Blended candidates for cross-component model merge mode

Abstract

A video coder constructs one or more cross-component prediction (CCP) merge candidate lists for a current block in a current picture of a video having a first-color block and a second-color block. The candidate lists comprise one or more regular candidates and one or more blended candidates. Each regular candidate is associated with a set of CCP parameters and each blended candidate indicates two or more regular candidates. The video coder selects a blended candidate from the one or more CCP merge candidate lists. The video coder generates a blended prediction of the second-color block based on two or more cross-component predictions that are generated by applying the two or more regular candidates indicated by the selected blended candidate to a reconstruction of the first-color block by intra-prediction referring to samples adjacent to or neighboring the current block. The video coder uses the generated blended prediction to encode or decode the current block.

Description

BLENDED CANDIDATES FOR CROSS-COMPONENT MODEL MERGE MODECROSS REFERENCE TO RELATED PATENT APPLICATION (S)

[0001] The present disclosure is part of a non-provisional application that claims the priority benefit of U.S. Provisional Patent Application No. 63 / 623,353, filed on 22 January 2024. Content of above-listed application is herein incorporated by reference.TECHNICAL FIELD

[0002] The present disclosure relates generally to video coding. In particular, the present disclosure relates to methods of coding pixel blocks by cross-component prediction.BACKGROUND

[0003] Unless otherwise indicated herein, approaches described in this section are not prior art to the claims listed below and are not admitted as prior art by inclusion in this section.

[0004] High-Efficiency Video Coding (HEVC) is an international video coding standard developed by the Joint Collaborative Team on Video Coding (JCT-VC) . HEVC is based on the hybrid block-based motion-compensated DCT-like transform coding architecture. The basic unit for compression, termed coding unit (CU) , is a 2Nx2N square block of pixels, and each CU can be recursively split into four smaller CUs until the predefined minimum size is reached. Each CU contains one or multiple prediction units (PUs) .

[0005] Versatile video coding (VVC) is the latest international video coding standard developed by the Joint Video Expert Team (JVET) of ITU-T SG16 WP3 and ISO / IEC JTC1 / SC29 / WG11. The input video signal is predicted from the reconstructed signal, which is derived from the coded picture regions. The prediction residual signal is processed by a block transform. The transform coefficients are quantized and entropy coded together with other side information in the bitstream. The reconstructed signal is generated from the prediction signal and the reconstructed residual signal after inverse transform on the de-quantized transform coefficients. The reconstructed signal is further processed by in-loop filtering for removing coding artifacts. The decoded pictures are stored in the frame buffer for predicting the future pictures in the input video signal.

[0006] In VVC, a coded picture is partitioned into non-overlapped square block regions represented by the associated coding tree units (CTUs) . The leaf nodes of a coding tree correspond to the coding units (CUs) . A coded picture can be represented by a collection of slices, each comprising an integer number of CTUs. The individual CTUs in a slice are processed in raster-scan order. A bi-predictive (B) slice may be decoded using intra prediction or inter prediction with at most two motion vectors (MVs) and reference indices to predict the sample values of each block. A predictive (P) slice is decoded using intra prediction or inter prediction with at most one motion vector and reference index to predict the sample values of each block. An intra (I) slice is decoded using intra prediction only.

[0007] A CTU can be partitioned into one or multiple non-overlapped coding units (CUs) using the quadtree (QT) with nested multi-type-tree (MTT) structure to adapt to various local motion and texture characteristics. A CU can be further split into smaller CUs using one of the five split types: quad-tree partitioning, vertical binary tree partitioning, horizontal binary tree partitioning, vertical center-side triple-tree partitioning, horizontal center-side triple-tree partitioning.

[0008] Each CU contains one or more prediction units (PUs) . The prediction unit, together with the associated CU syntax, works as a basic unit for signaling the predictor information. The specified prediction process is employed to predict the values of the associated pixel samples inside the PU. Each CU may contain one or more transform units (TUs) for representing the prediction residual blocks. A transform unit (TU) is comprised of a transform block (TB) of luma samples and two corresponding transform blocks of chroma samples and each TB correspond to one residual block of samples from one color component. An integer transform is applied to a transform block. The level values of quantized coefficients together with other side information are entropy coded in the bitstream. The terms coding tree block (CTB) , coding block (CB) , prediction block (PB) , and transform block (TB) are defined to specify the 2-D sample array of one-color component associated with CTU, CU, PU, and TU, respectively. Thus, a CTU consists of one luma CTB, two chroma CTBs, and associated syntax elements. A similar relationship is valid for CU, PU, and TU.

[0009] For each inter-predicted CU, motion parameters consisting of motion vectors, reference picture indices and reference picture list usage index, and additional information are used for inter-predicted sample generation. The motion parameter can be signalled in an explicit or implicit manner. When a CU is coded with skip mode, the CU is associated with one PU and has no significant residual coefficients, no coded motion vector delta or reference picture index. A merge mode is specified whereby the motion parameters for the current CU are obtained from neighbouring CUs, including spatial and temporal candidates, and additional schedules introduced in VVC. The merge mode can be applied to any inter-predicted CU. The alternative to merge mode is the explicit transmission of motion parameters, where motion vector, corresponding reference picture index for each reference picture list and reference picture list usage flag and other needed information are signalled explicitly per each CU.

[0010] Intra block copy (IBC) or current picture referencing (CPR) refer to coding pixel blocks by referencing pixel positions within same current picture as the current block by using block vectors.SUMMARY

[0011] The following summary is illustrative only and is not intended to be limiting in any way. That is, the following summary is provided to introduce concepts, highlights, benefits and advantages of the novel and non-obvious techniques described herein. Select and not all implementations are further described below in the detailed description. Thus, the following summary is not intended to identify essential features of the claimed subject matter, nor is it intended for use in determining the scope of the claimed subject matter.

[0012] Some embodiments of the disclosure provide methods for using blended cross-component prediction to encode or decode a video block. A video coder receives data to be encoded or decoded as a current block of pixels of a current picture of a video. The current block comprises a first-color block and a second-color block. The video coder constructs one or more cross-component prediction (CCP) merge candidate lists for the current block, the candidate lists comprising one or more regular candidates and one or more blended candidates. Each regular candidate is associated with a set of CCP parameters and each blended candidate indicates two or more regular candidates. The video coder selects a candidate from the one or more CCP merge candidate lists. The video coder generates a prediction of the second-color block based on the selected candidate, wherein if the selected candidate is a blended candidate, the prediction is generated based on two or more cross-component predictions that are generated by applying the two or more regular candidates indicated by the selected blended candidate to a reconstruction of the first-color block by intra prediction. The video coder uses the generated prediction to encode or decode the current block.

