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: performing a conversion between visual data and a codestream of the visual data with a neural network (NN) -based model, wherein the codestream comprises a first indication indicating a stream profile to which the codestream conforms, and at least one second indication indicating at least one decoder profile to which the codestream conforms.

Description

METHOD, APPARATUS, AND MEDIUM FOR VISUAL DATA PROCESSINGFIELDS

[0001] Embodiments of the present disclosure relates generally to visual data processing techniques, and more particularly, to neural network-based visual data coding.BACKGROUND

[0002] 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 flexibility of neural network-based image / video coding is generally expected to be further improved.SUMMARY

[0003] Embodiments of the present disclosure provide a solution for visual data processing.

[0004] In a first aspect, a method for visual data processing is proposed. The method comprises: performing a conversion between visual data and a codestream of the visual data with a neural network (NN) -based model, wherein the codestream comprises a first indication indicating a stream profile to which the codestream conforms, and at least one second indication indicating at least one decoder profile to which the codestream conforms.

[0005] Based on the method in accordance with the first aspect of the present disclosure, the codestream comprises a first indication indicating a stream profile to which the codestream conforms, and at least one second indication indicating at least one decoder profile to which the codestream conforms. Compared with the conventional solution lacking such indications, the proposed method can provide a mechanism for signaling of information regarding stream profiles and decoder profiles, and thus can better support the application of different stream profiles and different decoder profiles. Thereby, the coding flexibility can be improved.

[0006] 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.

[0007] 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.

[0008] In a fourth aspect, another non-transitory computer-readable recording medium is proposed. The non-transitory computer-readable recording medium stores a codestream of visual data which is generated by a method performed by an apparatus for visual data processing. The method comprises: performing a conversion between the visual data and the codestream with a neural network (NN) -based model, wherein the codestream comprises a first indication indicating a stream profile to which the codestream conforms, and at least one second indication indicating at least one decoder profile to which the codestream conforms.

[0009] In a fifth aspect, a method for storing a codestream of visual data is proposed. The method comprises: performing a conversion between the visual data and the codestream with a neural network (NN) -based model; and storing the codestream in a non-transitory computer-readable recording medium, wherein the codestream comprises a first indication indicating a stream profile to which the codestream conforms, and at least one second indication indicating at least one decoder profile to which the codestream conforms.

[0010] 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

[0011] 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.

[0012] Fig. 1A illustrates a block diagram that illustrates an example visual data coding system, in accordance with some embodiments of the present disclosure;

[0013] Fig. 1B is a schematic diagram illustrating an example transform coding scheme;

[0014] Fig. 2 illustrates example latent representations of an image;

[0015] Fig. 3 is a schematic diagram illustrating an example autoencoder implementing a hyperprior model;

[0016] Fig. 4 is a schematic diagram illustrating an example combined model configured to jointly optimize a context model along with a hyperprior and the autoencoder;

[0017] Fig. 5 illustrates an example encoding process;

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

[0019] Fig. 7 illustrates an example decoding process according to some embodiments of the present disclosure;

[0020] Fig. 8 illustrates an example interaction of the stream profile and the decoder profile;

[0021] Fig. 9 illustrates a flowchart of a method for visual data processing in accordance with embodiments of the present disclosure; and

[0022] Fig. 10 illustrates a block diagram of a computing device in which various embodiments of the present disclosure can be implemented.

[0023] Throughout the drawings, the same or similar reference numerals usually refer to the same or similar elements.DETAILED DESCRIPTION

[0024] 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.

[0025] 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.

[0026] 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.

[0027] 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.

[0028] 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. Example Environment

[0029] Fig. 1A 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 source 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.

[0030] 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.

[0031] 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.

[0032] 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.

[0033] 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.

