of channels are different. Number of channels for primary component is Cp=128, for secondary components is Cs=64. The vertical arrows (with arrowhead pointing downwards) indicate data flow related to secondary color components coding. Vertical arrows show data exchange between primary and secondary components pipelines.

[0147] The input signal to be encoded is notated as x, latent space tensor in bottleneck of variational auto-encoder is y. Subscript “Y” indicates primary component, subscript “UV” is used for concatenated secondary components, there are chroma components.

[0148] First the input image that has RGB color format is converted to primary (Y) and secondary components (UV) . The primary component xY is coded independently from secondary components xUV and the coded picture size is equal to input / decoded picture size. The secondary components are coded conditionally, using xY as auxiliary information from primary component for encoding xUV and using as a latent tensor with auxiliary information from primary component for decoding reconstruction. The codec structure for primary component and secondary components are almost identical except the number of channels, size of the channels and the several entropy models for transforming latent tensor to bitstream, therefore primary and secondary latent tensor will generate two different bitstream based on two different entropy models. Prior to the encoding xY, xUV goes through a module which adjusts the sample location by down-sampling (marked as “s↓” on Fig. 9) , this essentially means that coded picture size for secondary component is different from the coded picture size for primary component. The scaling factor s is variable, but the default scaling factor is s=2. The size of auxiliary input tensor in conditional coding is adjusted in order the encoder receives primary and secondary components tensor with the same picture size. After reconstruction, the secondary component is rescaled to the original picture size with a neural-network based upsampling filter module ( “NN-color filter s↑” on Fig. 9) , which outputs secondary components up-sampled with factor s.

[0149] The example in Figure 8 exemplifies an image coding system, where the input image is first transformed into primary (Y) and secondary components (UV) . The outputs are the reconstructed outputs corresponding to the primary and secondary components. At the and of the processing,  are converted back to RGB color format. Typically the xUV is downsampled (resized) before processing with the encoding and decoding modules (neural networks) . For example the size of the xUV might be reduced by a factor of 50%in each of the  vertical and horizontal dimensions. Therefore the processing of the secondary component includes approximately 50%x 50%= 25%less samples, therefore it is computationally less complex.

[0150] 2.8 Cropping operation in neural network based coding

[0151] Fig. 10 illustrates an example synthesis transform for learning based image coding.

[0152] The example synthesis transform above includes a sequence of 4 convolutions with up-sampling with stride of 2. The synthesis transform sub-Net is depicted on Fig. 10. The size of the tensor in different parts of synthesis transform before cropping layer is the diagram on Fig. 10.

[0153] The cropping layer changes tensor size hd×wd to hd-1×wd-1 , where hd=2·ceil (H / 2d) ; wd=2·ceil (W / 2d) ; here d is the depth of proceeding convolution in the codec architecture. For primary component Synthesis Transform receives input tensor with sizeh×w; h=ceil (H / 16) ; w=ceil (W / 16) . The output of Synthesis Transform for primary component is 1×h0×w0 , where h0=H; h0=W.

[0154] For secondary component Synthesis Transform receives input tensor with size hUV× wUV; hUV=ceil (ceil (H / s)  / 16) ; wUV=ceil (ceil (W / s)  / 16) . The output of the Synthesis Transform for primary component is 2×hUV0×wUV0, where hUV0=ceil (H / s) ; hUV0=ceil (W / s) . For secondary components input sizes are h0=ceil (H / s) ; w0=ceil (W / s) , where s is the scale factor. The scale factor might be 2 for example, wherein the secondary component is downsampled by a factor of 2.

[0155] Based on the above explanation, the operation of the cropping layers depend on the output size H, W and the depth of the cropping layer. The depth of the left-most cropping layer in Figure 9 is equal to 0. The output of this cropping layer must be equal to H, W (the output size) , if the size of the input of this cropping layer is greater than H or W in horizontal or vertical dimension respectively, cropping needs to be performed in that dimension. The second cropping layer counting from left to right has a depth of 1. The output of the second cropping layer must be equal to h1=2·ceil (H / 21) ; w1=2·ceil (W / 21) , which means if the input of this second cropping layer is greater than h1, w1 in any dimension, than cropping is applied in that dimension. In summary, the operation of cropping layers are controlled by the output size H, W. In one example if H and W are both equal to 16, then the cropping layers do not perform any cropping. On the other hand if H and W are both equal to 17, then all 4 cropping layers are going to perform cropping.

[0156] 2.9 Cropping Layer

[0157] Fig. 10 depicts a neural network for processing an image, which comprises cropping layers. The cropping layers are identified from left to right as cropping layer 0, cropping layer 1, cropping layer 2 and cropping layer 3. The function that is performed by the cropping layer is discarding of samples from an input tensor in such a way that one of the dimensions of the tensor is reduced. For example, if the input tensor is a 4 dimensional tensor, the dimensions are typically denoted as batch size, channel size, height and width. In the most general sense, the cropping operation reduces the size of at least one dimension by cropping out the samples that are comprised within a bounding box.

[0158] In the Fig. 10, there are 4 cropping layers inside the synthesis transform. The operation performed by each cropping layer is identical and depends on the size of the input and size of the expected output. If the size of the input and size of the output are not same, the cropping layer operates and crops out samples in such a way that the input tensor size is reduced to be same as output tensor size. The expected output size of each cropping layer is the function of H and W, which are the height and width of the output of the synthesis transform. The input size and the expected output size of each cropping layer are as follows:

[0159] ● cropping layer 0:

[0160] ○ output size (H, W) ,

[0161] ○ input size

[0162] ● cropping layer 1:

[0163] ○ output size

[0164] ○ Input size

[0165] ● cropping layer 2:

[0166] ○ output size

[0167] ○ Input size

[0168] ● cropping layer 3:

[0169] ○ output size

[0170] ○ Input size

[0171] As can be seen from the above, whether a cropping layer will actually perform cropping depends on whether the input and output sizes are equal or not. Furthermore, the input  and output sizes depend on H and W, which are the height and width of the output image. The size of the output image is usually signaled in the bitstream.

[0172] As one example, if the size of the output image is H= 17 and W = 17, then the input and output sizes of each cropping layer are as follows:

[0173] ● cropping layer 0:

[0174] ○ output size H = 17, W = 17,

[0175] ○ input size h1=18, w1=18.

[0176] ● cropping layer 1:

[0177] ○ output size 9, 9,

[0178] ○ Input size h2=10, w2=10.