[0013] In some embodiments, two or more CCP merge candidate lists are constructed for the current block, the CCP merge candidate lists comprising one or more regular candidates and one or more blended candidates, and the candidate is selected from one of the two or more CCP merge candidate lists. In some embodiments, a flag is signaled to indicate which one of the two or more CCP merge candidate lists the candidate is selected from.

[0014] In some embodiments, the blended candidate indicates the two or more regular candidates by providing their indices assigned for one of the one or more CCP merge candidate lists. In some embodiments, the two or more regular candidates indicated by the blended candidates are constrained to not be linear models. In some embodiments, the two or more regular candidates indicated by the blended candidates are constrained to use non-downsampled luma samples as inputs, or constrained to not be linear models unless at least one of the indicated regular candidate uses non-downsampled luma samples as inputs.

[0015] In some embodiments, the two or more regular candidates indicated by the blended candidates are constrained to be candidates inherited from a position neighboring the current block or from a history table. In some embodiments, the two or more regular candidates indicated by the blended candidates are constrained to be candidates in one of the one or more CCP merge candidate lists. In some embodiments, the two or more regular candidates indicated by the blended candidates are constrained to not include default candidates with default parameters.

[0016] In some embodiments, the blended candidates are inserted into one of the one or more CCP merge candidate list after regular candidates that are not default candidates and before default candidates. In some embodiments, the regular candidates in one of the one or more CCP merge candidate lists are reordered prior to the blended candidates being inserted to the list. In some embodiments, the one of the one or more CCP merge candidate lists is reordered entirely after the blended candidates are inserted to the list. In some embodiments, each blended candidate is inserted into one of the one or more CCP merge candidate lists according to an order that is determined based on costs of the blended candidates.

[0017] In some embodiments, the two CCP merge candidate lists are constructed and are organized as a first list having only the regular candidates and a second list having only the blended candidates. The second list is constructed after the first list is constructed and reordered based on (template) costs of the candidates in the first list. The first and second lists may have a same size or may have different sizes. The two or more regular candidates indicated by each blended candidate in the second list may be constrained to be candidates in the first list. A blended candidate in the second list may indicate its two or more regular candidates by using indices of the first list. In some embodiments, the blended candidates in the second list are constrained to indicate only regular candidates in the first list that are not default candidates. In some embodiments, the blended candidates in the second list are reordered based on costs of the candidates in the second list, and a blended candidate having the lowest cost in the second list may be selected implicitly without signaling.

[0018] In some embodiments, each blended candidate is inserted into one of the one or more CCP merge candidate list according to an order that is determined based on the indices of the two or more regular candidates indicated by the blended candidate. The indices of the regular candidates may be determined for the CCP merge candidate list based on costs of the candidates.

[0019] In some embodiments, a flag is signaled to indicate which of the first and second lists is used for predicting the current block. (If blended prediction cannot be used, then the flag can be skipped and not signaled. ) In some embodiments, the video coder selects a blended candidate by signaling a candidate index to indicate a location of the blended candidate in the second list.

[0020] In some embodiments, the two or more regular candidates (or their CCP parameters) are applied to a reconstruction of the first-color block by intra-prediction (that refers to samples adjacent to or neighboring the current block) to generate the two or more cross-component predictions. The two or more cross-component predictions may be weighted equally when generating the blended prediction.

[0021] In some embodiments, the video coder also stores, for the current block, the set of CCP parameters associated with one of the two or more regular candidates indicated by the selected blended candidate, for referencing by a subsequent block. The set of CCP parameters of the one of the two or more regular candidates may be chosen based on its cost or its cross-component prediction type.BRIEF DESCRIPTION OF THE DRAWINGS

[0022] The accompanying drawings are included to provide a further understanding of the present disclosure, and are incorporated in and constitute a part of the present disclosure. The drawings illustrate implementations of the present disclosure and, together with the description, serve to explain the principles of the present disclosure. It is appreciable that the drawings are not necessarily in scale as some components may be shown to be out of proportion than the size in actual implementation in order to clearly illustrate the concept of the present disclosure.

[0023] FIG. 1 illustrates 67 intra predictions modes, including 65 directional or angular intra prediction modes (from 2 to 66) .

[0024] FIG. 2 shows an example of classifying the neighbouring samples into two groups for multiple model cross-component linear model (CCLM) .

[0025] FIG. 3 illustrates a reference area that is used to derive CCCM filter coefficients.

[0026] FIG. 4 shows a 3x2 filter for predicting a chroma sample based on six non-down-sampled neighboring luma samples.

[0027] FIG. 5 illustrates an InterCCCM process at the decoder side. The cross-component filters are derived using the prediction blocks of luma and chroma.

[0028] FIG. 6 illustrates the neighboring template for calculating model error.

[0029] FIG. 7 illustrates an example cross-component prediction (CCP) merge candidate list that has blended candidates inserted after inherited candidates but before default candidates.

[0030] FIGS. 8A-C illustrate reordering of a CCP merge candidate list with blended candidates.

[0031] FIG. 9 illustrates an example video encoder that may implement blended cross-component prediction.

[0032] FIG. 10 illustrates portions of the video encoder that implement cross-component prediction blending.

[0033] FIG. 11 conceptually illustrates a process for using one or more CCP merge candidate lists that include blended candidates to encode a pixel block.

[0034] FIG. 12 illustrates an example video decoder that may implement blended cross-component prediction.

[0035] FIG. 13 illustrates portions of the video decoder that implement cross-component prediction blending.

[0036] FIG. 14 conceptually illustrates a process for using one or more CCP merge candidate lists that include blended candidates to decode a pixel block.