[0034] 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. 1. Brief Summary This disclosure is related to neural network (NN) -based image and video coding. Specifically, it is related to  definitions of profiles, levels and versions of a neural network based image or video codec. The ideas may be applied individually or in various combinations, for image and / or video coding methods and specifications. 2. Introduction The past decade has witnessed the rapid development of deep learning in a variety of areas, especially in  computer vision and image processing. Inspired from the great success of deep learning technology to computer vision areas, many researchers have shifted their attention from conventional image / video compression techniques to neural image / video compression technologies. 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 R-D performance with Versatile Video Coding (VVC) , the latest video coding standard developed by Joint Video Experts Team (JVET) with experts from MPEG and VCEG. With the performance of neural image compression continually being improved, neural network-based video compression has become an actively developing research area. However, neural network-based video coding still remains in its infancy due to the inherent difficulty of the problem. 2.1. Image / video compression Image / video compression (also referred to as image / video coding) usually refers to the computing technology  that compresses image / video into binary code to facilitate storage and transmission. The binary codes may or may not support losslessly reconstructing the original image / video, termed lossless compression and lossy compression. Most of the efforts are devoted to lossy compression since lossless reconstruction is not necessary in most scenarios. Usually the performance of image / video compression algorithms is evaluated from two aspects, i.e. compression ratio and reconstruction quality. Compression ratio is directly related to the number of binary codes, the less the better; Reconstruction quality is measured by comparing the reconstructed image / video with the original image / video, the higher the better. Image / video compression techniques can be divided into two branches, the classical video coding methods and  the neural-network-based video compression methods. Classical video coding schemes adopt transform-based solutions, in which researchers have exploited statistical dependency in the latent variables (e.g., DCT or wavelet coefficients) by carefully hand-engineering entropy codes modeling the dependencies in the quantized regime. Neural network-based video compression is in two flavors, neural network-based coding tools and end-to-end neural network-based video compression. The former is embedded into existing classical 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 classical video codecs. In the last three decades, a series of classical video coding standards have been developed to accommodate the  increasing visual content. The international standardization organizations ISO / IEC has two expert groups namely Joint Photographic Experts Group (JPEG) and Moving Picture Experts Group (MPEG) , and ITU-T also has its own Video Coding Experts Group (VCEG) which is for standardization of image / video coding technology. The influential video coding standards published by these organizations include JPEG, JPEG 2000, H. 262, H.264 / AVC and H. 265 / HEVC. After H. 265 / HEVC, the Joint Video Experts Team (JVET) formed by MPEG and VCEG has been working on a new video coding standard Versatile Video Coding (VVC) . The first version of VVC was released in July 2020. An average of 50%bitrate reduction is reported by VVC under the same visual quality compared with HEVC. Neural network-based image / video compression is not a new invention since there were a number of researchers  working on neural network-based image coding. But the network architectures were relatively shallow, and the performance was not satisfactory. Benefit from the abundance of data and the support of powerful computing resources, neural network-based methods are better exploited in a variety of applications. At present, neural network-based image / video compression has shown promising improvements, confirmed its feasibility. Nevertheless, this technology is still far from mature and a lot of challenges need to be addressed. 2.2. Neural networks Neural networks, also known as artificial neural networks (ANN) , are the computational models used in machine  learning technology which 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 believed to be the capacity for processing data with multiple levels of abstraction and converting data into different kinds of representations. Note that these representations 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, and thus is regarded useful especially for processing natively unstructured data, such as acoustic and visual signal, whilst processing such data has been a longstanding difficulty in the artificial intelligence field. 2.3. Neural networks for image and video compression Existing neural networks for image compression methods can be classified in two categories, i.e., pixel  probability modeling and auto-encoder. The former one belongs to the predictive coding strategy, while the latter one is the transform-based solution. Sometimes, these two methods are combined together in literature. Similar to conventional 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 comes later than neural network-based image compression but needs far more efforts to solve the challenges due to its complexity. Starting from 2017, a few researchers have been working on neural network-based video compression schemes. Compared with image compression, video compression needs efficient methods to remove inter-picture redundancy. Inter-picture prediction is then a crucial step in these works. Motion estimation and compensation is widely adopted but is not implemented by trained neural networks until recently. Studies on 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, it requires the decoding can be started from any point of the sequence, typically divides the entire sequence into multiple individual segments and each segment can be decoded independently. In low-latency case, it aims at reducing decoding time thereby usually merely temporally previous frames can be used as reference frames to decode subsequent frames. Pixel probability modeling According to Shannon’s information theory, the optimal method for lossless coding can reach the minimal  coding rate -log2p (x) where p (x) is the probability of symbol x. A number of lossless coding methods were developed in literature and among them arithmetic coding is believed to be among the optimal ones. Given a probability distribution p (x) , arithmetic coding ensures that the coding rate to be as close as possible to its theoretical limit -log2p (x) without considering the rounding error. Therefore, the remaining problem is to how to determine the probability, which is however very challenging for natural image / video due to the curse of dimensionality. 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. p (x) =p (x1) p (x2|x1) …p (xi|x1, …, xi-1) …p (xm×n|x1, …, xm×n-1)          (1) 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, it can be difficult to estimate the conditional probability, thereby a simplified method is to limit the range of its context. p (x) =p (x1) p (x2|x1) …p (xi|xi-k, …, xi-1) …p (xm×n|xm×n-k, …, xm×n-1)       (2) where k is a pre-defined constant controlling the range of the context. It should be noted that the condition may also take the sample values of other color components into  consideration. For example, when coding the RGB color component, R sample is dependent on previously coded pixels (including R / G / B samples) , the current G sample may be coded according to previously coded pixels and the current R sample, while for coding the current B sample, the previously coded pixels and the current R and G samples may also be taken into consideration. Neural networks were originally introduced for computer vision tasks and have been proven to be effective in  regression and classification problems. Therefore, it has been proposed using neural networks to estimate the probability of p (xi) given its context x1, x2, …, xi-1. Most of the methods directly model the probability distribution in the pixel domain. Some researchers also  attempt to model the probability distribution as a conditional one upon explicit or latent representations. That being said, it may be estimated that where h is the additional condition and p (x) =p (h) p (x|h) , meaning the modeling is split into an unconditional  one and a conditional one. The additional condition can be image label information or high-level representations. Auto-encoder Auto-encoder originates from the well-known work proposed by Hinton and Salakhutdinov. The method is  trained for dimensionality reduction and consists of two parts: encoding and decoding. The encoding part converts the high-dimension input signal to low-dimension representations, typically with reduced spatial size but a greater number of channels. The decoding part attempts to recover the high-dimension input from the low-dimension representation. 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. Fig. 1B illustrates a typical transform coding scheme. The original image x is transformed by the analysis  network ga to achieve the latent representation y. The latent representation y is quantized 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 is calculated in a perceptual space by transforming x and with the function gp. It is intuitive to apply auto-encoder network to lossy image compression. It is only needed to encode the learned  latent representation from the well-trained neural networks. However, it is not trivial to adapt auto-encoder to image compression since the original auto-encoder is not optimized for compression thereby not efficient by directly using a trained auto-encoder. In addition, there exist other major challenges: First, the low-dimension representation should be quantized before being encoded, but the quantization is not differentiable, which is required in backpropagation while training the neural networks. Second, the objective under 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 needs to support variable rate, scalability, encoding / decoding speed, interoperability. In response to these challenges, a number of researchers have been actively contributing to this area. The prototype auto-encoder for image compression is in Fig. 1B, which 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 which will be quantized and coded. The synthesis network will inversely transform the quantized latent representation back to obtain the reconstructed image The framework is trained with the rate-distortion loss function, i.e.,  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. It should be noted that D can be calculated in either pixel domain or perceptual domain. All existing research works follow this prototype and the difference might only be the network structure or loss function. Hyper prior model In the transform coding approach to image compression, 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, it can be losslessly compressed using entropy coding techniques such as arithmetic coding and transmitted as a sequence of bits. As evident from the middle left and middle right image of Fig. 2, there are significant spatial dependencies  among the elements of Notably, their scales (middle right image) appear to be coupled spatially. An additional set of random variables can be introduced to capture the spatial dependencies and to further reduce the redundancies. In this case the image compression network is depicted in Fig. 3. In Fig 3, the left hand of the models is the encoder ga and decoder gs. The right-hand 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 it to compress and transmit the quantized image representation The decoder first recovers from the compressed signal. It then uses hs to obtain σ, which provides it with the correct probability estimates to successfully recover as well. It then feeds into gs to obtain the reconstructed image. When the hyper encoder and hyper decoder are added to the image compression network, the spatial  redundancies of the quantized latent are reduced. The rightmost image in Fig. 2 correspond to the quantized latent when hyper encoder / decoder are used. Compared to middle right image, the spatial redundancies are significantly reduced, as the samples of the quantized latent are less correlated. In Fig. 2: Left: an image from the Kodak dataset. Middle left: visualization of a latent representation y of that  image. Middle right: standard deviations σ of the latent. Right: latents y after the hyper prior (hyper encoder and decoder) network is introduced. Fig. 3 illustrates Network architecture of an autoencoder implementing the hyperprior model. The left side shows  an image autoencoder network, the right 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 consists of 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 about the probability distribution of the samples of the quantized latent  is included in the bitsteam and transmitted to the receiver (decoder) along with Context model 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 (Context Model) . The term auto-regressive means that the output of a process is later used as input to it. For example the context  model subnetwork generates one sample of a latent, which is later used as input to obtain the next sample. Fig. 4 is a schematic diagram illustrating an example combined model configured to jointly optimize a context  model along with a hyperprior and the autoencoder. The following table illustrates meaning of different symbols. Table –Illustration of symbols A joint architecture can be utilized where both 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 Fig. 4, the outputs of context subnetwork and hyper decoder subnetwork are combined by the subnetwork called Entropy Parameters, which generates the mean μ and scale (or variance) σ parameters 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. Fig 4 illustrates 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 highlighted region corresponds to the components that are executed by the receiver (i.e. a decoder) to recover an image from a compressed bitstream. Typically the latent samples are modeled as gaussian distribution or gaussian mixture models (not limited to) .  According to Fig. 4, 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) . Gained variational autoencoders (G-VAE) Typically, 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. 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. 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 consists of n inverse gain vectors, i.e., M′= {δs (0) , δs (1) , …, δs (c-1) } , δs (i) ∈R. The inverse gain process is expressed as: 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. 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]  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. The encoding process using joint auto-regressive hyper prior model The fig 4. corresponds to the state of the art compression method. In this section and the next, the encoding and  decoding processes will be described separately. The Fig. 5 depicts the encoding process. 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. 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 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 μand 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. In an existing design, the entropy parameters module are used to estimate the mean and the variance values. 