[0179] ● cropping layer 2:

[0180] ○ output size 5, 5,

[0181] ○ Input size h3=6, w3=6.

[0182] ● cropping layer 3:

[0183] ○ output size 3, 3,

[0184] ○ Input size h4=4, w4=4.

[0185] Therefore, if H=17 and W=17, then all 4 cropping layers perform cropping, as input and output sizes are different for all cropping layers.

[0186] As a second example, if the size of the output image is H= 14 and W = 14, then the input and output sizes of each cropping layer are as follows:

[0187] ● cropping layer 0:

[0188] ○ output size H = 14, W = 14,

[0189] ○ input size h1=14 w1=14.

[0190] ● cropping layer 1:

[0191] ○ output size 7, 7,

[0192] ○ Input size h2=8, w2=8.

[0193] ● cropping layer 2:

[0194] ○ output size 4, 4,

[0195] ○ Input size h3=4, w3=4.

[0196] ● cropping layer 3:

[0197] ○ output size 2, 2,

[0198] ○ Input size h4=2, w4=2.

[0199] In this second example only cropping layer 1 performs actual cropping, wherein the input size is (8, 8) and the output size is (7, 7) . The remaining output layers do not perform cropping.

[0200] 2.10 Example Synthesis transform

[0201] The synthesis transform includes a sequence of 4 convolutions with up-sampling with stride of 2. Fig. 11 illustrates an example synthesis transform network. The synthesis transform sub-Net is depicted in Fig. 11. The size of the tensor in different parts of synthesis transform before cropping layer is the diagram on Fig. 11. The peak memory usage (also maximum amount of multiplication operations) appears before the last up-sampling convolutional layer.

[0202] The cropping layer of depth d changes tensor size to (2·ceil (H / 2d) ) × (2·ceil (W / 2d) ) to ceil (H / 2d-1) ×ceil (W / 2d-1) , inverting padding which was performed on encoder side. In synthesis transform the depth of convolution in the codec architectured=1, 2, 3, 4. For primary component Synthesis Transform receives input tensor with size Cp×h×w; h=ceil (H / 16) ; w=ceil (W / 16) . The output of Synthesis Transform for primary component is 1×h0×w0 , where h0=H; h0=W.

[0203] For secondary component Synthesis Transform receives input tensor with size (Cp+Cs) × hUV× wUV; hUV=ceil (ceil (H / s)  / 16) ; wUV=ceil (ceil (W / s)  / 16) . The output of the Synthesis Transform for secondary component is 2×hUV0×wUV0, where hUV0=ceil (H / s) ; hUV0=ceil (W / s) . For secondary components input sizes are h0=ceil (H / s) ; w0=ceil (W / s) , where s is the scale factor, described in section 2.2.

[0204] The number of channels for primary component Synthesis transform is as follows: Cin=Cp=128; Cout=1. The number of channels for the secondary components Synthesis transform is as follows: Cs=64; Cin=Cp+Cs=128+64; Cout=2.

[0205] Two residual Blocks are placed at the beginning of Synthesis Transform (Fig. 11) . They enhance reconstructed reducing the quantizing error. The RNAB module is placed between second the last and the last up-sampling convolutions. ResAU activation is the same as in synthesis transform (of course with its own parameters) .

[0206] 3. Technical problems solved by disclosed technical solutions

[0207] A neural network comprising cropping layers are susceptible to producing artefacts at the boundaries of the output. For example, the output of the synthesis transform depicted in Fig. 10 is x. The size (H and W) of the x is indicated in the bitstream. As a result, the cropping  layers of the synthesis transform are activated in such a way that the expected output size is achieved. On the other hand, the operation of cropping involves discarding information at the boundaries, which might cause deformation or defects at the output tensor x. In a typical image or video coding system, a size information is included in the bitstream to indicate the output size of the decoding process. And the output size information is used by the system to perform cropping operation, if the output size is smaller.

[0208] For example, in Fig. 10 the cropping layers operate based on the output size. As a result, the 4 cropping layers that are included in the synthesis transform are performed in such a way that the output of the synthesis transform is equal to the expected output size.

[0209] However, since the desired output size implicitly controls which cropping layer is active and which one is passive, there is no explicit control over any undesired artefacts at the boundary. This might result in distortions at the reconstructed image boundaries.

[0210] 3.1 Further problems

[0211] The neural networks employed especially in image compression comprise many layers, some of which might be cropping layers. The function of the cropping layer is to adjust the size of the tensor in such a way that the expected output size is achieved at the end of the processing with neural network. On the other hand, since the operation of cropping includes discarding of information, it can cause undesired artefacts at the output. Especially if the cropping is performed in an early processing layer, the information that is lost cannot be utilized by many following layers, making the issue more serious.

[0212] 4. A listing of solutions and embodiments

[0213] According to the disclosure a method of controlling the cropping layers explicitly is presented. According to the disclosure, a size information is included in the bitstream to indicate the output size of neural network. Additional size information is included in the bitstream to modify the behavior of the cropping layers.

[0214] 4.1 Central Examples

[0215] According to the disclosure, 2 items of size information are included in a bitstream. The first size information is used to control a first set of cropping layers. The second size information is used to control a second set of cropping layers.

[0216] 4.2 Details of the Examples

[0217] According to the disclosure, a neural network based subnetwork comprising at least 2 cropping layers are utilized. Wherein the at least 2 cropping layers are divided into 2 groups.  The cropping operation is performed according to a first size information by the cropping layers in the first group. The cropping operation is performed according to a second size information by the cropping layers in the second group.

[0218] ● The first size information might be “padded output size” , and the second size information might be “output size” .

[0219] ● An indication to the indicate the first size information might be included in the bitstream.

[0220] ● An indication to the indicate the second size information might be included in the bitstream.

[0221] ● The indication about the first size and second size might comprise a width information and a height information.

[0222] ● The width information comprised in first size information might be relative to width information comprised in second size information. In one example the difference between the first width information (of first size) and second width information (of second size) might be included in the bitstream.

[0223] ● The height information comprised in first size information might be relative to height information comprised in second size information. In one example the difference between the first height information (of first size) and second height information (of second size) might be included in the bitstream.

[0224] ● According to the disclosure, a first size information might be included in the bitstream. And a difference information might be included in the bitstream. The second size information is obtained according to difference information and first size information.

[0225] ○ In one example the difference between the first size information and second size information is smaller than or equal to 63 samples (e.g. pixels, or luma samples, or chroma samples) .