[0037] FIG. 15 conceptually illustrates an electronic system with which some embodiments of the present disclosure are implemented.DETAILED DESCRIPTION

[0038] In the following detailed description, numerous specific details are set forth by way of examples in order to provide a thorough understanding of the relevant teachings. Any variations, derivatives and / or extensions based on teachings described herein are within the protective scope of the present disclosure. In some instances, well-known methods, procedures, components, and / or circuitry pertaining to one or more example implementations disclosed herein may be described at a relatively high level without detail, in order to avoid unnecessarily obscuring aspects of teachings of the present disclosure. I.Intra Prediction

[0039] A. Intra Prediction Modes and MPMs

[0040] Intra-prediction method exploits one or more reference lines adjacent to the current prediction unit (PU) and one of the intra-prediction modes to generate the predictors for the current PU.The Intra-prediction direction can be chosen among a mode set containing multiple prediction directions, DC mode, and Planar mode. The intra prediction mode may also refer to any intra mode which determines the predictor of the current block using the spatially reconstructed samples. The number of directional intra modes may be 33 or extended to 65 direction modes. By including DC and Planar modes, the number of intra-prediction mode is 35 or extended to 67. FIG. 1 illustrates 67 intra predictions modes, including 65 directional or angular intra prediction modes (from 2 to 66) .

[0041] Some intra-prediction modes (e.g., 3 or 5) are identified as a set of most probable modes (MPM) for intra-prediction in current prediction block so an index may be signaled to select one of the MPMs.

[0042] B. Position Dependent Intra Prediction Combination (PDPC)

[0043] In VVC, the results of intra prediction of DC, planar and several angular modes may be further modified by a position dependent intra prediction combination (PDPC) method. PDPC is an intra prediction method which invokes a combination of the boundary reference samples and HEVC style intra prediction with filtered boundary reference samples. PDPC may be applied to the following intra modes without signaling: planar, DC, intra angles less than or equal to horizontal, and intra angles greater than or equal to vertical and less than or equal to 80. If the current block is Bdpcm mode or multi-reference line (MRL) index is larger than 0, PDPC is not applied.

[0044] C. Template-based Intra mode Derivation (TIMD)

[0045] For mode selection, template matching method can be applied by computing the cost between reconstructed samples and predicting samples. One of the examples is template-based intra mode derivation (TIMD) . TIMD is a coding method in which the intra prediction mode of a CU is implicitly derived by using a neighboring template at both encoder and decoder, instead of the encoder signaling the exact intra prediction mode to the decoder.

[0046] For each intra prediction mode in MPMs, as well as the wide-angle modes if the above-right and / or bottom-left reference samples are available, SATD between the prediction and reconstruction samples of the template is calculated as cost. First two intra prediction modes with the minimum SATD are selected as the TIMD modes. These two TIMD modes are fused with the weights after applying PDPC process, and such weighted intra prediction is used to code the current CU. Position dependent intra prediction combination (PDPC) is included in the derivation of the TIMD modes. II. Cross-Component Model Prediction

[0047] A. Cross-Component Linear Model Prediction (CCLM)

[0048] To reduce the cross-component redundancy, a cross-component linear model (CCLM) prediction mode may be used in video coding, for which the chroma samples are predicted based on the reconstructed luma samples of the same CU by using a linear model as follows: predC (i, j ) = α·recL′ (i, j) + β

[0049] where predC (i, j) represents the predicted chroma samples in a CU and recL′ (i, j) represents the downsampled reconstructed luma samples of the same CU.

[0050] B. Multiple Model CCLM

[0051] Multiple model CCLM mode (MMLM) is for using two linear models to predict the chroma samples from the luma samples for the whole CU. In MMLM, neighbouring luma samples and neighbouring chroma samples of the current block are classified into two groups, each group is used as a training set to derive a linear model (i.e., a particular α and β are derived for a particular group) . Furthermore, the samples of the current luma block are also classified based on the same rule for the classification of neighbouring luma samples.

[0052] FIG. 2 shows an example of classifying the neighbouring samples into two groups for multiple model cross-component linear model (CCLM) . Threshold is calculated as the average value of the neighbouring reconstructed luma samples. A neighbouring sample with Rec′L [x, y] <=Threshold is classified into group 1; while a neighbouring sample with Rec′L [x, y] > Threshold is classified into group 2. PredC [x, y] = α1 × Rec′L [x, y] + β1 if Rec′L [x, y] ≤ Threshold PredC [x, y] = α2 × Rec′L [x, y] + β2 if Rec′L [x, y] > Threshold

[0053] C. Convolutional Cross-Component Model (CCCM)

[0054] Convolutional cross-component model (CCCM) may be applied to predict chroma samples from reconstructed luma samples in a similar manner as CCLM. As with CCLM, the reconstructed luma samples are down-sampled to match the lower resolution chroma grid when chroma sub-sampling is used. Similar to CCLM top, left or top and left reference samples are used as templates for model derivation.

[0055] A convolutional 7-tap filter for CCCM has a 5-tap plus sign shape spatial component, a nonlinear term and a bias term. The input to the spatial 5-tap component of the filter consists of a center (C) luma sample which is collocated with the chroma sample to be predicted and its above / north (N) , below / south (S) , left / west (W) and right / east (E) neighboring samples.

[0056] The nonlinear term P is represented as power of two of the center luma sample C and scaled to the sample value range of the content: P = (C*C + midVal ) >> bitDepth

[0057] That is, for 10-bit content it is calculated as: P = (C*C + 512 ) >> 10

[0058] Output of the filter is calculated as a convolution between the filter coefficients ci and the input values and clipped to the range of valid chroma samples: predChromaVal = c0C + c1N + c2S + c3E + c4W + c5P + c6B

[0059] The bias term B represents a scalar offset between the input and output (similarly to the offset term in CCLM) and is set to middle chroma value (512 for 10-bit content) . The filter coefficients ci are calculated by minimising MSE between predicted and reconstructed chroma samples in the reference area.

[0060] FIG. 3 illustrates a reference area 300 that is used to derive CCCM filter coefficients. As illustrated, the reference area consists of 2 or 6 lines of chroma samples above and left of the PU. Whether to use 6 lines or 2 lines of neighbouring samples to derive the CCCM model parameters in the single model CCCM is determined by a template cost. Similarly, for the multi-model CCCM mode, the two candidates use 6 lines neighboring luma samples or luma samples collocated to the current chroma block to derive mean values which separate samples into two groups. The cost is derived by applying the candidate CCP (either 2 or 6 lines) on a template, calculating the sum of absolute difference (SAD) between CCP predicted samples and reconstructed samples in the template.