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) . 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. In the above description, the all of the elements in Fig. 5 are collectively called encoder. The analysis transform  that converts the input image into latent representation is also called an encoder (or auto-encoder) . The decoding process using joint auto-regressive hyper prior model The Fig. 6 depicts the decoding process separately. 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. 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. 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 Fig.  6) module to obtain the reconstructed image. In the above description, the all of the elements in Fig. 6 are collectively called decoder. The synthesis transform  that converts the quantized latent into reconstructed image is also called a decoder (or auto-decoder) . Neural networks for video compression Similar to conventional 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 comes later than neural network-based image compression but needs far more efforts to solve the challenges due to its complexity. Starting from 2017, a few researchers have been working on neural network-based video compression schemes. Compared with image compression, video compression needs efficient methods to remove inter-picture redundancy. Inter-picture prediction is then a crucial step in these works. Motion estimation and compensation is widely adopted but is not implemented by trained neural networks until recently. Studies on 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, it requires the decoding can be started from any point of the sequence, typically divides the entire sequence into multiple individual segments and each segment can be decoded independently. In low-latency case, it aims at reducing decoding time thereby usually merely temporally previous frames can be used as reference frames to decode subsequent frames. Preliminaries Almost all the natural image / 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 a common 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. 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 traditional codecs typically use YUV color space to represent the video sequences. In YUV color space, an image is decomposed into three channels, namely Y, Cb and Cr, where Y is the luminance component and Cb / Cr are the chroma components. The benefits come from that Cb and Cr are typically down sampled to achieve pre-compression since human vision system is less sensitive to chroma components. A color video sequence is composed of multiple color images, 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 this video sequence,  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) , about 2.32 Gbps, which needs a lot storage thereby definitely needs to be compressed before transmission over the internet. Usually the lossless methods can achieve compression ratio of about 1.5 to 3 for natural images, which is clearly  below requirement. Therefore, lossy compression is developed to achieve further 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, i.e., mean-squared-error (MSE) . For a grayscale image, MSE can be calculated with the following equation. Accordingly, the quality of the reconstructed image compared with the original image can be measured by peak  signal-to-noise ratio (PSNR) : 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) . To compare different lossless compression schemes, it is sufficient to compare either the compression ratio given  the resulting rate or vice versa. However, to compare different lossy compression methods, it has to take into account both the rate and reconstructed quality. For example, to calculate the relative rates at several different quality levels, and then to average the rates, is a commonly adopted method; the average relative rate is known as Bjontegaard’s delta-rate (BD-rate) . There are other important aspects to evaluate image / video coding schemes, including encoding / decoding complexity, scalability, robustness, and so on. Separate processing of luma and chroma components of an image Fig. 7 illustrates the decoding process according to some example embodiments of the present disclosure.  According to one implementation, the luma and chroma components of an image can be decoded using separate subnetworks. In Fig. 7, 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. A benefit of the above 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. The processing (Decoding process) in Fig. 7 can be explained below: 1. Firstly, the factorized entropy model is used to decode the quantized latents for luma and chroma, i.e.,  and in Fig. 7. 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. 3. The quantized residual latent is inversely gained with the inverse gain unit (iGain) as shown in orange  color in Fig. 7. The outputs of the inverse gain units are denoted as and for luma and chroma components, respectively. 4. For the luma component, the following steps are performed in a loop until all elements of are obtained: a. A first subnetwork is used to estimate a mean value parameter of a quantized latent using  the already obtained samples of b. The quantized residual latent and the mean value are used to obtain the next element of 5. After all of the samples of are obtained, a synthesis transform can be applied to obtain the  reconstructed image. 6. For chroma component, step 4 and 5 are the same but with a separate set of networks. 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. 8. Adaptive color transform (ACT) is performed after the luma and chroma components are reconstructed. The module named ICCI is a neural-network based postprocessing module. The example embodiments of the  present disclosure are not limited to the UCCI subnetwork, any other neural network based postprocessing module might also be used. An exemplary implementation of some example embodiments of the present disclosure is depicted in Fig. 7 (the  decoding process) . The framework comprises two branches for luma and chroma components respectively. In each of the branch, 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 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. 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. 2. Optionally the second input of the prediction module is obtained by using a hyper decoder and a  quantized hyper latent 3.Using the first input and the second input, the prediction module generates the mean value mean [: , i, j] . 4. The mean value mean [: , i, j] and the quantized residual latent are added together to obtain the  latent 5. The steps 1-4 are repeated for the next sample. 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. Alternatively, 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. Alternative or additionally, the modules named MS1, MS2 or MS3+O (in Fig. 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. The module named RD or the module named AD in Fig. 7 might be an entropy decoding module. It might be a  range decoder or an arithmetic decoder or the like. The example embodiments of the present disclosure described herein are not limited to the specific combination  of the units exemplified in Fig. 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: 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. 2. One or more of the modules named MS1, MS2 or MS3+O might be removed. The core of the proposed  solution is not affected by the removing of one or more of the said scaling and adding modules. In Fig. 7, 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. 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. 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. 2.4. The JPEG AI image coding standard The existing design utilizes some NN-based image coding methods described mentioned above. Some of the  features in the existing design are described or summarized below. The numbers in the parentheses are section numbers in one existing design. 2.4.1. (9.2) Code stream layout The overall syntax structure of an image is: Each code stream starts with a 16-bit marker. All markers used in this specification are as follows: 2.4.2. (9.3) Picture header This sub-stream contains information about image height H, width W, latent space tiles location and sizes,  control flags for each tool, scaling factors for primary and secondary component, modelIdx –learnable model index and displacement for rate control parameters (βY for primary and βUV for secondary component) . 2.4.2.1 (9.3.1) Syntax table 2.4.2.2 (9.3.1.1) Model header syntax and color transform header syntax 2.4.2.3 (9.3.2) Picture header semantics Following service information is signalled: picture_header_size is the number of bytes in the picture header excluding the first two-byte marker; img_width plus 64 specifies width of an input picture (from 64 to 65600) ; img_height plus 64 specifies height of the input picture (from 64 to 65600) ; picture_format is a data format of the output picture (YUV420 = 0, YUV444 = 1, sRGB = 2, YUV422 = 3) ; bit_depth is a bit-depth the output picture ( “0” corresponds to 8 and “1” corresponds to 10) ; color_transform_offset [i] is an offset for color transformation If not present (color_transform_enable is false)  then default ITU-R BT. 709 colour transform is used (refer to section 7.8) . 2.4.3. (9.4) Tools header This optional sub-stream contains information about tools. When the tools_header () marker segment is not  present in the bitstream, the following tool enabling flags are set to be 0: rvs_enable_flag, lsbs_enable_flag, grfs_enable_flag, gain_3D_enable_flag, icci_enable_flag, LEF_enabled_flag, EFE_upsampler_enabled_flag, and EFE_nonlinear_filter_enabled_flag. tools_header_size is the number of bytes in the tools header excluding the first two-byte marker; rvs_enable_flag –is a flag used in the RVS for each color component. 0 indicates RVS disabled, 1 indicates  RVS turn on. Profile: A profile for a codec (image or video codec) is a set of features of that codec identified to meet a certain  set of specifications of intended applications. This means that many of the features listed are not supported in some profiles. Level: As the term is used in the standard, a "level" is a specified set of constraints that indicate a degree of  required decoder performance for a profile. A decoder that conforms to a given level must be able to decode all bitstreams encoded for that level and all lower levels. JPEG AI Profiling Framework In an existing design, a framework for the JPEG AI profiling is provided. According to the design, a codec can  conform to a stream profile and at the same time one or more decoder profiles. Fig. 8 illustrates an example interaction of the stream profile and the decoder profile. On the other hand, the details of how the profiles are specified and how they are signalled are not specified. 3. Problems An existing design has the following problems: 1) The draft specification does not consider how the profiles and levels of a JPEG AI standard are specified.  In other words, the details of the profile and level descriptions are missing. 2) For the wide adoption of the JPEG AI standard, it is important to design the profiles and levels in such  a way that simple encoder and decoders are supported, as well as sophisticated high quality encoders and decoders. Furthermore, achieving high quality at the sophisticated encoder / decoders should not create a burden on the simpler encoder / decoders. 3) The profile and levels should be determined in such a way that market fragmentation should be avoided.  If for example contents created by sophisticated encoders are only decodable by sophisticated encoders (or the quality is much worse at the simple decoders) , this would create interoperability issues. 4. Detailed Solutions To solve the above-described problems, methods as summarized below are disclosed. The solutions should be  considered as examples to explain the general concepts and should not be interpreted in a narrow way. Furthermore, these solutions can be applied individually or combined in any manner. According to some example embodiments of the present disclosure: 1. A first profile and / or a second profile is specified. a. Names of the profiles: i. The name of the first profile might be: 1. A stream profile, stream profile 1 (2, 3, 4…) , bitstream profile (1, 2, 3, 4…) ,  profile (A, B, C…) , master profile (1, 2, 3, 4…) , Profile 1 (2, 3, 4…) , etc. ii. Name of the second profile might be: 1. A decoder profile (1, 2, 3, 4…) , profile extension (1, 2, 3, 4…) , profile (A, B,  C…) , mobile phone profile (A, B, C…) , CPU application profile (A, B, C…) , Profile 1 (2, 3, 4…) , profile 2, high profile (1, 2, 3, 4…) , high performance profile (1, 2, 3, 4…) etc. b. Conformance of a bitstream to a profile: i. A bitstream might conform to at least one first profile, and / or at least one second  profile. ii. A bitstream might conform to exactly one first profile and / or at least one second profile.  iii. A bitstream might conform to exactly one first profile and / or more than one second  profiles. c. Indication of the profiles in the bitstream: i. An indication might be included in the bitstream to indicate which first profile does  the bitstream or decoding process conforms to. ii. An indication might be included in the bitstream to indicate which second profile does  the bitstream or decoding process conforms to. 1. The indication might indicate a set of second profiles that a bitstream  conforms to. a. For example the indication might indicate “up to which second  profile” does the bitstream conforms. For example the indication might indicate up to “second profile N” , and all second profiles that are “second profile 1” , “second profile 2” up to "second profile N” are supported. b. indication might indicate the id of the second profile that the  bitstream or the decoding process conforms to. 2. At least one (or more) indication might be included in the bitstream to indicate  which second profile does the bitstream or decoding process conforms to. iii. The indication indicating which first or second profile do the bitstream or decoding  process conforms to might be included in the bitstream using: 1. A fixed length coding (each indication coded with fixed number of bits) ; 2. A variable length coding. d. The first / second profile might indicate a restriction or a capability based on any of the following: i. A restriction or a capability based on a picture size (ahigher limit, or a lower limit) . ii. A restriction or a capability based on a number of threads used in entropy decoding  process. 1. the number of threads might be a distinct number. In one example, the number  of threads (e.g. parallel processing units, or number of sub-bitstreams) might be 1 (any other value other than 1 is disallowed) . a. In one example, the number of threads might be 4 (any other value  other than 4 is disallowed) . b. In one example, the number of threads might be 8 (any other value  other than 8 is disallowed) . 2. In one example, the number of threads might be N, M, K… (any other value  other than M, N, K…are disallowed) . a. {M, N, K…} might be {1, 4 and 8} . b. {M, N, K…} might be {4 and 8} . c. etc. 3. The allowed number of threads might be smaller than or equal to a number M. 4. The allowed number of threads might be greater than or equal to a number M. iii. The restriction or a capability based on the value of a syntax element: 1. A value of the element might be restricted to be 0. 2. A value of the element might be restricted to be 1. 3. A value of the element might be allowed to be 0 or 1. 4. A value of the element might only be an element of a set {N, M., K, …} . 