[0226] ○ In one example the difference between the first size information and second size information is smaller than or equal to 15 samples (e.g. pixels, or luma samples, or chroma samples) .

[0227] ● According to a one example implementation, the neural network based subnetwork is a synthesis transform. E. g. the said subnetwork uses latent samples as input and outputs a reconstructed image (or a component of a reconstructed image) .

[0228] Example 1

[0229] Fig. 12 illustrates a synthesis transform example for learning based image coding.

[0230] According to the disclosure, two size information is included in the bitstream. The first size comprises a H and W, i.e. a first height and width information. The second size comprise Hp, and Wp, a second width and height information. The neural network based subnetwork is a synthesis transform. The second group of cropping layers comprises layers cropping 1, cropping 2, and cropping 3. The first group of cropping layers comprises cropping 0. The cropping operations by the cropping layers are performed according to:

[0231] ● cropping layer 0:

[0232] ○ the output is equal to (H, W) . If the input is greater than H and W, the input is cropped to obtain an output that is equal to H, W.

[0233] ● cropping layer 1:

[0234] ○ output size If the input is greater than outputsize, the input is cropped to obtain an output that is equal to

[0235] ○ Input size: Input size

[0236] ● cropping layer 2:

[0237] ○ output size If the input is greater than output size, the input is cropped to obtain the output size.

[0238] ○ Input size: Input size

[0239] ● cropping layer 3:

[0240] ○ output size If the input is greater than output size, the input is cropped to obtain the output size.

[0241] ○ Input size: Input size

[0242] Example 2

[0243] Another example is depicted also in Fig. 12.

[0244] According to the disclosure, two size information items are included in the bitstream. The first size comprises a H and W, i.e. a first height and width information. The second size comprises Hp and Wp, a second width and height information. The neural network based subnetwork is a synthesis transform. The second group of cropping layers comprises layers cropping 1, cropping 2 and cropping 3. The first group of cropping layers comprises cropping 0. The cropping operations by the cropping layers are performed according to:

[0245] ● cropping layer 0:

[0246] ○ the output is equal to (H, W) . If the input is greater than H and W, the input is cropped to obtain an output that is equal to H, W.

[0247] ● cropping layer 1:

[0248] ○ output size Hp, Wp. If the input is greater than output size, the input is cropped to obtain the output size.

[0249] ○ Input size: Input size

[0250] ● cropping layer 2:

[0251] ○ output size If the input is greater than outputsize, the input is cropped to obtain the output size.

[0252] ○ Input size: Input size

[0253] ● cropping layer 3:

[0254] ○ output size If the input is greater than outputsize, the input is cropped to obtain the output size.

[0255] ○ Input size: Input size

[0256] In the example 1 and 2 above the first group of cropping layers is controlled by H and W. The H and W describe the desired output size. The second group of cropping layers is controlled by Hp and Wp. Hp and Wp are used to control the operation of the cropping in the second group of cropping layers.

[0257] For example, if the Hp and Wp are integer numbers that are multiple of 16, then the cropping layers in the second group do not perform any cropping at all (since input and output size are all same for cropping layers 1, 2 and 3) . This would reduce the chance of producing any artifacts, as no information is cropped out in a middle stage of synthesis transform. All unnecessary information is left out at the end of the synthesis transform.

[0258] On the other hand, if all information is kept till the end of the synthesis transform (or any other neural network based subnetwork) , then the number of computations are increased. The example allows explicit control of all cropping layers, therefore enables tradeoff between reconstructed image fidelity and computational complexity. For example, an encoder might choose to reduce artefacts at an image boundary if the image size is small, i.e. the computational complexity is not so critical. Whereas an encoder might choose to reduce computational complexity for large images, especially if the computational capacity of a decoder is limited.

[0259] According to one example, the second size information might comprise a width and a height information, whereas the first size information might comprise a width, a height and a position information (in vertical dimension and horizontal dimension) .

[0260] According to one example implementation, first group of cropping layers include the last cropping layer of the synthesis transform, whereas the second group of cropping layers include the 3 previous cropping layers of the synthesis transform.

[0261] According to one example implementation, the subnetwork comprises at least 2 upsampling or resizing layer (e.g. a layer that increase the width and height of the input) layers. The first group of cropping layers include the cropping layer that is performed after all upsampling or resizing layers. The second group of cropping layers include all other cropping layers before the last upsampling or resizing layers.

[0262] ● According to one example, the upsampling layer approximately increases the width and height of the input by a factor of 2 (e.g. approximately doubles the width and height) .

[0263] Example 3

[0264] Another example is depicted also in Fig. 12.

[0265] According to the disclosure, two size information is included in the bitstream. The first size comprises a H and W, which are equal to 254 and 127. The second size comprise Hp, and Wp, which are equal to 256 and 128. The neural network based subnetwork is a synthesis transform. The cropping operations by the cropping layers of the synthesis transform are performed as follows:

[0266] ● cropping layer 0:

[0267] ○ the output is equal to (H=254, W=127) .

[0268] ○ The input is equal to (Hp=256, Wp=128) .

[0269] ○ Therefore 2 samples are cropped in the vertical dimension, 1 sample is cropped in horizontal dimension.

[0270] ● cropping layer 1:

[0271] ○ the output is equal to (128, 64) .

[0272] ○ The input is equal to (128, 64) .

[0273] ○ No cropping is applied.

[0274] ● cropping layer 2:

[0275] ○ the output is equal to (64, 32) .

[0276] ○ The input is equal to (64, 32) .

[0277] ○ No cropping is applied.

[0278] ● cropping layer 3:

[0279] ○ the output is equal to (32, 16) .

[0280] ○ The input is equal to (32, 16) .

[0281] ○ No cropping is applied.

[0282] According to one example implementation, the neural subnetwork comprises at least one resizing layer that increase the width or height of the input. The first group of cropping layers include a cropping layer that is performed after the last resizing layer of the neural subnetwork, whereas the second group of cropping layers include all cropping layers that are performed before the said last resizing layer.

[0283] According to one example implementation, the first group of cropping layers include the last cropping layer of a decoder that is performed before the reconstructed image is obtained. The second group of cropping layers include all other cropping layers of the decoder.

[0284] Possible solutions.

[0285] 1. Multiple sets of dimension information (including width and height) may be signaled for an image coded with NN techniques.

[0286] 2. A first set of width and height may represent the width and height of the decoded image to be displayed or stored or output.