[0061] The reference area 300 extends one PU width to the right and one PU height below the PU boundaries. Area is adjusted to include only available samples. The extensions to the area (labeled as “extended area” ) are needed to support the “side samples” of the plus shaped spatial filter and are padded when in unavailable areas. Reference sample values just outside of the top-left corner of the PU are used as the offsets (offsetLuma, offsetCb and offsetCr) for simplicity. The samples values used in both model creation and final prediction (i.e., luma and chroma in the reference area, and luma in the current PU) are reduced by these fixed values, as follows: C'= C –offsetLuma N'= N –offsetLuma S'= S –offsetLuma E'= E –offsetLuma W'= W –offsetLuma P'= nonLinear (C') B = midValue = 1 << (bitDepth -1)

[0062] and the chroma value is predicted using the following equation, where offsetChroma is equal to offsetCr and offsetCb for Cr and Cb components, respectively: predChromaVal = c0C' + c1N' + c2S' + c3E' + c4W'  + c5P' + c6B + offsetChroma

[0063] CCCM mode with 3x2 filter using non-downsampled luma samples may be used. FIG. 4 shows a 3x2 filter for predicting a chroma sample based on six non-down-sampled  neighboring luma samples. The 3x2 filter has 6-tap spatial terms, four nonlinear terms and a bias term. The 6-tap spatial terms correspond to 6 neighboring luma samples (i.e., L0, L1, …, L5) around the chroma sample (i.e., C) to be predicted, the four non-linear terms are derived from the samples L0, L1, L2, and L3. The chroma sample C is predicted by the 3x2 filter according to the following:

[0064] where αi is the coefficient, β is the offset. CCCM with multiple down-sampling filters may be applied to a group of reconstructed luma samples in a CCCM.

[0065] D. Gradient Linear Model

[0066] For YUV 4: 2: 0 color format, a gradient linear model (GLM) method can be used to predict the chroma samples from luma sample gradients. Two modes are supported: a two-parameter GLM mode and a three-parameter GLM mode. Compared with the CCLM, instead of down-sampled luma values, the two-parameter GLM utilizes luma sample gradients to derive the linear model. Specifically, when the two-parameter GLM is applied, the input to the CCLM process, i.e., the down-sampled luma samples L, are replaced by luma sample gradients G. The other parts of the CCLM (e.g., parameter derivation, prediction sample linear transform) are kept unchanged. C = α ·G + β

[0067] In the three-parameter GLM, a chroma sample can be predicted based on both the luma sample gradients and down-sampled luma values with different parameters. The model parameters of the three-parameter GLM are derived from 6 rows and columns adjacent samples by the LDL decomposition based MSE minimization method as used in the CCCM. C = α0 ·G + α1 ·L + α2 ·β

[0068] E. InterCCCM

[0069] InterCCCM applies the CCCM method for predicting chroma samples from reconstructed luma samples when the CU uses inter prediction or intra block copy (IBC) . FIG. 5 illustrates an InterCCCM process at the decoder side. The cross-component filters are derived using the prediction blocks of luma and chroma. The derived filters are applied to the reconstructed luma block and blended with the prediction blocks of chroma to produce the final chroma prediction blocks. In the blending process the filtered reconstructed luma blocks use blending weight of 0.75 and chroma prediction blocks use blending weight of 0.25.

[0070] An 8-tap filter having input taps for 6 luma samples, a nonlinear term, and a bias term may be used to obtain the predicted chroma value according to: predChromaVal = c0 L0+ c1L1 + c2L2 + c3L3 + c4L4 + c5L5 + c6 nonlinear ( (L0+L3+1) >> 1) + c7 B

[0071] The spatial luma samples (L0, …, L5) are obtained from the luma grid selecting the 6 luma samples closest to the chroma position C without down sampling. The “nonlinear” is CCCM’s nonlinear operator and B is bias. The filter coefficients may be derived using a division-free Gaussian elimination method and the necessary offsets are applied to samples prior to filter derivation. The offsets for the division-free Gaussian elimination method may be obtained using a four-point average of the luma and chroma prediction blocks, where the four points correspond to the top-left, top-right, bottom-left and bottom-right corners of the blocks. For filter coefficient derivation at most 256 chroma samples are used. III. Cross-Component Prediction (CCP) Merge Mode

[0072] A. CCP Merge (Non-Local CCP) Mode

[0073] Cross-Component Prediction (CCP) Merge Mode is also known as non-local CCP mode. For chroma coding, a flag may be signalled to indicate whether CCP mode (including the CCLM, CCCM, GLM and their variants) or non-CCP mode (conventional chroma intra prediction mode, fusion of chroma intra prediction mode) is used to encode the current block. If the CCP mode is selected, one more flag is signalled to indicate how to derive the CCP type and parameters, i.e., either from a CCP merge list or signalled / derived on-the-fly. In some embodiments, a flag is signaled to indicate whether the CCP merge mode is applied or not. If CCP merge mode is applied, an index is signaled to indicate which candidate model is used by the current block. Cross-component model (CCM) information from neighboring blocks can be inherited / referenced by the current chroma block.

[0074] For CCP merge mode, a CCP merge candidate list (or cross-component merge candidate list) is constructed from the spatial adjacent, temporal, spatial non-adjacent, history-based m or shifted temporal candidates. After including these candidates, default models are further included to fill the remaining empty positions in the merge list. In order to remove redundant CCP models in the list, pruning operation is applied. After constructing the list, the CCP models in the list are reordered depending on the SAD costs, which are obtained using the neighboring template of the current block. Cross-component model (CCM) information from neighboring blocks can be inherited / referenced by the current chroma block.

[0075] Spatial adjacent and non-adjacent candidates: The positions and inclusion order of the spatial adjacent and non-adjacent candidates are the same as those defined for regular inter merge prediction candidates.

[0076] Temporal and shifted temporal candidates: Temporal candidates are selected from the collocated picture. The position and inclusion order of the temporal candidates are the same as those defined for regular inter merge prediction candidates. The shifted temporal candidates are also selected from the collocated picture. The position of temporal candidates is shifted by a selected motion vector which is derived from motion vectors of neighboring blocks.

[0077] History-based candidates: A history-based table is maintained to include the recently used CCP models, and the table is reset at the beginning of each CTU row. If the current list is not full after including spatial adjacent and non-adjacent candidates, the CCP models in the history-based table are added into the list.