5. The syntax element might be an enabled flag, indicating if a tool is enabled or  disabled (used or not used) . a. The tool might be a filter, e.g. an adaptive filter, a filter modifying a  luma component, a filter modifying a chroma component…. b. The tools might be a scaling tool, for example a residual scaling tool,  or a latent scaling tool. c. The tools might be RVS (residual and variance scaling) , lsbs (latent  scaling before synthesis) , LEF (Luma enhancement filter) , skip mode etc. d. The tool might be an adaptive quantization tool. e. etc. iv. The restriction / capabilities might disable / enable application of a neural network layer  or a tool or a module. 1. The layer might be a cropping layer. a. In one example a cropping layer of an NN module (that is the part of  a decoding process) might be disabled / enabled. b. In one example, all cropping layers of a module except for the last  cropping layer (e.g. at the end of the module) might enabled / disabled. c. In another example all cropping layers performed by a decoder  except for the last cropping layer might be enabled / disabled. 2. The layer might be a quantization layer. 3. other layers, such as normalization layers, activation layers, etc. 4. The module might be a prediction module, a Multi-stage-context module, a  hyper decoder module, etc. 5. The tool might be a filter, an adaptive quantization tool, a scaling tool a skip  mode etc. 6. The restriction or capacility might enable / disable the operation of a module. a. Even if an enabled flag of a tool or a module is equal to true, the tool  might not be applied if it is restricted according to a profile. b. if an enabled flag of a tool or a module is equal to true, the tool might  be applied if it is not restricted according to a profile. v. Restriction or capability might indicate a scaling ratio between a luma component and  a chroma component. vi. Restriction or capability might indicate presence of a luma or a chroma component in  the reconstructed image. vii. Restriction or capability based on a partition size. 1. The partition might be a region, 2. A dependently or independently decodable region, 3. A tile (independently or dependently decodable) , 4. A substream part of a bitstream. 5. The size might be restricted to be a certain amount, a set of allowed values  (e.g. {0, 16, 32, 48, 64…} ) , a certain upper limit, or a certain lower limit. viii. Restriction or capability based on an amount of overlap between the partitions. 1. The overlap amount might be restricted to be a certain amount, a set of  allowed values (e.g. {0, 16, 32, 48, 64…} ) , a certain upper limit, or a certain lower limit. 2. A first level and / or a second level is specified. a. Names of the levels: i. The name of the first level might be: 1. A level 1 (2, 3, 4…) , stream level 1 (2, 3, 4…) , bitstream level 1 (2, 3, 4…) , level  A (B, C, D…) , master level 1 (2, 3, 4…) ., .... ii. Name of the second level might be: 1. A level 1 (2, 3, 4…) , decoder level 1 (2, 3, 4…) , conformance level 1 (2, 3, 4…) ,  bitstream level 1 (2, 3, 4…) , level A (B, C, D…) , extension level 1 (2, 3, 4…) ., .... b. Conformance of a bitstream to a level: i. A bitstream might conform to at least one first level, and / or at least one second level. ii. A bitstream might conform to a set of first levels and / or at least one set of second levels. iii. A bitstream might conform to exaclty one minimum level and / or at least minimum  second levels. 1. For example a bitstream might conform to a minimum first level which is  equal to N and a minimum second level that is equal to K. a. M and K might be integer numbers. iv. For example if a bitstream is specified to be level 4, it also conforms to any level that  is higher than 4. A decoder that conforms to level 4 or high can decode the bitstream in a conforming way. c. Indication of the levels in the bitstream: i. An indication might be included in the bitstream to indicate which first level and / or  which second level does the bitstream or decoding process conforms to. 1. There might be exactly one first level indication in a bitstream. 2. There might be exactly one second level indication in a bitstream. 3. Corresponding to each first profiles indicated in the bitstream, there might be  a first level indication. 4. Corresponding to each second profiles indicated in the bitstream, there might  be a second level indication. 5. There might be exactly one first level indication and at least one (or more)  second level indications. 6. At least one (or more) indication might be included in the bitstream to indicate  which second level does the bitstream or decoding process conforms to. ii. The indication indicating which first or second level that the bitstream or decoding  process conforms to might be included in the bitstream using: 1. A fixed length coding (each indication coded with fixed number of bits) ; 2. A variable length coding. d. The first / second level might indicate a restriction or a capability based on any of the following: i. A restriction or a capability based on a picture size (ahigher limit, or a lower limit) . ii. A restriction or a capability based on a number of threads used in entropy decoding  process. iii. A restriction or a capability based on a bitstream size or a bitstream size ratio. 1. The bitstream size might be measured in terms of number of bits or number  of bits per sample (e.g. bits per pixel) . 2. The restriction on the bitstream size might be an upper limit. 3. The bitstream size might be measured in terms a compression ratio. 4. The bitstream size might be measured between two markers (e.g. JPEG  markers) . iv. The restriction or a capability based on the value of a syntax element: 1. The syntax element might be an enabled flag, indicating if a tool is enabled or  disabled (used or not used) . v. The restriction / capabilities might disable / enable application of a neural network layer  or a tool or a module. vi. Restriction or capability might indicate a scaling ratio between a luma component and  a chroma component. vii. Restriction or capability based on a partition size. 1. The partition might be a region, 2. A dependently or independently decodable region, 3. A tile (independently or dependently decodable) , 4. A substream part of a bitstream. viii. Restriction or capability based on an amount of overlap between the partitions. 1. The overlap amount might be restricted to be a certain amount, a set of  allowed values (e.g. {0, 16, 32, 48, 64…} ) , a certain upper limit, or a certain lower limit. e. The first and / or second level might indicate a conformance level, or a reconstruction quality or  a deviation. i. The first and / or second level might be based on a metric. 1. The metric might be a conformance metric, or a similarity metric, or a  deviation metric etc. 2. The metric might measure a deviation from a reference reconstruction. a. The reconstruction might be a reconstructed image, or a  reconstructed sample or a reconstructed latent tensor, or a reconstructed residual tensor. b. The reference reconstruction might be a reconstruction obtained by a  reference implementation of a codec. c. The metric might be PSNR (peak signal to noise ratio) . d. MSE (mean squared error) . e. Average or sum of number samples that are different than the  corresponding sample at the reference reconstruction. f. The metric might be calculated for a NxN region of the reconstruction. g. The metric might be calculated for each NxN region of the  reconstruction. ii. The reconstruction quality or deviation might measure the quality of the reconstruction.  With increasing level, the minimum quality requirement might increase (e.g. the deviation to a reference reconstruction might decrease) . 3. A first indication is included to specify the value of a constant parameter: a. The constant parameter might be: i. Model weights (e.g., multiplicative constants or additive constants, or thresholds of  NN layers) . ii. Constant parameters of a tool. The tool might be: 1. A quantization tool, 2. Scaling tool, 3. RVS, 4. LSBS, 5. Descaling parameters applied to a module. b. The name of the first indication might be version, or a decoder version. c. A mapping operation might be performed based on the value of the first indication between a  second indication obtained from the bitstream and a set of constant parameters. i. For example, if the value of the first indication is 0, the mapping between the second  indication and the model weights might be as follows: ii. For example, if the value of the first indication is 1, the mapping between the second  indication and the model weights might be as follows: d. The first indication might be used to determine the set of constant parameters to use in the  decoding process. e. The first indication might be a version number or a weights version number or a constants  version number. f. The first indication might relevant to a profile. E.g. a second profile or a first profile. g. Signalling: i. The first indication might be included in the bitstream. ii. It might be coded using variable length coding. 1. Exp-Golomb coding might be used to binarize the first indication value. iii. It might be coded using fixed length coding. iv. There might be as many first indications in the bitstream as the number of second  profiles that are included in the bitstream (i.e. corresponding to each second profile, there might be a first indication) . v. There might be as many first indications in the bitstream as the number of first profiles  that are included in the bitstream (i.e. corresponding to each of profile, there might be a first indication) . 5. Benefits of the proposed solutions 1. The proposed solutions allow future updates to the model weights and constant parameters by  versioning: ● Models might be trained in a whole other way with much larger and varying datasets. ● Problems might be identified with the initial set of model weights. ● Model weights that are more implementation friendly can be produced, to improve  reproducibility (e.g. integer-valued weights) . ● In a typical decoder implementation, the model weights can quite easily be updated by  downloading from a source, if the decoder architecture is not changed. 6. Embodiments The first profile (stream profile) , second profile (decoder profile) , first level (stream level) , second level  (conformance level) , and the version indication (decoder version) might be included in the bitstream according to the following example. It is noted that solution is applicable if one or more than one of the above mentioned indicators are not present. 1. Example 1: ● A typical scenario, the values of the syntax elements included in the bitstream might be as  follows: ● One stream profile and 4 decoder profiles are included in the bitstream. This means that the  bitstream conforms to 1 stream profile and 4 different decoder profiles. ● Corresponding to each decoder profile, a conformance level and a decoder version is included  in the bitstream. An example implementation of how the conformance level and decoder version might be interpreted is provided in the embodiments below. In the example above, Annex A (normative) Profiles, Levels and Versions A.1 Codestream restrictions conforming to this Recommendation | International Standard Table 1 Stream Profile codestream restrictions Table 2 –Decoder profile codestream restrictions Table 3-Decoder profile capabilities A.2 Level restrictions conforming to this Recommendation | International Standard Table 4 Stream levels *The BPP is defined as the number of bits counted between SOR to EOC markers exclusive divided by  (image_width x image_height) . It is noted that the markers SOR and EOC are byte aligned. Table 5 -Conformance levels PSNR is calculated as using the equation:  wherein x = 0…image_width –16, y = 0…image_height –16, the s_v = c==0 ? 0: s_ver, s_h = c==0 ? 0: s_hor, the rec [c, i, j] are the samples of the reconstructed image in range [0, 2bitDepth-1] and the refrec [c, i, j] are samples of the reconstructed image of the reference implementation as specified in a standard specification. The restriction is applied to all PSNR [y, x] . A.3 Model weight assignment conforming to this Recommendation | International Standard A.3.1 Models and weights Weights of models are stored in ONNX format version 11. Directories structure is the following: Table 6 –Directory structure for model storage Directories “Encoder / Decoder” and “ICCI” correspond to encoder / decoder models and ICCI filter models  respectively. “Encoder / Decoder” directory includes “M_N” directories with weights of primary and secondary components. Each componenet’s directory has ONNX files with weights of corresponding part of the codec. For “Encoder / Decoder” the models names are specified as M_0, M_1, …, M_N. For ICCI the model names are  specified as ICCI_0, ICCI_1, …, ICCI_N. In this document the mapping between the model names are model_id is specified for each decoder profile and the version number. Please download the electronic attachment with models parameters here. A.3.2 Model weights assignment Depending on the decoder profile and decoder version, a model parameter assignment is performed. Table 7  specifies which model parameters from Table 6 (given with model names M_0 to M_N) is assigned to the which model_id. Table 8 specifies which model parameters from Table 6 (given with model names ICCI_0 to ICCI_N) is assigned to the which icci_model_idx. The model_id and icci_model_idx are the parameters that is included in the picture header (specified in a standard) . The decoding process is performed based on the assigned model weights. Table 7 -Model weight assignment according to decoder version Table 8 –ICCI filter model assignment according to decoder version A.3.3 Constant parameters corresponding to each model Each model specified in Table 6 (with model names M_0 to M_N) have associated constant parameters. Based  on the model weights assignment specified in A. 3.2, the following corresponding constant parameters shall be used in the decoding process. A.3.3.1 Constant parameters used in RVS Scaling Tensor Generation Table 9 -Constant threshold_rvs for RVS scaling tensor generation Table 10 -Constant scale_rvs for RVS scaling tensor generation A.3.3.2 LSBS Scaling Tensor Generation Table 11 -Constant threshold_lsbs for LSBS scaling tensor generation Table 12 -Constants scale0_lsbs and scale1_lsbs for LSBS scaling tensor generation A.3.3.3 De-scaling shifts for quantized convolutions in Hyper Scale Decoder In this section de-scaling shifts {pk} , mentioned in Hyper Scale Decoder description (section 10.3) are provided  for each Hyper Scale Decoder model for Base Operation Point and High Operation Point for primary and secondary color components. Number of shifts for the particular convolution corresponds to the number of the output channels in that convolution. Convolutions are enumerated from the input to the output of the Hyper Scale Decoder. A.3.3.3.1 Model Name = M0 Primary component Convolution 0 Convolution 1 Convolution 2 Secondary component Convolution 0 Convolution 1 Convolution 2 A.3.3.3.2 Model Name = M1 Primary component Convolution 0 Convolution 1 Convolution 2 Secondary component Convolution 0 Convolution 1 Convolution 2 A.3.3.3.3 Model Name = M2 For conciseness, the parameter (s) for this model is not further described in this application. A.3.3.3.4 Model Name = M3 For conciseness, the parameter (s) for this model is not further described in this application. A.3.3.3.5 Model Name = M4 For conciseness, the parameter (s) for this model is not further described in this application. A.3.3.3.6 Model Name = M5 For conciseness, the parameter (s) for this model is not further described in this application.