[0287] 3. A second set of width and height may represent the width and height of an image or a matrix internally used by the decoder during the decoding process, or internally used by the encoder during the encoding process.

[0288] 4. Padding may be applied if the second dimension is larger than the first dimension when an image or a matrix of a second dimension is obtained by using an image of the first dimension.

[0289] 5. Clipping may be applied if the second dimension is larger than the first dimension when an image of the first dimension is obtained by an image or a matrix of a second dimension.

[0290] 6. The width / height may be coded in a predictive way.

[0291] 7. The width / height may be binarized using fixed length coding / unary coding / EG coding / etc.

[0292] 8. The width / height may be represented by chroma samples.

[0293] 9. The width / height may be represented by luma samples.

[0294] 10. The width / height may be represented by multiples of X (e.g. X = 4 or X = 8) . For example, the width / height may be represented as 4W and / or 4H, where W and / or H should be signaled.

[0295] 11. The dimension information should be signaled in a header structure.

[0296] 12. the dimension information may be coded with arithmetic coding.

[0297] 4.3 Benefits

[0298] According to the disclosure, the cropping layers of a neural subnetwork are controlled explicitly. The examples allow explicit control of all cropping layers, therefore enables tradeoff between reconstructed image fidelity and computational complexity. For example, an encoder might choose to reduce artefacts at an image boundary if the image size is small, i.e. the computational complexity is not so critical. Whereas an encoder might choose to reduce computational complexity for large images, especially if the computational capacity of a decoder is limited.

[0299] 5. Embodiments

[0300] 1. Decoder embodiment:

[0301] An image or video decoding method, comprising a neural subnetwork, that comprise the ordered steps of:

[0302] - Obtaining a first size information and second size information from a bitstream,

[0303] - performing cropping on a tensor by first cropping layer according to first size information,

[0304] - Increasing the size of the tensor by a neural layer,

[0305] - performing cropping on the tensor by a second cropping layer according to a second size information,

[0306] Obtaining a reconstructed image by a decoder according to output tensor of the said neural subnetwork.

[0307] 2. Encoder embodiment:

[0308] An image or video encoding method, comprising a neural subnetwork, that comprise the ordered steps of:

[0309] - performing padding on a tensor by a second padding layer according to second size information,

[0310] - Reducing the size of the tensor by a neural layer,

[0311] - performing padding on the tensor by a first padding layer according to a first size information,

[0312] Obtaining a bitstream corresponding to an image according to output of the said neural subnetwork and including the first and second size information in the said bitstream.

[0313] More details of the embodiments of the present disclosure will be described below which are related to neural network-based visual data coding. As used herein, the term “visual data” may refer to a video, an image, a picture in a video, or any other visual data suitable to be coded.

[0314] As discussed above, in the existing design, the output sizes for the plurality of cropping layers are control based on a same size information, i.e., the desired output size. In this case, the desired output size implicitly controls which cropping layer is active and which one is passive. There is no explicit control over any undesired artefacts at the boundary. This may result in distortions at the reconstructed image boundaries.

[0315] To solve the above problems and some other problems not mentioned, visual data processing solutions as described below are disclosed. The embodiments of the present disclosure should be considered as examples to explain the general concepts and should not be interpreted in a narrow way. Furthermore, these embodiments can be applied individually or combined in any manner.

[0316] Fig. 13 illustrates a flowchart of a method 1300 for visual data processing in accordance with some embodiments of the present disclosure. The method 1300 may be implemented during a conversion between the visual data and a bitstream of the visual data with a neural network (NN) -based model. As used herein, an NN-based model may be a model based on neural network technologies. For example, an NN-based model may specify sequence of neural network modules (also called architecture) and model parameters. The neural network module may comprise a set of neural network layers. Each neural network layer specifies a tensor operation which receives and outputs tensor, and each layer has trainable parameters. It should be understood that the possible implementations of the NN-based model described here are merely illustrative and therefore should not be construed as limiting the present disclosure in any way.

[0317] As shown in Fig. 13, the method 1300 starts at 1302, where a first set of boundary adjustment layers of the NN-based model is applied on a first latent representation of the visual data. An output size for each of the first set of boundary adjustment layers is determined based on first size information. Additionally, an input size for each of the first set of boundary adjustment layers may also be determined based on the first size information. As used herein, the term “latent representation” may refer to an intermediate representation of the visual data during the conversion process. By  way of example rather than limitation, the latent representation may comprise a latent tensor or latent for short. For example, the first latent representation may comprise a first tensor. Furthermore, a set of boundary adjustment layers may comprise a single boundary adjustment layer or a plurality of boundary adjustment layers.

[0318] As used herein, the term “boundary adjustment layer” may refer to a neural network layer which performs boundary-handling. In some embodiments, the boundary adjustment layer may be a padding layer, which performs a padding operation on the input of the padding layer. For example, a padding layer may receive a tensor of a first input size, and output a tensor of a first output size, where the first output size is larger than or equal to the first input size. By way of example rather than limitation, the padding operation may be performed by replicating elements or padding by zeros.

[0319] Alternatively, the boundary adjustment layer may be a cropping layer, which performs a cropping operation on the input of the cropping layer. For example, a cropping layer may receive a tensor of a second input size, and output a tensor of a second output size, where the second output size is smaller than or equal to the second input size. By way of example rather than limitation, the cropping operation may be performed by discarding redundant elements. It should be understood that the possible implementations of the boundary adjustment layer described here are merely illustrative and therefore should not be construed as limiting the present disclosure in any way.

[0320] At 1304, a second set of boundary adjustment layers of the NN-based model is applied on a second latent representation. The second latent representation is determined based on a result of the applying of the first set of boundary adjustment layers. In addition, an output size for each of the second set of boundary adjustment layers is determined based on second size information, which is different from the first size information.

[0321] In some embodiments, the first size information may comprise a first width and / or a first height. Additionally, the second size information may comprise a second width and / or a second height. For example, the first width may be different from the second width. Additionally or alternatively, the first height may be different from the second height.

[0322] In some embodiments, the first width, the first height, the second width, and / or the second height may measure pixels. Alternatively, the first width, the first height, the second width, and / or the second height may measure luma samples. In some further  embodiments, the first width, the first height, the second width, and / or the second height may measure chroma samples.