[0078] Default candidates: CCLM candidates with default scaling parameters are considered, only when the list is not full after including the spatial adjacent, spatial non-adjacent, or history-based candidates. If the current list has no candidates with the single model CCLM mode, the default scaling parameters are {0, 1 / 8, -1 / 8, 2 / 8, -2 / 8, 3 / 8, -3 / 8, 4 / 8, -4 / 8, 5 / 8, -5 / 8, 6 / 8} . Otherwise, the default scaling parameters are {0, the scaling parameter of the first CCLM candidate + {1 / 8, -1 / 8, 2 / 8, -2 / 8, 3 / 8, -3 / 8, 4 / 8, -4 / 8, 5 / 8, -5 / 8, 6 / 8} } .

[0079] B. CCP Merge for Chroma Inter Blocks

[0080] In some embodiments, the cross-component prediction merge mode described above may be extended to chroma inter coding. The CCP models including CCLM, MMLM, CCCM, GLM, chroma fusion, CCP merge modes, and inter CCCM may be stored and inherited for the following coding chroma intra and inter blocks.

[0081] Similar to the CCP merge for chroma intra blocks, a flag is signaled to indicate whether a chroma inter block is coded using this mode. If the CCP merge mode is used, a CCP merge list is constructed in a similar way as that for chroma intra blocks except that additional shifted temporal candidate and on-the-fly derived candidates are included in the CCP merge list. The additional shifted temporal candidates are derived from the collocated picture. The positions of these candidates may be the same as those defined for regular inter merge prediction candidates with a shift obtained from the motion vector of the current block. The on-the-fly derived candidates are only used for low delay pictures and are obtained using the neighboring reconstructed samples of the current block. In some embodiments, at most one on-the-fly derived candidates including single / multi-model CCCM and single / multi-model CCLM are added to the CCP merge list.

[0082] After the CCP merge (candidate) list is constructed, the candidate with the lowest template cost is selected for the chroma inter block. The chroma inter block is then predicted in the same way as that of inter CCCM. That is, the motion compensation predicted samples are blended with the cross-component predicted samples to form the final prediction.

[0083] C. Constructing a CCP Merge Candidate List

[0084] In some embodiments, the CCP merge candidate list is constructed by adding candidates in a pre-defined order until the maximum candidate number is reached. The candidates added can include all or some of the forementioned candidates described above for CCP merge mode, but not limited to the forementioned candidates. For example, the following candidates are added into the candidate list in the following order: spatial neighboring candidates, temporal neighboring candidate, non-adjacent neighboring candidates and history-based candidates. For another example, the candidate list can include the same candidates as previous example, but the candidates are added into the list in different order.

[0085] In some embodiments, if all the pre-defined neighboring and history-based candidates are added but the maximum candidate number is not reached, some default candidates are added into the CCP merge candidate list until the maximum candidate number is reached.

[0086] In CCP merge mode, the candidates in the list can be reordered to reduce the syntax overhead when signaling the selected candidate index. The reordering rules may depend on the coding information of neighboring blocks or the model error. For example, if neighboring above or left blocks are coded by MMLM, the MMLM candidates in the list can be moved to the head of the current list. Similarly, if neighboring above or left blocks are coded by single model LM (i.e., CCLM) or CCCM, the single model LM or CCCM candidates in the list can be moved to the head of the current list. Similarly, if GLM is used by neighboring above or left blocks, the GLM related candidates in the list can be moved to the head of the current list.

[0087] In some embodiments, the reordering rule is based on the model error (i.e., the template cost) by applying the candidate model to the neighboring templates of the current block, and then compare the error with the reconstruction samples of the neighboring template. FIG. 6 illustrates the neighboring template for calculating model error. As illustrated, the size of above neighboring template of the current block is wa × ha, and the size of left neighboring template of the current block is wb × hb.

[0088] Suppose K models are in the current candidate list, and αk and βk are the final scale and offset parameters after inheriting the candidate k. The model error of candidate k by the above neighboring template is:

[0089] where,  and are the reconstruction samples of luma (e.g., after downsampling process or after applying GLM pattern) and reconstruction samples of chroma at position (i, j) in the above template, and 0 ≤ i < wa and 0 ≤ j < ha. Similarly, the model error of candidate k by the left neighboring template is:

[0090] where and are the reconstruction samples of luma (e.g., after applying downsampling process or GLM pattern) and reconstruction samples of chroma at position (m, n) in the left template, and ≤ m < wb and 0 ≤ n < hb. Then the model error of candidate k is:

[0091] After calculating the model error among all candidates, it can get a model error list E={e0, e1, e2, …, ek, …, eK} . Then, it can reorder the candidate index in the inherit candidate list by sorting the model error list in ascending order.

[0092] In some embodiments, if the candidate k uses CCCM prediction, then and are defined as

[0093] where c0k, c1k, c2k, c3k, c4k, c5k, c6k are the final filtering coefficients after inheriting the candidate k. P and B are the nonlinear term and bias term. In some embodiments, if the above neighboring template is not available, then Similarly, if the left neighboring template is not available, then If both templates are not available, the candidate index reordering method using model error is not applied.

[0094] In some embodiments, after the candidates are reordered based on the template cost, the redundancy of the candidate may be further checked. A candidate is redundant if the template cost difference between it and its predecessor in the list is less than or equal to a threshold. If a candidate is redundant, it can be removed from the list, or it can be move to the end of the list.

[0095] D. Multiple Hypothesis Blending for Cross-Component Model Merge

[0096] In some embodiments, the final prediction of the current block may be the blend of N hypotheses by a pre-defined weighting, where N is greater or equal to 2. Each hypothesis is the prediction of the current block generated based on a mode. The modes can be any intra or inter modes. At least one hypothesis is generated based on CCP merge mode. CCP merge mode means the cross-component model is inherited from a spatial, historical, or temporal neighboring block / position. A flag may be signaled at block-level to indicate whether to apply the blending mode. For example, the flag can be signaled at CU level and / or PU level and / or CTU level. For another example, the flag can be signaled at CB level and / or PB level and / or CTB and / or TU / TB and / or any predefined region level.