[0035] 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 an image, a video, a picture in a video, or any other visual data suitable to be coded. 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.

[0036] Fig. 9 illustrates a flowchart of a method 900 for visual data processing in accordance with some embodiments of the present disclosure. At 902, a conversion between the visual data and a codestream of the visual data is performed with a neural network (NN) -based model. For example, a codestream may comprise a sequence of bits. In addition, the codestream may further comprise associated codes which are used as markers. As used herein, the codestream may also be referred to as a bitstream.

[0037] In some embodiments, the conversion may include encoding the visual data into the codestream. Additionally or alternatively, the conversion may include decoding the visual data from the codestream. By way of example rather than limitation, the decoding model shown in Fig. 6 may be employed for decoding the visual data from the bitstream.

[0038] 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.

[0039] In addition, the codestream comprises a first indication indicating a stream profile to which the codestream conforms. As used herein, a stream profile may refer to a subset of the entire bitstream syntax that is specified in advance, such as in a recommendation or standard document. For example, the first indication may be represented as stream_profile_idc or the like.

[0040] Moreover, the codestream comprises at least one second indication indicating at least one decoder profile to which the codestream conforms. For example, the at least one second indication may specify one or more supported decoder profiles provided by the codestream. Additionally or alternatively, the at least one second indication may specify the selected decoder profile (s) . In one example embodiment, a value of the at least one second indication may indicate an identifier of the at least one decoder profile. In another example embodiment, the at least one second indication may indicate “up to which decoder profile” does the codestream conform. For example the at least one second indication may indicate up to “decoder profile N” , and in this case, decoder profiles comprising “decoder profile 1” , “decoder profile 2” up to “decoder profile N” are supported by the codestream.

[0041] As used herein, a decoder profile may define the capabilities of a decoder, i.e. a subset of tools that allow to obtain the decoded visual data. For example, a decoder profile may normatively define only some and not all the tools in the decoding pipeline, e.g., the synthesis transform. Each decoder profile is relevant to address the needs of a set of relevant application scenarios with acceptable complexity.

[0042] For each stream profile, one or more decoder profiles may be defined to offer different complexity-quality trade-offs for the same rate with a fine granularity. Different decoded qualities may be achieved for different decoder profiles using the same stream compliant with a specific stream profile. This means that interoperability may not be broken between decoders that use the same stream profile but use different decoder profiles. Within the bounds imposed by the syntax of a given stream and decoder profile it is still possible to obtain a very large variation in the performance of encoders and decoders depending upon the values taken by syntax elements in the bitstream.

[0043] In view of the above, the codestream comprises a first indication indicating a stream profile to which the codestream conforms, and at least one second indication indicating at least one decoder profile to which the codestream conforms. Compared with the conventional solution lacking such indications, the proposed method can provide a mechanism for signaling of information regarding stream profiles and decoder profiles, and thus can better support the application of different stream profiles and different decoder profiles. Thereby, the coding flexibility can be improved.

[0044] It should be noted that in some specific embodiments, either the first indication or the at least one second indication may also be omitted. The scope of the present disclosure is not limited in this respect.

[0045] In some embodiments, the first indication may be coded with a fixed number of bits, such as 4 bits, 8 bits, or the like. In addition, the at least one second indication (e.g., the at least one second indication as a whole, or each of the at least one second indication) may also be coded with a fixed number of bits, such as 4 bits, 8 bits, or the like. Alternatively, the first indication and / or the at least one second indication may also be coded with a variable number of bits.

[0046] In some embodiments, a combination of the stream profile and one of the at least one decoder profile, or the stream profile itself, or the decode profile itself may indicate a restriction or a capability based on a size of the visual data, such as an upper limit of the size of the visual data, a lower limit of the size of the visual data, and / or the like.

[0047] In some embodiments, a combination of the stream profile and one of the at least one decoder profile, or the stream profile itself, or the decode profile itself may indicate a restriction or a capability based on the number of threads used in an entropy coding process during the conversion, such as a specific number, one or more allowed values for the number of threads, or an allowed value range of the number of threads. The number of threads may indicate the number of parallel processing units, the number of substreams, or the like.

[0048] In some embodiments, a combination of the stream profile and one of the at least one decoder profile, or the stream profile itself, or the decode profile itself may indicate a restriction or a capability based on a value of a syntax element in the codestream, such as one or more allowed values of the syntax element. For example, the syntax element may indicate whether a tool of the NN-based model is enabled. By way of example, the tool may comprise a residual and variance scale (RVS) tool, a gain unit refinement scale (GRFS) tool, or a latent scale before synthesis (LSBS) tool, a filter, an adaptive filter, a scaling tool, a quantization tool, or the like. The RVS tool achieves adaptive quantization of residual samples based on their corresponding standard deviation values. The LSBS tool modifies reconstructed latent tensor   based on signalled scaling factors.

[0049] In some embodiments, a combination of the stream profile and one of the at least one decoder profile, or the stream profile itself, or the decode profile itself may indicate a restriction or a capability based on whether to enable an NN layer of the NN-based model. For example, the NN layer may comprise a cropping layer, a quantization layer, a normalization layer, an activation layer, and / or the like.

[0050] In some embodiments, a combination of the stream profile and one of the at least one decoder profile, or the stream profile itself, or the decode profile itself may indicate a restriction or a capability based on whether to enable a tool of the NN-based model. By way of example, the tool may comprise a residual and variance scale (RVS) tool, a gain unit refinement scale (GRFS) tool, or a latent scale before synthesis (LSBS) tool, a filter, an adaptive filter, a scaling tool, or a quantization tool, or the like. In some embodiments, in accordance with a determination that an enable flag of a first tool indicates that the first tool is enabled and the combination of the stream profile and the decoder profile indicates a restriction that the first tool is disabled, the first tool may be disabled. In accordance with a determination that the enable flag of the first tool indicates that the first tool is enabled and the combination of the stream profile and the decoder profile does not indicate a restriction that the first tool is disabled, the first tool may be enabled.

[0051] In some embodiments, a combination of the stream profile and one of the at least one decoder profile, or the stream profile itself, or the decode profile itself may indicate a restriction or a capability based on whether to enable a module of the NN-based model. By way of example, the module may comprise a prediction module, a multistage context module, a hyper decoder module, and / or the like. For example, the input of the hyper decoder may comprise reconstructed hyper tensor and model parameters for hyper decoder network, and the output of the hyper decoder may comprise re-shuffled explicit prediction tensor, which is the part of prediction tensor derived from explicitly signaled information. The input of the multistage context module (a.k.a., a multistage context modelling process) may comprise reconstructed residual tensor, which is the output of inverse residual scale process, and re-shuffled explicit prediction tensor, which is the output of the hyper decoder. The output of the multistage context module may comprise reconstructed latent tensor.

[0052] In some further embodiments, a combination of the stream profile and one of the at least one decoder profile, or the stream profile itself, or the decode profile itself may indicate a restriction or a capability based on at least one of the following: a ratio between a height of a primary component and a height of a secondary component of the visual data, a ratio between a width of the primary component and a width of the secondary component, whether the primary component may be present in a reconstruction of the visual data, or whether the secondary component may be present in a reconstruction of the visual data. By way of example, the primary component may be a luma component, and the secondary component may be a chroma component.

[0053] In some embodiments, samples associated with the visual data may be partitioned into a plurality of partitions. In one example embodiment, the samples associated with the visual data may be samples in the visual data. In another example embodiment, the samples associated with the visual data may be samples in a latent representation of the visual data. As used herein, a sample in the latent representation may also be referred to as a latent sample. In a further example embodiment, the samples associated with the visual data may be samples in a residual latent representation of the visual data. As used herein, a sample in the residual latent representation may also be referred to as a residual sample. In a still further example embodiment, the samples associated with the visual data may be samples in a hyper tensor or quantized hyper tensor for the visual data. It should be understood that the possible implementations of the samples associated with the visual data described here are merely illustrative and therefore should not be construed as limiting the present disclosure in any way.

[0054] For example, one of the plurality of partitions may comprise a region or a tile. By way of example, for the hyper decoding process and / or the MCM process, a region cannot be further divided into a plurality of tiles, and in this case, a region may be equivalent to a tile. For the synthesis transform process, a region may be divided into a plurality of tiles. In some embodiments, a partition may be coded independent from other partitions. Alternatively, a partition may be coded dependent on other partitions, e.g., by using samples of other partitions.

[0055] Moreover, a combination of the stream profile and one of the at least one decoder profile, or the stream profile itself, or the decode profile itself may indicate a restriction or a capability based on at least one of the following: a size of one of the plurality of partitions, a size of a substream of the codestream that corresponds to one of the plurality of partitions, or an among of overlap between two of the plurality of partitions. For example, the overlap amount may be restricted to a specific amount, a set of allowed amounts (e.g. {0, 16, 32, 48, 64…} ) , a certain upper limit, a certain lower limit, or the like.

[0056] In some embodiments, the codestream may conform to at least one first level and / or at least one second level. For example, the first level or the second level may be one of the following: a stream level, a master level, a decoder level, a conformance level, an extension level, or the like. For example, a level may be a specified set of constraints imposed on values of the syntax elements in the codestream and / or variables used in the conversion process. Some of these constraints are expressed as simple limits on values, while others take the form of constraints on arithmetic combinations of values. By way of example, a lower level specified may be more constrained than a higher level.