[0323] By way of example rather than limitation, the first size information may indicate a size with a heigh of H1 pixels and a width of W1 pixels, where each of H1 and W1 may be a positive number, such as 127, 254, 510, or the like. The second size information may indicate a size with a heigh of H2 pixels and a width of H2 pixels, where each of H2 and W2 may be a positive number, such as 128, 256, 512, or the like. It should be understood that the specific values recited here are intended to be exemplary rather than limiting the scope of the present disclosure.

[0324] With reference to Fig. 12, the first set of boundary adjustment layers may comprise a cropping layer 0 (denoted as cropping 0 in Fig. 12) , and the second set of boundary adjustment layers may comprise a cropping layer 1 (denoted as cropping 1 in Fig. 12) , a cropping layer 2 (denoted as cropping 2 in Fig. 12) , and a cropping layer 3 (denoted as cropping 3 in Fig. 12) . By way of example rather than limitation, the output size of cropping layer 0 may be determined to be H1×W1. The output size of cropping layer 1 may be determined to be The output size of cropping layer 2 may be determined to be The output size of cropping layer 3 may be determined to be where a ceiling function ceil () gives the smallest integer no smaller than its argument. It is seen that the output sizes of cropping layer 1, cropping layer 2 and cropping layer 3 are decoupled from the output size of cropping layer 0. This enables an explicit and independent control of these two sets of boundary adjustment layers.

[0325] At 1306, the conversion is performed based on a result of the applying of the second set of boundary adjustment layers. In some embodiments, the conversion may include encoding the visual data into the bitstream. Additionally or alternatively, the conversion may include decoding the visual data from the bitstream. It should be understood that the above illustrations are described merely for purpose of description. The scope of the present disclosure is not limited in this respect.

[0326] In view of the above, a plurality of boundary adjustment layers are divided into two sets of boundary adjustment layers, e.g., the first set of boundary adjustment layers and the second set of boundary adjustment layers. Moreover, an output size for each of  the first set of boundary adjustment layers is determined based on first size information, while an output size for each of the second set of boundary adjustment layers is determined based on second size information different from the first size information. Thereby, the respective output sizes associated with these two sets of boundary adjustment layers may be controlled explicitly and independently. Compared with the conventional solution where the output sizes for the plurality of boundary adjustment layers are control based on a same size information, the proposed method can advantageously enable tradeoff between reconstructed image fidelity and computational complexity, and thus a fine balance between coding quality and coding efficiency can be achieved.

[0327] In some embodiments, both the first size information and the second size information may be indicated in the bitstream. Alternatively, only one of the first size information and the second size information may be indicated in the bitstream. In addition, the other one of the first size information and the second size information may be inferred based on the size information indicated in the bitstream.

[0328] In some further embodiments, the first size information or the second size information may be indicated in the bitstream. Moreover, a difference between the first size information and the second size information may be indicated in the bitstream. In this case, a size information absent from the bitstream may be determined based on the difference and a further size information indicated in the bitstream, such as based on a sum of the difference and a further size information. In some embodiments, the difference between the first size information and the second size information may be smaller than a predetermined value, such as 15 samples, 63 samples, or the like. The sample here may refer to a pixel, a luma sample, a chroma sample, or the like.

[0329] In some embodiments, the first size information and / or the second size information may be coded in a predictive way. Additionally or alternatively, the first size information and / or the second size information may be binarized with fixed length coding, unary coding, exponential-Golomb (EG) coding, or the like. In some further embodiments, the first size information and / or the second size information may be coded with arithmetic coding.

[0330] In some embodiments, the first size information and / or the second size information may be indicated in a header structure, such as a picture header, a sequence header, or the like.

[0331] In some embodiments, a reference size information may be indicated in the bitstream. Additionally, a relationship between the first size information and the reference size information, and / or a relationship between the second size information and the reference size information may be indicated in the bitstream. By way of example rather than limitation, the first width in the first size information may be 256 pixels, which is equal to 4 times 64 pixels. In this case, a reference width (such as 64 pixels) and a scaling factor (such as 4) may be indicated in the bitstream. Thereby, the signaling efficiency can be improved.

[0332] In some embodiments, an output size for each boundary adjustment layer in the first set of boundary adjustment layers may be the same as an input size for the boundary adjustment layer. In this case, at each of the first set of boundary adjustment layers, no boundary adjustment operation (such as a padding operation, a cropping operation, or the like) will be performed. Thereby, the chance of producing any artifacts can be advantageously reduced. Additionally or alternatively, an output size for each boundary adjustment layer in the second set of boundary adjustment layers may be the same as an input size for the boundary adjustment layer.

[0333] In some embodiments (e.g., embodiments implemented at the decoder side) , the first set of boundary adjustment layers may comprise one or more cropping layers, and the second set of boundary adjustment layers may comprise one or more cropping layers. The second size information indicates a size of the decoded visual data. In addition, a size indicated by the first size information may be larger than a size indicated by the second size information.

[0334] Furthermore, the second latent representation may be obtained by applying at least one neural layer of the NN-based model on the result of the applying of the first set of boundary adjustment layers. A size of the second latent representation may be larger than a size of the first latent representation. By way of example rathe than limitation, the first set of boundary adjustment layers and the second set of boundary adjustment layers may be comprised in a synthesis transform subnetwork in the NN-based model. For example, the second set of boundary adjustment layers may comprise the last cropping layer of the synthesis transform subnetwork before an output of the synthesis transform subnetwork, while the first set of boundary adjustment layers may comprise one or more cropping layers of the synthesis transform subnetwork before the last cropping layer, as shown in Fig. 12.

[0335] In some embodiments (e.g., embodiments implemented at the encoder side) , the first set of boundary adjustment layers may comprise one or more padding layers, and the second set of boundary adjustment layers may comprise one or more padding layers. Moreover, the second latent representation may be obtained by applying at least one neural layer of the NN-based model on the result of the applying of the first set of boundary adjustment layers. A size of the second latent representation may be smaller than a size of the first latent representation. By way of example rather than limitation, the first set of boundary adjustment layers and the second set of boundary adjustment layers may be comprised in an analysis transform subnetwork in the NN-based model. It should be understood that the cropping layer may also be comprised in the encoder, and the padding layer may also be comprised in the decoder. The scope of the present disclosure is not limited in this respect.

[0336] In view of the above, the method according to the embodiments of the present disclosure advantageously allows explicit control of boundary adjustment layers, and thus enables a tradeoff between a fidelity of the reconstructed visual data and computational complexity. For example, an encoder might choose to reduce artefacts at an image boundary if the image size is small, i.e. the computational complexity is not so critical. Whereas an encoder might choose to reduce computational complexity for large images, especially if the computational capacity of a decoder is limited.