[0097] In some embodiments, the final prediction of the current block can be the blend of two hypotheses by a pre-defined weighting. The modes to generate the hypotheses can be any intra or inter modes. At least one hypothesis is generated based on CCP merge mode. A flag is signaled at block-level to indicate whether to apply the blending mode.

[0098] In some embodiments, the final prediction of the current block may be the blend of two hypotheses. Both hypotheses, H1 and H2, are both generated based on CCP merge mode. A flag is signaled at block-level to indicate whether to apply the blending mode. In some embodiment, when the flag indicates that the blending mode is disabled, the original syntax for signaling / parsing an intra prediction mode for the current block is followed. When the flag indicates that the blending mode is enabled, the following syntax related to indicating the modes to generated H1 and H2 and / or weighting is needed to be signaled at encoder, parsed at decoder and decided.

[0099] In some embodiments, the two modes that generate H1 and H2 are both selected from the cross-component merge candidate list. The inherited candidate indexes of the modes selected can be explicitly or implicitly indicated. For example, the candidates in the list can be reordered by the method mentioned above. The candidate index can be explicitly signaled. For another example, only the first k candidates (k ≥ 3) in the list can be selected, and the candidate index can be explicitly signaled. For another examples, the first 2 candidates are implicitly selected. For another example, an index is explicitly signaled to indicate the candidate index of the first mode, and the candidate index of the second mode is the signaled index + k, where k can be 1, 2, 3, 4, or 5.

[0100] In some embodiments, the two modes which generate H1 and H2 are both selected from the cross-component merge candidate list. The inherited candidate indexes of the modes selected are implicitly decided. The two candidates with the smallest template matching costs or boundary matching costs in the list can be implicitly selected.

[0101] In some embodiments, the two modes that generate H1 and H2 are both selected from the cross-component merge candidate list. The candidates in the cross-component merge candidate list are categorized. The modes can be categorized based on some categorizing criteria such as whether the model is linear or convolutional, whether the model is a single-model or a multi-model, the location of samples used to derive the model, the filter shape of the model, whether a gradient luma input is used in the model or not, the gradient filter used, whether the luma input of the model is down-sampled or not, the down-sampling filter used, whether the model contains non-linear terms . The selection of the two modes is based on the category information. For example, the two modes selected are not allowed to be in certain categories. For a more specific example, the two modes selected cannot be a linear model (CCLM or MMLM) mode. For another example, the two modes selected have to be in certain categories. For a more specific example, the two modes selected have to be a mode that uses non-down-sampled luma as input (e.g., interCCCM and CCCM using non-downsampled luma samples) . For another example, certain modes cannot be selected except when some other certain modes are selected for one of the two modes. For a more specific example, the linear model (e.g., CCLM and MMLM) cannot be selected except when the other mode is a mode that uses non-down-sampled luma as input (e.g., interCCCM and CCCM using non-downsampled luma samples) . (e.g., CCLM-interCCCM pair is allowed to be selected, but CCLM-MMLM pair is not allowed to be selected)

[0102] In some embodiments, the weighting to blend H1 and H2 is selected from a weighting parameter set. An index can be explicitly signaled to indicate the weighting selected. For example, the weight set (wh1, wh2) can also be (3, 5) , (5, 3) , (-2, 10) , (10, -2) , (4, 4) , or any subset of the above weights.

[0103] In some embodiments, the weighting can be implicitly decided based on mode information from neighboring blocks. For example, if H1 is a linear model (e.g., CCLM and MMLM) and H2 is a convolutional model (e.g., CCCM) , and more neighboring blocks are convolutional model modes, then H2 has the larger blending weight.

[0104] In some embodiments, the weighting can be implicitly decided based on the template matching cost or boundary matching cost. The weighting associated with the smallest template matching cost or boundary cost is selected. The methods to calculate template matching cost and boundary matching cost are described in previous paragraphs. For example, if template matching cost is used, for each weighting in the weighting parameter set, the predicted sample values within the chroma template of the current chroma block is generated by computing wh1H1 + wh2H2. The template cost is the distortion between the golden data (the reconstructed chroma samples on the template of current block) and the predicted samples within the chroma template.

[0105] In some embodiments, the weighting parameter (wh1, wh2) are implicitly derived based on template matching cost (TIMD cost) or boundary matching cost. The methods to calculate template matching cost and boundary matching cost are described in previous paragraphs. The template matching cost and boundary matching cost can be determined at the decoder and do not need to be signaled. For example, if the mode for generating H1 has a larger TIMD cost, H1 uses a smaller weight during blending. If the mode for generating H2 has a larger TIMD cost, H2 uses a smaller weight during blending. If the prediction has a smaller cost than the hypothesis, α uses a smaller weight. For another example, wh1 = TIMD_costh2  /  (TIMD_costh1 + TIMD_costh2) ) wh2 = TIMD_costh1  /  (TIMD_costh1 + TIMD_costh2) )

[0106] In some embodiments, the weighting parameter (wh1, wh2) can be implicitly derived in a way similar to the method deriving the CCCM parameters described above in Section II. C. Let Pfinal = wh1H1 + wh2H2 + β, where β is an offset value. The weighting parameter α can be derived by minimizing MSE between the predicted chroma samples Pfinal and reconstructed chroma samples in the reference area, as depicted and described above regarding CCCM.

[0107] In some embodiments, when combining 2 cross-component models, one final cross-component model can be generated by combining / weight-averaging the parameters of the 2 cross-component models. If a term appears in only one model, the parameter associated with this term in another model is deemed as zero. For example, if a 7-tap CCCM model is to be combined with a 3-parameter GLM model, and let the 7-tap CCCM model be PCCCM = c0 × C + c1 × N + c2 × S + c3 × E + c4 × W + c5 × P + c6 × B

[0108] and the 3-parameter GLM model be PGLM = α0 ·G + α1 ·L + α2 ·β

[0109] Let the combining weight be (wh1, wh2) , since the C term in the 7-tap CCCM model is equivalent to the L term in the 3-parameter GLM model, and c6×B in the 7-tap CCCM model and α2 ·β in the 3-parameter GLM model are both the bias terms, the final model is combined as following (which is essentially a 8-tap model) : Pfinal = (wh1c0 + wh2α1) × C + wh1c1 × N + wh1c2 × S + wh1c3 × E + wh1c4 × W + wh1c5 × P + wh2α0 × G + (wh1 × c6 × B + wh2 × α2 ·β)