[0057] In some embodiments, the codestream may further comprise at least one third indication indicating the at least one first level to which the codestream conforms, and / or at least one fourth indication indicating the at least one second level to which the codestream conforms. For example, the at least one third indication (e.g., the at least one third indication as a whole, or each of the at least one third indication) may be coded with a fixed number of bits, such as 4 bits, 8 bits, or the like. Alternatively, the at least one third indication may be coded with a variable number of bits. In addition, the at least one fourth indication (e.g., the at least one fourth indication as a whole, or each of the at least one fourth indication) may be coded with a fixed number of bits, such as 4 bits, 8 bits, or the like. Alternatively, the at least one fourth indication may be coded with a variable number of bits.

[0058] In some embodiments, one of the at least one first level, one of the at least one second level, or a combination of the first and second levels indicates a restriction or a capability based on a size of the visual data, such as an upper limit of the size of the visual data, a lower limit of the size of the visual data, and / or the like.

[0059] In some embodiments, one of the at least one first level, one of the at least one second level, or a combination of the first and second levels indicates a restriction or a capability based on the number of threads used in an entropy coding process during the conversion, such as a specific number, one or more allowed values for the number of threads, or an allowed value range of the number of threads. The number of threads may indicate the number of parallel processing units, the number of substreams, or the like.

[0060] In some embodiments, one of the at least one first level, one of the at least one second level, or a combination of the first and second levels indicates a restriction or a capability based on a size of the codestream. In one example embodiment, the size of the codestream may be measured in terms of the number of bits, the number of bits per sample, or the like. Additionally or alternatively, the size of the codestream may be measured between two markers, e.g., JPEG markers or the like. In some further embodiments, one of the at least one first level, one of the at least one second level, or a combination of the first and second levels indicates a restriction or a capability based on a compression ratio of the codestream.

[0061] In some embodiments, one of the at least one first level, one of the at least one second level, or a combination of the first and second levels indicates a restriction or a capability based on a value of a syntax element in the codestream, such as one or more allowed values of the syntax element. For example, the syntax element may indicate whether a tool of the NN-based model is enabled. By way of example, the tool may comprise a residual and variance scale (RVS) tool, a gain unit refinement scale (GRFS) tool, or a latent scale before synthesis (LSBS) tool, a filter, an adaptive filter, a scaling tool, a quantization tool, or the like.

[0062] In some embodiments, one of the at least one first level, one of the at least one second level, or a combination of the first and second levels indicates a restriction or a capability based on whether to enable an NN layer of the NN-based model. For example, the NN layer may comprise a cropping layer, a quantization layer, a normalization layer, an activation layer, and / or the like.

[0063] In some embodiments, one of the at least one first level, one of the at least one second level, or a combination of the first and second levels indicates a restriction or a capability based on whether to enable a tool of the NN-based model. By way of example, the tool may comprise a residual and variance scale (RVS) tool, a gain unit refinement scale (GRFS) tool, or a latent scale before synthesis (LSBS) tool, a filter, an adaptive filter, a scaling tool, or a quantization tool, or the like. In some embodiments, in accordance with a determination that an enable flag of a first tool indicates that the first tool is enabled and the level information indicates a restriction that the first tool is disabled, the first tool may be disabled. In accordance with a determination that the enable flag of the first tool indicates that the first tool is enabled and the level information does not indicate a restriction that the first tool is disabled, the first tool may be enabled.

[0064] In some embodiments, one of the at least one first level, one of the at least one second level, or a combination of the first and second levels indicates a restriction or a capability based on whether to enable a module of the NN-based model. By way of example, the module may comprise a prediction module, a multistage context module, a hyper decoder module, and / or the like.

[0065] In some embodiments, one of the at least one first level, one of the at least one second level, or a combination of the first and second levels indicates a restriction or a capability based on a ratio between a height of a primary component and a height of a secondary component of the visual data, and / or a ratio between a width of the primary component and a width of the secondary component.

[0066] In some further embodiments, samples associated with the visual data may be partitioned into a plurality of partitions. In this case, one of the at least one first level, one of the at least one second level, or a combination of the first and second levels indicates a restriction or a capability based on at least one of the following: a size of one of the plurality of partitions, a size of a substream of the codestream that corresponds to one of the plurality of partitions, or an among of overlap between two of the plurality of partitions.

[0067] In some embodiments, one of the at least one first level, one of the at least one second level, or a combination of the first and second levels may indicate a conformance level, a reconstruction quality, or a deviation. By way of example, the reconstruction quality or the deviation may measure a quality of a reconstruction associated with the visual data. In one example embodiment, a requirement on the quality of the reconstruction may be positively correlated with at least one of the first level or the second level. Alternatively, a requirement on the quality of the reconstruction may be negatively correlated with at least one of the first level or the second level.

[0068] In some embodiments, the at least one first level or the at least one second level may be based on a metric. For example, the metric may comprise a conformance metric, a similarity metric, a deviation metric, and / or the like. In one example embodiment, the deviation metric may measure a deviation from a reference reconstruction associated with the visual data. In this case, the reference reconstruction may be a reconstruction associated with the visual data that is obtained with a reference implementation of a codec. By way of example rather than limitation, the deviation metric may be one of the following: peak signal to noise ratio (PSNR) , mean squared error (MSE) , an average of the number of samples that are different from corresponding samples of the reference reconstruction, or a sum of the number of samples that are different from corresponding samples of the reference reconstruction.

[0069] In some embodiments, the deviation metric may be determined for a region within the reference reconstruction. Alternatively, the deviation metric may be determined for each region within the reference reconstruction. For example, a size of the region may be N×M, and each of N and M may be a positive number. In one example embodiment, N may be equal to M.

[0070] In some embodiments, the reconstruction associated with the visual data may comprise at least one of the following: a reconstruction of the visual data, a reconstruction sample of the visual data, a reconstructed latent representation of the visual data, or a reconstructed residual latent representation of the visual data.

[0071] In some embodiments, the codestream may further comprise at least one fifth indication indicating a value of at least one constant parameter used for the conversion. For example, the at least one constant parameter may comprise a model weight, a multiplicative constant, an additive constant, a threshold of an NN layer, or a descaling parameter applied to a module of the NN-based model. By way of example, one of the at least one constant parameter may be a parameter of a tool used for the conversion, and the tool may comprise a quantization tool, a scaling tool, an RVS tool, an LSBS tool, or the like. In some embodiments, a name of the at least one fifth indication may be version, decoder version, or the like. The scope of the present disclosure is not limited in this respect.

[0072] In some embodiments, the value of the at least one constant parameter may be determined based on a combination of a value of the at least one fifth indication and a value of a sixth indication. For example, a mapping relationship between candidate values of the sixth indication and candidate values of the at least one constant parameter may be determined based on the value of the at least one fifth indication. By way of example rather than limitation, if the value of the fifth indication is equal to a first value, a first mapping table may be used to determine the value of the at least one constant parameter based on the value of a sixth indication. If the value of the fifth indication is equal to a second value, a second mapping table may be used to determine the value of the at least one constant parameter based on the value of a sixth indication. 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.

[0073] In some embodiments, the at least one fifth indication may be a version number, a weights version number, or a constants version number. Additionally or alternatively, the at least one fifth indication may be associated with a profile to which the codestream conforms. In some embodiments, the at least one fifth indication may be coded with a fixed number of bits. Alternatively, the at least one fifth indication may be coded with a variable number of bits. In some embodiments, the number of the fifth indication may be equal to the number of the stream profile or the number of the at least one decoder profile.

[0074] In view of the above, the solutions in accordance with some embodiments of the present disclosure can advantageously improve coding efficiency and coding flexibility.

[0075] 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 codestream of visual data which is generated by a method performed by an apparatus for visual data processing. The method comprises: performing a conversion between the visual data and the codestream with a neural network (NN) -based model, wherein the codestream comprises a first indication indicating a stream profile to which the codestream conforms, and at least one second indication indicating at least one decoder profile to which the codestream conforms.

[0076] According to still further embodiments of the present disclosure, a method for storing codestream of visual data is provided. The method comprises: performing a conversion between the visual data and the codestream with a neural network (NN) -based model; and storing the codestream in a non-transitory computer-readable recording medium, wherein the codestream comprises a first indication indicating a stream profile to which the codestream conforms, and at least one second indication indicating at least one decoder profile to which the codestream conforms.

[0077] 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.

[0078] Clause 1. A method for visual data processing, comprising: performing a conversion between visual data and a codestream of the visual data with a neural network (NN) -based model, wherein the codestream comprises a first indication indicating a stream profile to which the codestream conforms, and at least one second indication indicating at least one decoder profile to which the codestream conforms.

[0079] Clause 2. The method of clause 1, wherein a value of the at least one second indication indicates an identifier of the at least one decoder profile.

[0080] Clause 3. The method of any of clauses 1-2, wherein the first indication is coded with a fixed number of bits, and the at least one second indication is coded with a fixed number of bits.

[0081] Clause 4. The method of any of clauses 1-3, wherein a combination of the stream profile and one of the at least one decoder profile indicates a restriction or a capability based on at least one of the following: a size of the visual data, the number of threads used in an entropy coding process during the conversion, a value of a syntax element in the codestream, whether to enable an NN layer of the NN-based model, whether to enable a tool of the NN-based model, whether to enable a module of the NN-based model, a ratio between a height of a primary component and a height of a secondary component of the visual data, a ratio between a width of the primary component and a width of the secondary component, whether the primary component is present in a reconstruction of the visual data, or whether the secondary component is present in a reconstruction of the visual data.

[0082] Clause 5. The method of clause 4, wherein the syntax element indicates whether a tool of the NN-based model is enabled.

[0083] Clause 6. The method of any of clauses 4-5, wherein the tool comprises at least one of the following: a residual and variance scale (RVS) tool, a gain unit refinement scale (GRFS) tool, or a latent scale before synthesis (LSBS) tool.