[0337] According to further embodiments of the present disclosure, a non-transitory computer-readable recording medium is provided. The non-transitory computer-readable recording medium stores a bitstream of visual data which is generated by a method performed by an apparatus for visual data processing. In the method, a first set of boundary adjustment layers of an NN-based model is applied on a first latent representation of the visual data. An output size for each of the first set of boundary adjustment layers is determined based on first size information. Furthermore, a second set of boundary adjustment layers of the NN-based model is applied on a second latent representation. The second latent representation is determined based on a result of the applying of the first set of boundary adjustment layers, and an output size for each of the second set of boundary adjustment layers is determined based on second size information different from the first size information. Moreover, the bitstream is generated based on a result of the applying of the second set of boundary adjustment layers.

[0338] According to still further embodiments of the present disclosure, a method for  storing a bitstream of visual data is provided. In the method, a first set of boundary adjustment layers of an NN-based model is applied on a first latent representation of the visual data. An output size for each of the first set of boundary adjustment layers is determined based on first size information. Furthermore, a second set of boundary adjustment layers of the NN-based model is applied on a second latent representation. The second latent representation is determined based on a result of the applying of the first set of boundary adjustment layers, and an output size for each of the second set of boundary adjustment layers is determined based on second size information different from the first size information. Moreover, the bitstream is generated based on a result of the applying of the second set of boundary adjustment layers, and is stored in a non-transitory computer-readable recording medium.

[0339] Implementations of the present disclosure can be described in view of the following clauses, the features of which can be combined in any reasonable manner.

[0340] Clause 1. A method for visual data processing, comprising: applying, for a conversion between visual data and a bitstream of the visual data with a neural network (NN) -based model, a first set of boundary adjustment layers of the NN-based model on a first latent representation of the visual data, wherein an output size for each of the first set of boundary adjustment layers is determined based on first size information; applying a second set of boundary adjustment layers of the NN-based model on a second latent representation, wherein the second latent representation is determined based on a result of the applying of the first set of boundary adjustment layers, and an output size for each of the second set of boundary adjustment layers is determined based on second size information different from the first size information; and performing the convers ion based on a result of the applying of the second set of boundary adjustment layers.

[0341] Clause 2. The method of clause 1, wherein the first latent representation comprises a first tensor, and the second latent representation comprises a second tensor.

[0342] Clause 3. The method of any of clauses 1-2, wherein the first size information comprises at least one of a first width or a first height, and the second size information comprises at least one of a second width or a second height.

[0343] Clause 4. The method of clause 3, wherein at least one of the first width, the first height, the second width, or the second height measures pixels, luma samples, or chroma samples.

[0344] Clause 5. The method of any of clauses 1-4, wherein at least one of the first size information or the second size information is indicated in the bitstream.

[0345] Clause 6. The method of any of clauses 1-4, wherein the first size information or the second size information is indicated in the bitstream, and a difference between the first size information and the second size information is indicated in the bitstream.

[0346] Clause 7. The method of clause 6, wherein the difference between the first size information and the second size information is smaller than a predetermined value.

[0347] Clause 8. The method of any of clauses 1-7, wherein at least one of the first size information or the second size information is coded in a predictive way.

[0348] Clause 9. The method of any of clauses 1-8, wherein at least one of the first size information or the second size information is binarized with one of the following: fixed length coding, unary coding, or exponential-Golomb (EG) coding.

[0349] Clause 10. The method of any of clauses 1-8, wherein at least one of the first size information or the second size information is coded with arithmetic coding.

[0350] Clause 11. The method of any of clauses 1-10, wherein at least one of the first size information or the second size information is indicated in a header structure.

[0351] Clause 12. The method of any of clauses 1-11, wherein a reference size information and at least one of the following are indicated in the bitstream: a relationship between the first size information and the reference size information, or a relationship between the second size information and the reference size information.

[0352] Clause 13. The method of any of clauses 1-12, wherein an output size for each boundary adjustment layer in the first set of boundary adjustment layers is the same as an input size for the boundary adjustment layer.

[0353] Clause 14. The method of any of clauses 1-13, wherein the conversion comprises decoding the visual data from the bitstream.

[0354] Clause 15. The method of any of clauses 1-14, wherein the first set of boundary adjustment layers comprises one or more cropping layers, and the second set of boundary adjustment layers comprises one or more cropping layers.

[0355] Clause 16. The method of clause 15, wherein the second size information indicates a size of the decoded visual data.

[0356] Clause 17. The method of any of clauses 14-16, wherein a size indicated by the first size information is larger than a size indicated by the second size information.

[0357] Clause 18. The method of any of clauses 14-17, wherein the second latent representation is obtained by applying at least one neural layer of the NN-based model on the result of the applying of the first set of boundary adjustment layers, and a size of the second latent representation is larger than a size of the first latent representation.

[0358] Clause 19. The method of any of clauses 14-18, wherein the first set of boundary adjustment layers and the second set of boundary adjustment layers are comprised in a synthesis transform subnetwork in the NN-based model.

[0359] Clause 20. The method of clause 19, wherein the second set of boundary adjustment layers comprises the last cropping layer of the synthesis transform subnetwork before an output of the synthesis transform subnetwork, and the first set of boundary adjustment layers comprises one or more cropping layers of the synthesis transform subnetwork before the last cropping layer.

[0360] Clause 21. The method of any of clauses 1-13, wherein the conversion comprises encoding the visual data into the bitstream.

[0361] Clause 22. The method of any of clauses 1-13 or 21, wherein the first set of boundary adjustment layers comprises one or more padding layers, and the second set of boundary adjustment layers comprises one or more padding layers.

[0362] Clause 23. The method of any of clauses 21-22, wherein the second latent representation is obtained by applying at least one neural layer of the NN-based model on the result of the applying of the first set of boundary adjustment layers, and a size of the second latent representation is smaller than a size of the first latent representation.

[0363] Clause 24. The method of any of clauses 1-23, wherein the visual data comprise a picture of a video or an image.

[0364] Clause 25. An apparatus for visual data processing comprising a processor and a non-transitory memory with instructions thereon, wherein the instructions upon execution by the processor, cause the processor to perform a method in accordance with any of clauses 1-24.

[0365] Clause 26. A non-transitory computer-readable storage medium storing  instructions that cause a processor to perform a method in accordance with any of clauses 1-24.