[0110] In some embodiments, when generating the final cross-component model from 2 cross-component models, partial parameters are from combining / weight-averaging the parameters of the 2 cross-component models, and the rest parameters can be rederived. For example, if a 7-tap CCCM model is to be combined with a 3-parameter GLM model to generate an 8-tap model, and let the 7-tap CCCM model be PCCCM = c0 × C + c1 × N + c2 × S + c3 × E + c4 × W + c5 × P +c6 × B and the 3-parameter GLM model be PGLM = α0 ·G + α1 ·L + α2 ·β, final model is combined as following equation, where {α′0, α′1, …α′6, } are computed as stated in the previous paragraph, and α′7 (the bias term) is rederived based on {α′0, α′1, …α′6, } neighboring luma and chroma reconstructed sample values. For example, α′7 can be derived by minimizing MSE between the predicted chroma samples Pfinal and reconstructed chroma samples in the reference area, as depicted FIG. 3 above. Pfinal is calculated according to: Pfinal = α′0 × C + α′ 1 × N + α′ 2 × S + α′ 3 × E + α′ 4 × W + α′ 5 × P + α′ 6 × G + α′7

[0111] E. Inheriting Multiple Cross-Component Models

[0112] In some embodiments, two cross-component models are combined into one final model by weighted-averaging the corresponding model parameters, where the two cross-component models are one from above spatial neighboring candidate and another one from left spatial neighboring candidate. The above spatial neighboring candidate is the neighboring candidate has the vertical position less than or equal to the top block boundary position of the current block. The left spatial neighboring candidate is the neighboring candidate has the horizontal position less than or equal to the left block boundary position of the current block. The weighting factor α is determined according to the horizontal and vertical spatial positions inside the current block. For example, if two candidate predictions (denoted as pabove and pleft) are combined, the final prediction at (x, y) position of the current block is pfinal (x, y) = (1 -α) × pabove (x, y) + α × pleft (x, y) , where α = y  /  (x+y) .

[0113] In some embodiments, the above spatial neighboring candidate is the first candidate in the list and has the vertical position less than or equal to the top block boundary position of the current block. The left spatial neighboring candidate is the first candidate in the list and has the horizontal position less than or equal to the left block boundary position of the current block.

[0114] F. Blended candidates

[0115] In some embodiments, final prediction of the current block can be the combination of predictions of two or more (regular) CCP merge mode (which can be two regular candidates in a CCP merge candidate list) . Such a combination for blending can be considered as a “blended candidate” or “blend candidate” .

[0116] In some embodiments, blend candidates are candidates that contain information of more than one CCP merge candidate. When a blend candidate is selected, the final prediction is the blending of the predictions (hypothesis) generated based on the more than one CCP merge candidate. The multiple hypotheses generated based on the more than one CCP merge candidate can be blended with the methods described in Section III. D and Section III. E above.

[0117] In some embodiments, each blended candidate contains information of two (regular) CCP merge candidates. When a blended candidate is selected, the final prediction is the blending of the predictions generated based on these two CCP merge candidates. In some embodiments, equal weighting is used to combine the two predictions generated based on these two CCP merge candidates to form the final prediction. In some embodiments, the candidate indexes of the two CCP merge candidates are the information stored in the blend candidates.

[0118] In some embodiments, when a block is coded in CCP merge mode with a blended candidate selected, one of the two CCP merge candidates indicated by the blend candidate is selected to be stored in the block for future referencing. The selection can be determined based on the cost of the two CCP merge candidates. For example, the CCP merge candidate selected is the one with the smaller cost of the two CCP merge modes. The costs can be the template matching costs or the boundary matching cost described in Section III. C for reordering candidate list.

[0119] In some embodiments, when a block is coded in CCP merge mode with a blend candidate selected, one of the two CCP merge candidates indicated by the blend candidates is selected to be stored in the block for future referencing. The selection is determined based on the modes of the two CCP merge candidates. For example, the convolutional mode (e.g., CCCM and CCCM variants) has higher priority than linear mode (e.g., CCLM and MMLM) to be selected. For another example, the modes with non-down-sampled luma value as inputs (e.g., interCCCM) has higher priority than modes with down-sampled luma value as inputs.

[0120] In some embodiments, the blended candidates are also inserted into the candidate list of CCP merge mode. In some embodiments, the blended candidates are inserted into the candidate list after other candidates such as those inherited from neighboring positions / blocks (e.g., spatial candidates, temporal candidates, non-adjacent candidates) or from history tables, and before the default candidates. FIG. 7 illustrates an example CCP merge candidate list 700 that has blended candidates inserted after inherited candidates but before default candidates.

[0121] In some embodiments, the number of blend candidates inserted into the CCP merge candidate list is limited. For example, no more than 2 blend candidates can be inserted. In some embodiment, assume the remaining space in the CCP merge candidate list is k before the blended candidates are inserted to the list, and if k is greater than a pre-defined value m, then k –m blended candidates can be inserted and m spaces are reserved for inserting other candidates (e.g., default candidates) . If k is smaller than m, no blend candidate is inserted.

[0122] In some embodiment, the two CCP merge candidates indicated by a blended candidate are also in the same candidate list as the blended candidate. In the example of FIG. 7, each of the blended candidates in the list 700 (candidates 5, 6, and 7) indicates two or more CCP merge candidates in the same list (blend candidate 5 indicates candidates 0 and 1 in the list; blend candidate 6 indicates candidates 0 and 2 in the list; blend candidate 7 indicates candidates 3 and 9 in the list. ) In some embodiments, the two CCP merge candidates indicated by the blended candidate have to be the candidates that are inserted (immediately) before the blended candidates. In some embodiments, the two CCP merge candidates indicated by the blended candidate can be any candidates in the (original) candidate list other than blend candidates. In some embodiments, the two CCP merge candidates indicated by a blended candidate have to be two inherited candidates, e.g., the two CCP merge candidates are inherited from neighboring blocks / positions or from a history table. In some embodiments, the two CCP merge candidates indicated by a blend candidate can be any CCP merge candidate in the (original) candidate list other than blended candidates and default candidates.