[0084] Clause 7. The method of any of clauses 4-6, wherein in accordance with a determination that an enable flag of a first tool indicates that the first tool is enabled and the combination of the stream profile and the decoder profile indicates a restriction that the first tool is disabled, the first tool is disabled.

[0085] Clause 8. The method of any of clauses 4-7, wherein the NN layer comprises at least one of the following: a cropping layer, a quantization layer, a normalization layer, or an activation layer, or wherein the module comprises at least one of the following: a prediction module, a multistage context module, or a hyper decoder module, or wherein the restriction or the capability based on the number of threads indicates one or more allowed values for the number of threads, or wherein the restriction or the capability based on the value of the syntax element indicates one or more allowed values of the syntax element, wherein the tool comprises at least one of the following: a filter, an adaptive filter, a scaling tool, or a quantization tool.

[0086] Clause 9. The method of any of clauses 1-3, wherein samples associated with the visual data are partitioned into a plurality of partitions, and a combination of the stream profile and one of the at least one decoder profile indicates a restriction or a capability based on at least one of the following: a size of one of the plurality of partitions, a size of a substream of the codestream that corresponds to one of the plurality of partitions, or an among of overlap between two of the plurality of partitions.

[0087] Clause 10. The method of any of clauses 1-9, wherein the codestream conforms to at least one of the following: at least one first level, or at least one second level.

[0088] Clause 11. The method of clause 10, wherein the first level or the second level is one of the following: a stream level, a master level, a decoder level, a conformance level, or an extension level.

[0089] Clause 12. The method of any of clauses 10-11, wherein the codestream further comprises at least one of the following: at least one third indication indicating the at least one first level, or at least one fourth indication indicating the at least one second level.

[0090] Clause 13. The method of clause 12, wherein the at least one third indication is coded with a fixed number of bits, or the at least one third indication is coded with a variable number of bits, or the at least one fourth indication is coded with a fixed number of bits, or the at least one fourth indication is coded with a variable number of bits.

[0091] Clause 14. The method of any of clauses 10-13, wherein one of the at least one first level, one of the at least one second level, or a combination of the first and second levels indicates a restriction or a capability based on at least one of the following: a size of the visual data, the number of threads used in an entropy coding process during the conversion, a size of the codestream, a compression ratio of the codestream, a value of a syntax element in the codestream, whether to enable an NN layer of the NN-based model, whether to enable a tool of the NN-based model, whether to enable a module of the NN-based model, a ratio between a height of a primary component and a height of a secondary component of the visual data, or a ratio between a width of the primary component and a width of the secondary component.

[0092] Clause 15. The method of clause 14, wherein the size of the codestream is measured in terms of the number of bits, or the number of bits per sample, or the size of the codestream is measured between two markers, or the syntax element indicates whether a tool of the NN-based model is enabled.

[0093] Clause 16. The method of any of clauses 10-15, wherein samples associated with the visual data are partitioned into a plurality of partitions, and one of the at least one first level, one of the at least one second level, or a combination of the first and second levels indicates a restriction or a capability based on at least one of the following: a size of one of the plurality of partitions, a size of a substream of the codestream that corresponds to one of the plurality of partitions, or an among of overlap between two of the plurality of partitions.

[0094] Clause 17. The method of clause 9 or 16, wherein one of the plurality of partitions comprise a region or a tile.

[0095] Clause 18. The method of any of clauses 10-16, wherein one of the at least one first level, one of the at least one second level, or a combination of the first and second levels indicates a conformance level, a reconstruction quality, or a deviation.

[0096] Clause 19. The method of clause 18, wherein the reconstruction quality or the deviation measures a quality of a reconstruction associated with the visual data.

[0097] Clause 20. The method of clause 19, wherein a requirement on the quality of the reconstruction is positively correlated with at least one of the first level or the second level.

[0098] Clause 21. The method of any of clauses 10-20, wherein the at least one first level or the at least one second level is based on a metric.

[0099] Clause 22. The method of clause 21, wherein the metric comprises at least one of a conformance metric, a similarity metric, or a deviation metric.

[0100] Clause 23. The method of clause 22, wherein the deviation metric measures a deviation from a reference reconstruction associated with the visual data.

[0101] Clause 24. The method of clause 23, wherein the reference reconstruction is a reconstruction associated with the visual data that is obtained with a reference implementation of a codec.

[0102] Clause 25. The method of any of clauses 23-24, wherein the deviation metric is one of the following: peak signal to noise ratio (PSNR) , mean squared error (MSE) , an average of the number of samples that are different from corresponding samples of the reference reconstruction, or a sum of the number of samples that are different from corresponding samples of the reference reconstruction.

[0103] Clause 26. The method of any of clauses 23-25, wherein the deviation metric is determined for a region within the reference reconstruction, or the deviation metric is determined for each region within the reference reconstruction.

[0104] Clause 27. The method of clause 26, wherein a size of the region is N×M, and each of N and M is a positive number.

[0105] Clause 28. The method of clause 19 or 24, wherein the reconstruction associated with the visual data comprises at least one of the following: a reconstruction of the visual data, a reconstruction sample of the visual data, a reconstructed latent representation of the visual data, or a reconstructed residual latent representation of the visual data.

[0106] Clause 29. The method of any of clauses 1-28, wherein the codestream further comprises at least one fifth indication indicating a value of at least one constant parameter used for the conversion.

[0107] Clause 30. The method of clause 29, wherein the at least one constant parameter comprises at least one of the following: a model weight, a multiplicative constant, an additive constant, a threshold of an NN layer, or a descaling parameter applied to a module of the NN-based model.

[0108] Clause 31. The method of any of clauses 29-30, wherein one of the at least one constant parameter is a parameter of a tool used for the conversion, and the tool comprises at least one of the following: a quantization tool, a scaling tool, an RVS tool, or an LSBS tool.

[0109] Clause 32. The method of any of clauses 29-31, wherein a name of the at least one fifth indication is version or decoder version.

[0110] Clause 33. The method of any of clauses 29-32, wherein the value of the at least one constant parameter is determined based on a combination of a value of the at least one fifth indication and a value of a sixth indication.

[0111] Clause 34. The method of clause 33, wherein a mapping relationship between candidate values of the sixth indication and candidate values of the at least one constant parameter is determined based on the value of the at least one fifth indication.

[0112] Clause 35. The method of any of clauses 29-34, wherein the at least one fifth indication is a version number, a weights version number, or a constants version number.

[0113] Clause 36. The method of any of clauses 29-35, wherein the at least one fifth indication is associated with a profile to which the codestream conforms.

[0114] Clause 37. The method of any of clauses 29-36, wherein the at least one fifth indication is coded with a fixed number of bits, or the at least one fifth indication is coded with a variable number of bits.

[0115] Clause 38. The method of any of clauses 29-37, wherein the number of the fifth indication is equal to the number of the stream profile or the number of the at least one decoder profile.

[0116] Clause 39. The method of any of clauses 1-38, wherein the visual data comprise a picture of a video, or an image.

[0117] Clause 40. The method of any of clauses 1-39, wherein the conversion includes encoding the visual data into the codestream.

[0118] Clause 41. The method of any of clauses 1-39, wherein the conversion includes decoding the visual data from the codestream.

[0119] Clause 42. 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 1-41.

[0120] Clause 43. A non-transitory computer-readable storage medium storing instructions that cause a processor to perform a method in accordance with any of clauses 1-41.

[0121] Clause 44. A non-transitory computer-readable recording medium storing a codestream of visual data which is generated by a method performed by an apparatus for visual data processing, wherein the method comprises: performing a conversion between the visual data and the codestream with a neural network (NN) -based model, wherein the codestream comprises a first indication indicating a stream profile to which the codestream conforms, and at least one second indication indicating at least one decoder profile to which the codestream conforms.

[0122] Clause 45. A method for storing a codestream of visual data, comprising: performing a conversion between the visual data and the codestream with a neural network (NN) -based model; and storing the codestream in a non-transitory computer-readable recording medium, wherein the codestream comprises a first indication indicating a stream profile to which the codestream conforms, and at least one second indication indicating at least one decoder profile to which the codestream conforms. Example Device

[0123] Fig. 10 illustrates a block diagram of a computing device 1000 in which various embodiments of the present disclosure can be implemented. The computing device 1000 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) .

[0124] It would be appreciated that the computing device 1000 shown in Fig. 10 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.

[0125] As shown in Fig. 10, the computing device 1000 includes a general-purpose computing device 1000. The computing device 1000 may at least comprise one or more processors or processing units 1010, a memory 1020, a storage unit 1030, one or more communication units 1040, one or more input devices 1050, and one or more output devices 1060.

[0126] In some embodiments, the computing device 1000 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 1000 can support any type of interface to a user (such as “wearable” circuitry and the like) .

[0127] The processing unit 1010 may be a physical or virtual processor and can implement various processes based on programs stored in the memory 1020. 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 1000. The processing unit 1010 may also be referred to as a central processing unit (CPU) , a microprocessor, a controller or a microcontroller.

[0128] The computing device 1000 typically includes various computer storage medium. Such medium can be any medium accessible by the computing device 1000, including, but not limited to, volatile and non-volatile medium, or detachable and non-detachable medium. The memory 1020 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 1030 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 1000.

[0129] The computing device 1000 may further include additional detachable / non-detachable, volatile / non-volatile memory medium. Although not shown in Fig. 10, 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.

[0130] The communication unit 1040 communicates with a further computing device via the communication medium. In addition, the functions of the components in the computing device 1000 can be implemented by a single computing cluster or multiple computing machines that can communicate via communication connections. Therefore, the computing device 1000 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.