[0366] Clause 27. A non-transitory computer-readable recording medium storing a bitstream of visual data which is generated by a method performed by an apparatus for visual data processing, wherein the method comprises: applying a first set of boundary adjustment layers of an NN-based model on a first latent representation of the visual data, wherein an output size for each of the first set of boundary adjustment layers is determined based on first size information; applying a second set of boundary adjustment layers of the NN-based model on a second latent representation, wherein the second latent representation is determined based on a result of the applying of the first set of boundary adjustment layers, and an output size for each of the second set of boundary adjustment layers is determined based on second size information different from the first size information; and generating the bitstream based on a result of the applying of the second set of boundary adjustment layers.

[0367] Clause 28. A method for storing a bitstream of visual data, comprising: applying a first set of boundary adjustment layers of an NN-based model on a first latent representation of the visual data, wherein an output size for each of the first set of boundary adjustment layers is determined based on first size information; applying a second set of boundary adjustment layers of the NN-based model on a second latent representation, wherein the second latent representation is determined based on a result of the applying of the first set of boundary adjustment layers, and an output size for each of the second set of boundary adjustment layers is determined based on second size information different from the first size information; generating the bitstream based on a result of the applying of the second set of boundary adjustment layers; and storing the bitstream in a non-transitory computer-readable recording medium.

[0368] Example Device

[0369] Fig. 14 illustrates a block diagram of a computing device 1400 in which various embodiments of the present disclosure can be implemented. The computing device 1400 may be implemented as or included in the source device 110 (or the visual data encoder 114) or the destination device 120 (or the visual data decoder 124) .

[0370] It would be appreciated that the computing device 1400 shown in Fig. 14 is  merely for purpose of illustration, without suggesting any limitation to the functions and scopes of the embodiments of the present disclosure in any manner.

[0371] As shown in Fig. 14, the computing device 1400 includes a general-purpose computing device 1400. The computing device 1400 may at least comprise one or more processors or processing units 1410, a memory 1420, a storage unit 1430, one or more communication units 1440, one or more input devices 1450, and one or more output devices 1460.

[0372] In some embodiments, the computing device 1400 may be implemented as any user terminal or server terminal having the computing capability. The server terminal may be a server, a large-scale computing device or the like that is provided by a service provider. The user terminal may for example be any type of mobile terminal, fixed terminal, or portable terminal, including a mobile phone, station, unit, device, multimedia computer, multimedia tablet, Internet node, communicator, desktop computer, laptop computer, notebook computer, netbook computer, tablet computer, personal communication system (PCS) device, personal navigation device, personal digital assistant (PDA) , audio / video player, digital camera / video camera, positioning device, television receiver, radio broadcast receiver, E-book device, gaming device, or any combination thereof, including the accessories and peripherals of these devices, or any combination thereof. It would be contemplated that the computing device 1400 can support any type of interface to a user (such as “wearable” circuitry and the like) .

[0373] The processing unit 1410 may be a physical or virtual processor and can implement various processes based on programs stored in the memory 1420. In a multi-processor system, multiple processing units execute computer executable instructions in parallel so as to improve the parallel processing capability of the computing device 1400. The processing unit 1410 may also be referred to as a central processing unit (CPU) , a microprocessor, a controller or a microcontroller.

[0374] The computing device 1400 typically includes various computer storage medium. Such medium can be any medium accessible by the computing device 1400, including, but not limited to, volatile and non-volatile medium, or detachable and non-detachable medium. The memory 1420 can be a volatile memory (for example, a register, cache, Random Access Memory (RAM) ) , a non-volatile memory (such as a Read-Only Memory (ROM) , Electrically Erasable Programmable Read-Only Memory (EEPROM) , or a flash  memory) , or any combination thereof. The storage unit 1430 may be any detachable or non-detachable medium and may include a machine-readable medium such as a memory, flash memory drive, magnetic disk or another other media, which can be used for storing information and / or visual data and can be accessed in the computing device 1400.

[0375] The computing device 1400 may further include additional detachable / non-detachable, volatile / non-volatile memory medium. Although not shown in Fig. 14, it is possible to provide a magnetic disk drive for reading from and / or writing into a detachable and non-volatile magnetic disk and an optical disk drive for reading from and / or writing into a detachable non-volatile optical disk. In such cases, each drive may be connected to a bus (not shown) via one or more visual data medium interfaces.

[0376] The communication unit 1440 communicates with a further computing device via the communication medium. In addition, the functions of the components in the computing device 1400 can be implemented by a single computing cluster or multiple computing machines that can communicate via communication connections. Therefore, the computing device 1400 can operate in a networked environment using a logical connection with one or more other servers, networked personal computers (PCs) or further general network nodes.

[0377] The input device 1450 may be one or more of a variety of input devices, such as a mouse, keyboard, tracking ball, voice-input device, and the like. The output device 1460 may be one or more of a variety of output devices, such as a display, loudspeaker, printer, and the like. By means of the communication unit 1440, the computing device 1400 can further communicate with one or more external devices (not shown) such as the storage devices and display device, with one or more devices enabling the user to interact with the computing device 1400, or any devices (such as a network card, a modem and the like) enabling the computing device 1400 to communicate with one or more other computing devices, if required. Such communication can be performed via input / output (I / O) interfaces (not shown) .

[0378] In some embodiments, instead of being integrated in a single device, some or all components of the computing device 1400 may also be arranged in cloud computing architecture. In the cloud computing architecture, the components may be provided remotely and work together to implement the functionalities described in the present disclosure. In some embodiments, cloud computing provides computing, software, visual  data access and storage service, which will not require end users to be aware of the physical locations or configurations of the systems or hardware providing these services. In various embodiments, the cloud computing provides the services via a wide area network (such as Internet) using suitable protocols. For example, a cloud computing provider provides applications over the wide area network, which can be accessed through a web browser or any other computing components. The software or components of the cloud computing architecture and corresponding visual data may be stored on a server at a remote position. The computing resources in the cloud computing environment may b e merged or distributed at locations in a remote visual data center. Cloud computing infrastructures may provide the services through a shared visual data center, though they behave as a single access point for the users. Therefore, the cloud computing architectures may be used to provide the components and functionalities described herein from a service provider at a remote location. Alternatively, they may be provided from a conventional server or installed directly or otherwise on a client device.

[0379] The computing device 1400 may be used to implement visual data encoding / decoding in embodiments of the present disclosure. The memory 1420 may include one or more visual data coding modules 1425 having one or more program instructions. These modules are accessible and executable by the processing unit 1410 to perform the functionalities of the various embodiments described herein.

[0380] In the example embodiments of performing visual data encoding, the input device 1450 may receive visual data as an input 1470 to be encoded. The visual data may be processed, for example, by the visual data coding module 1425, to generate an encoded bitstream. The encoded bitstream may be provided via the output device 1460 as an output 1480.

[0381] In the example embodiments of performing visual data decoding, the input device 1450 may receive an encoded bitstream as the input 1470. The encoded bitstream may be processed, for example, by the visual data coding module 1425, to generate decoded visual data. The decoded visual data may be provided via the output device 1460 as the output 1480.

[0382] While this disclosure has been particularly shown and described with references to preferred embodiments thereof, it will be understood by those skilled in the art that various changes in form and details may be made therein without departing from the spirit  and scope of the present application as defined by the appended claims. Such variations are intended to be covered by the scope of this present application. As such, the foregoing description of embodiments of the present application is not intended to be limiting.

Claims

1.A method for visual data processing, comprising:applying, for a conversion between visual data and a bitstream of the visual data with a neural network (NN) -based model, a first set of boundary adjustment layers of the NN-based model on a first latent representation of the visual data, wherein an output size for each of the first set of boundary adjustment layers is determined based on first size information;applying a second set of boundary adjustment layers of the NN-based model on a second latent representation, wherein the second latent representation is determined based on a result of the applying of the first set of boundary adjustment layers, and an output size for each of the second set of boundary adjustment layers is determined based on second size information different from the first size information; andperforming the conversion based on a result of the applying of the second set of boundary adjustment layers.2.The method of claim 1, wherein the first latent representation comprises a first tensor, and the second latent representation comprises a second tensor.3.The method of any of claims 1-2, wherein the first size information comprises at least one of a first width or a first height, and the second size information comprises at least one of a second width or a second height.4.The method of claim 3, wherein at least one of the first width, the first height, the second width, or the second height measures pixels, luma samples, or chroma samples.5.The method of any of claims 1-4, wherein at least one of the first size information or the second size information is indicated in the bitstream.6.The method of any of claims 1-4, wherein the first size information or the second size information is indicated in the bitstream, and a difference between the first size information and the second size information is indicated in the bitstream.7.The method of claim 6, wherein the difference between the first size information and the second size information is smaller than a predetermined value.8.The method of any of claims 1-7, wherein at least one of the first size information or the second size information is coded in a predictive way.9.The method of any of claims 1-8, wherein at least one of the first size information or the second size information is binarized with one of the following:fixed length coding,unary coding, orexponential-Golomb (EG) coding.10.The method of any of claims 1-8, wherein at least one of the first size information or the second size information is coded with arithmetic coding.11.The method of any of claims 1-10, wherein at least one of the first size information or the second size information is indicated in a header structure.12.The method of any of claims 1-11, wherein a reference size information and at least one of the following are indicated in the bitstream:a relationship between the first size information and the reference size information, ora relationship between the second size information and the reference size information.13.The method of any of claims 1-12, wherein an output size for each boundary adjustment layer in the first set of boundary adjustment layers is the same as an input size for the boundary adjustment layer.14.The method of any of claims 1-13, wherein the conversion comprises decoding the visual data from the bitstream.15.The method of any of claims 1-14, wherein the first set of boundary adjustment layers comprises one or more cropping layers, and the second set of boundary adjustment layers comprises one or more cropping layers.16.The method of claim 15, wherein the second size information indicates a size of the decoded visual data.17.The method of any of claims 14-16, wherein a size indicated by the first size information is larger than a size indicated by the second size information.18.The method of any of claims 14-17, wherein the second latent representation is obtained by applying at least one neural layer of the NN-based model on the result of the applying of the first set of boundary adjustment layers, and a size of the second latent representation is larger than a size of the first latent representation.19.The method of any of claims 14-18, wherein the first set of boundary adjustment layers and the second set of boundary adjustment layers are comprised in a synthesis transform subnetwork in the NN-based model.20.The method of claim 19, wherein the second set of boundary adjustment layers comprises the last cropping layer of the synthesis transform subnetwork before an output of the synthesis transform subnetwork, and the first set of boundary adjustment layers comprises one or more cropping layers of the synthesis transform subnetwork before the last cropping layer.21.The method of any of claims 1-13, wherein the conversion comprises encoding the visual data into the bitstream.22.The method of any of claims 1-13 or 21, wherein the first set of boundary adjustment layers comprises one or more padding layers, and the second set of boundary adjustment layers comprises one or more padding layers.23.The method of any of claims 21-22, wherein the second latent representation is obtained by applying at least one neural layer of the NN-based model on the result of the applying of the first set of boundary adjustment layers, and a size of the second latent representation is smaller than a size of the first latent representation.24.The method of any of claims 1-23, wherein the visual data comprise a picture of a video or an image.25.An apparatus for visual data processing comprising a processor and a non-transitory memory with instructions thereon, wherein the instructions upon execution by the processor, cause the processor to perform a method in accordance with any of claims 1-24.26.A non-transitory computer-readable storage medium storing instructions that cause a processor to perform a method in accordance with any of claims 1-24.27.A non-transitory computer-readable recording medium storing a bitstream of visual data which is generated by a method performed by an apparatus for visual data processing, wherein the method comprises:applying a first set of boundary adjustment layers of an NN-based model on a first latent representation of the visual data, wherein an output size for each of the first set of boundary adjustment layers is determined based on first size information;applying a second set of boundary adjustment layers of the NN-based model on a second latent representation, wherein the second latent representation is determined based on a result of the applying of the first set of boundary adjustment layers, and an output size for each of the second set of boundary adjustment layers is determined based on second size information different from the first size information; andgenerating the bitstream based on a result of the applying of the second set of boundary adjustment layers.28.A method for storing a bitstream of visual data, comprising:applying a first set of boundary adjustment layers of an NN-based model on a first latent representation of the visual data, wherein an output size for each of the first set of boundary adjustment layers is determined based on first size information;applying a second set of boundary adjustment layers of the NN-based model on a second latent representation, wherein the second latent representation is determined based on a result of the applying of the first set of boundary adjustment layers, and an output size for each of the second set of boundary adjustment layers is determined based on second size information different from the first size information;generating the bitstream based on a result of the applying of the second set of boundary adjustment layers; andstoring the bitstream in a non-transitory computer-readable recording medium.

Images