[0131] The input device 1050 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 1060 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 1040, the computing device 1000 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 1000, or any devices (such as a network card, a modem and the like) enabling the computing device 1000 to communicate with one or more other computing devices, if required. Such communication can be performed via input / output (I / O) interfaces (not shown) .

[0132] In some embodiments, instead of being integrated in a single device, some or all components of the computing device 1000 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 be 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.

[0133] The computing device 1000 may be used to implement visual data encoding / decoding in embodiments of the present disclosure. The memory 1020 may include one or more visual data coding modules 1025 having one or more program instructions. These modules are accessible and executable by the processing unit 1010 to perform the functionalities of the various embodiments described herein.

[0134] In the example embodiments of performing visual data encoding, the input device 1050 may receive visual data as an input 1070 to be encoded. The visual data may be processed, for example, by the visual data coding module 1025, to generate an encoded bitstream. The encoded bitstream may be provided via the output device 1060 as an output 1080.

[0135] In the example embodiments of performing visual data decoding, the input device 1050 may receive an encoded bitstream as the input 1070. The encoded bitstream may be processed, for example, by the visual data coding module 1025, to generate decoded visual data. The decoded visual data may be provided via the output device 1060 as the output 1080.

[0136] 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:performing a conversion between visual data and a codestream of the visual data with a neural network (NN) -based model, wherein the codestream comprises a first indication indicating a stream profile to which the codestream conforms, and at least one second indication indicating at least one decoder profile to which the codestream conforms.2.The method of claim 1, wherein a value of the at least one second indication indicates an identifier of the at least one decoder profile.3.The method of any of claims 1-2, wherein the first indication is coded with a fixed number of bits, and the at least one second indication is coded with a fixed number of bits.4.The method of any of claims 1-3, wherein a combination of the stream profile and one of the at least one decoder profile indicates a restriction or a capability based on at least one of the following:a size of the visual data,the number of threads used in an entropy coding process during the conversion,a value of a syntax element in the codestream,whether to enable an NN layer of the NN-based model,whether to enable a tool of the NN-based model,whether to enable a module of the NN-based model,a ratio between a height of a primary component and a height of a secondary component of the visual data,a ratio between a width of the primary component and a width of the secondary component,whether the primary component is present in a reconstruction of the visual data, orwhether the secondary component is present in a reconstruction of the visual data.5.The method of claim 4, wherein the syntax element indicates whether a tool of the NN-based model is enabled.6.The method of any of claims 4-5, wherein the tool comprises at least one of the following:a residual and variance scale (RVS) tool,a gain unit refinement scale (GRFS) tool, ora latent scale before synthesis (LSBS) tool.7.The method of any of claims 4-6, wherein in accordance with a determination that an enable flag of a first tool indicates that the first tool is enabled and the combination of the stream profile and the decoder profile indicates a restriction that the first tool is disabled, the first tool is disabled.8.The method of any of claims 4-7, wherein the NN layer comprises at least one of the following: a cropping layer, a quantization layer, a normalization layer, or an activation layer, orwherein the module comprises at least one of the following: a prediction module, a multistage context module, or a hyper decoder module, orwherein the restriction or the capability based on the number of threads indicates one or more allowed values for the number of threads, orwherein the restriction or the capability based on the value of the syntax element indicates one or more allowed values of the syntax element,wherein the tool comprises at least one of the following: a filter, an adaptive filter, a scaling tool, or a quantization tool.9.The method of any of claims 1-3, wherein samples associated with the visual data are partitioned into a plurality of partitions, and a combination of the stream profile and one of the at least one decoder profile indicates a restriction or a capability based on at least one of the following:a size of one of the plurality of partitions,a size of a substream of the codestream that corresponds to one of the plurality of partitions, oran among of overlap between two of the plurality of partitions.10.The method of any of claims 1-9, wherein the codestream conforms to at least one of the following:at least one first level, orat least one second level.11.The method of claim 10, wherein the first level or the second level is one of the following: a stream level, a master level, a decoder level, a conformance level, or an extension level.12.The method of any of claims 10-11, wherein the codestream further comprises at least one of the following:at least one third indication indicating the at least one first level, orat least one fourth indication indicating the at least one second level.13.The method of claim 12, wherein the at least one third indication is coded with a fixed number of bits, orthe at least one third indication is coded with a variable number of bits, orthe at least one fourth indication is coded with a fixed number of bits, orthe at least one fourth indication is coded with a variable number of bits.14.The method of any of claims 10-13, wherein one of the at least one first level, one of the at least one second level, or a combination of the first and second levels indicates a restriction or a capability based on at least one of the following:a size of the visual data,the number of threads used in an entropy coding process during the conversion,a size of the codestream,a compression ratio of the codestream,a value of a syntax element in the codestream,whether to enable an NN layer of the NN-based model,whether to enable a tool of the NN-based model,whether to enable a module of the NN-based model,a ratio between a height of a primary component and a height of a secondary component of the visual data, ora ratio between a width of the primary component and a width of the secondary component.15.The method of claim 14, wherein the size of the codestream is measured in terms of the number of bits, or the number of bits per sample, orthe size of the codestream is measured between two markers, orthe syntax element indicates whether a tool of the NN-based model is enabled.16.The method of any of claims 10-15, wherein samples associated with the visual data are partitioned into a plurality of partitions, and one of the at least one first level, one of the at least one second level, or a combination of the first and second levels indicates a restriction or a capability based on at least one of the following:a size of one of the plurality of partitions,a size of a substream of the codestream that corresponds to one of the plurality of partitions, oran among of overlap between two of the plurality of partitions.17.The method of claim 9 or 16, wherein one of the plurality of partitions comprise a region or a tile.18.The method of any of claims 10-16, wherein one of the at least one first level, one of the at least one second level, or a combination of the first and second levels indicates a conformance level, a reconstruction quality, or a deviation.19.The method of claim 18, wherein the reconstruction quality or the deviation measures a quality of a reconstruction associated with the visual data.20.The method of claim 19, wherein a requirement on the quality of the reconstruction is positively correlated with at least one of the first level or the second level.21.The method of any of claims 10-20, wherein the at least one first level or the at least one second level is based on a metric.22.The method of claim 21, wherein the metric comprises at least one of a conformance metric, a similarity metric, or a deviation metric.23.The method of claim 22, wherein the deviation metric measures a deviation from a reference reconstruction associated with the visual data.24.The method of claim 23, wherein the reference reconstruction is a reconstruction associated with the visual data that is obtained with a reference implementation of a codec.25.The method of any of claims 23-24, wherein the deviation metric is one of the following:peak signal to noise ratio (PSNR) ,mean squared error (MSE) ,an average of the number of samples that are different from corresponding samples of the reference reconstruction, ora sum of the number of samples that are different from corresponding samples of the reference reconstruction.26.The method of any of claims 23-25, wherein the deviation metric is determined for a region within the reference reconstruction, orthe deviation metric is determined for each region within the reference reconstruction.27.The method of claim 26, wherein a size of the region is N×M, and each of N and M is a positive number.28.The method of claim 19 or 24, wherein the reconstruction associated with the visual data comprises at least one of the following:a reconstruction of the visual data,a reconstruction sample of the visual data,a reconstructed latent representation of the visual data, ora reconstructed residual latent representation of the visual data.29.The method of any of claims 1-28, wherein the codestream further comprises at least one fifth indication indicating a value of at least one constant parameter used for the conversion.30.The method of claim 29, wherein the at least one constant parameter comprises at least one of the following:a model weight,a multiplicative constant,an additive constant,a threshold of an NN layer, ora descaling parameter applied to a module of the NN-based model.31.The method of any of claims 29-30, wherein one of the at least one constant parameter is a parameter of a tool used for the conversion, and the tool comprises at least one of the following:a quantization tool,a scaling tool,an RVS tool, oran LSBS tool.32.The method of any of claims 29-31, wherein a name of the at least one fifth indication is version or decoder version.33.The method of any of claims 29-32, wherein the value of the at least one constant parameter is determined based on a combination of a value of the at least one fifth indication and a value of a sixth indication.34.The method of claim 33, wherein a mapping relationship between candidate values of the sixth indication and candidate values of the at least one constant parameter is determined based on the value of the at least one fifth indication.35.The method of any of claims 29-34, wherein the at least one fifth indication is a version number, a weights version number, or a constants version number.36.The method of any of claims 29-35, wherein the at least one fifth indication is associated with a profile to which the codestream conforms.37.The method of any of claims 29-36, wherein the at least one fifth indication is coded with a fixed number of bits, orthe at least one fifth indication is coded with a variable number of bits.38.The method of any of claims 29-37, wherein the number of the fifth indication is equal to the number of the stream profile or the number of the at least one decoder profile.39.The method of any of claims 1-38, wherein the visual data comprise a picture of a video, or an image.40.The method of any of claims 1-39, wherein the conversion includes encoding the visual data into the codestream.41.The method of any of claims 1-39, wherein the conversion includes decoding the visual data from the codestream.42.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 1-41.43.A non-transitory computer-readable storage medium storing instructions that cause a processor to perform a method in accordance with any of claims 1-41.44.A non-transitory computer-readable recording medium storing a codestream of visual data which is generated by a method performed by an apparatus for visual data processing, wherein the method comprises:performing a conversion between the visual data and the codestream with a neural network (NN) -based model, wherein the codestream comprises a first indication indicating a stream profile to which the codestream conforms, and at least one second indication indicating at least one decoder profile to which the codestream conforms.45.A method for storing a codestream of visual data, comprising:performing a conversion between the visual data and the codestream with a neural network (NN) -based model; andstoring the codestream in a non-transitory computer-readable recording medium,wherein the codestream comprises a first indication indicating a stream profile to which the codestream conforms, and at least one second indication indicating at least one decoder profile to which the codestream conforms.

Images