[0123] In some embodiments, after the blended candidates are inserted, the whole candidate list may be reordered. In some embodiments, the candidates inserted before the blended candidates are reordered before the blend candidates are inserted. The reordering can be based on the methods described in Section III. C above. In some embodiments, the candidates inserted before the blend candidates and the candidates that will be inserted after the blend candidates are reordered together before the blend candidates are inserted. For example, inherited candidates are inserted before the blend candidates, default candidates are inserted after the blend candidates. When the number of blend candidates can be determined (the reason can be that there is a limit to the number of blend candidates) , the number of default candidates that will be inserted after the blend candidates can be calculated. In the case that a blended candidate may indicate a default candidate as one of its two CCP merge candidates, inherited candidates and default candidates may be reordered together in the candidate list first before the blend candidates are inserted into the candidate list.

[0124] FIGS. 8A-C illustrate reordering of a CCP merge candidate list 800 with blended candidates. The candidate list 800 is to include inherited candidates, blended candidates, and default candidates. FIG. 8A shows the whole candidate list reordered together after all candidates, including blended candidates, are inserted. FIG. 8B shows the inherited candidates inserted into the list and reordered, before the blended candidates are inserted. FIG. 8C shows the inherited candidates and the default candidates inserted into the candidate list and reordered together with spaces reserved for the blended candidates, before the blended candidates are inserted.

[0125] In some embodiment, the insertion order of the blended candidates may be determined according to the following: (1) Assume the CCP merge candidates that the blended candidates are allowed to indicate are cand_1, cand_2, cand_3, …, cand_N (the numbering 1, 2, 3, …, N indicates the candidate order. ) These candidates may be ordered according to some criteria, such as based on their insertion order, or based on their template matching costs, or in the same order as their order in the original candidate list.

[0126] (2) The blended candidates can be inserted into the candidate list according to the ordering of their indicated CCP merge candidate pairs, for example: (1, 2) , (1, 3) , (1, 4) , …, (1, N) , (2, 3) , (2, 4) , …, (2, N) , (3, 4) , …., (N-1, N) ; for another example (1, 2) , (1, 3) , (2, 3) , (1, 4) , (2, 4) , (3, 4) , (1, 5) , …, (1, N) , …, (N-1, N) ; for another example: (1, 2) , (1, 3) , (2, 3) , (1, 4) , (2, 4) , (1, 5) , (3, 4) , (2, 5) , (1, 6) , …, (N-1, N) .

[0127] In some embodiments, the insertion order of the blend candidates is determined as following: Assume the CCP merge candidates that a blend candidates can indicate are cand_1, cand_2, cand_3, …, cand_N, and N* (N-1)  / 2 blend candidates are created, each corresponding to a different combination of the two CCP merge candidates. All the blended candidates are ordered based on a cost metric. For example, the cost metric can be the template matching cost, and the insertion order is determined by the cost. The blend candidate with smaller cost is inserted earlier.

[0128] In some embodiments, a second candidate list is constructed, and the blended candidates are inserted into the second list instead of the original candidate list (the original candidate list is described in Section III. C. ) In some embodiments, a flag is signaled to indicate which candidate list is used. In some embodiments, the second candidate list contains only blended candidates. In some embodiments, if no blended candidates can be created (e.g., when blended candidates can only blend spatial candidates but no spatial candidate is available for the current block) , the flag may be skipped, and the original list is used. In some embodiments, the second candidate list is reordered. For example, the second candidate list is reordered based on template cost. In some embodiments, the second list is constructed after the original candidate list is reordered.

[0129] In some embodiments, a candidate index is signaled to indicate the location of the selected blend candidate in the second candidate list. In some embodiments, the candidate index is implicitly derived. For example, the candidate index may be implicitly derived to be 0 to indicate that the first candidate in the list is selected, because the second candidate list is reordered based on template cost, and the first candidate is the one with smallest template cost.

[0130] In some embodiment, the size of the second candidate list is not the same as the size of the original candidate list. In another embodiment, the size of the second candidate list is the same as the size of the original candidate list. In some embodiments, the two CCP merge candidates indicated by a blend candidate in the second candidate list may be CCP merge candidates in the original list. In some embodiments, the two CCP merge candidates indicated by a blend candidate in the second candidate list may be CCP merge candidates in the original list except for the default candidates of the original list.

[0131] In some embodiments, only certain combinations of two CCP merge candidates are allowed to be in a blended candidate. For example, in some embodiments, a linear model (e.g., CCLM and MMLM) cannot be selected as a CCP merge candidate for blending. For another example, in some embodiments, the two CCP merge candidates must use non-sub-sampled luma samples as input (e.g., InterCCCM and CCCM using non-downsampled luma samples) . For another example, in some embodiments, a linear model (e.g., CCLM and MMLM) cannot be selected as a CCP merge candidate for blending except when it’s paired with a model that uses non-down-sampled luma as input (e.g., interCCCM and CCCM using non-downsampled luma samples; CCLM-interCCCM pair is allowed to be selected, but CCLM-MMLM pair is not allowed to be selected. )

[0132] Any of the foregoing proposed methods can be implemented in encoders and / or decoders. For example, any of the proposed methods can be implemented in an inter / intra / prediction module of an encoder, and / or an inter / intra / prediction module of a decoder. Alternatively, any of the proposed methods can be implemented as a circuit coupled to the inter / intra / prediction module of the encoder and / or the inter / intra / prediction module of the decoder, so as to provide the information needed by the inter / intra / prediction module. IV. Example Video Encoder

[0133] FIG. 9 illustrates an example video encoder 900 that may implement blended cross-component prediction. As illustrated, the video encoder 900 receives input video signal from a video source 905 and encodes the signal into bitstream 995. The video encoder 900 has several components or modules for encoding the signal from the video source 905, at least including some components selected from a transform module 910, a quantization module 911, an inverse quantization module 914, an inverse transform module 915, an intra-picture estimation module 924, an intra-prediction module 925, a motion compensation module 930, a motion estimation module 935, an in-loop filter 945, a reconstructed picture buffer 950, a MV buffer 965, and a MV prediction module 975, and an entropy encoder 990. The motion compensation module 930 and the motion estimation module 935 are part of an inter-prediction module 940. The intra-prediction module 925 and the intra-prediction estimation module 924 are part of a current picture prediction module 920, which uses current picture reconstructed samples as reference samples for prediction of the current block.

[0134] In some embodiments, the modules 910 –990 are modules of software instructions being executed by one or more processing units (e.g., a processor) of a computing device or electronic apparatus. In some embodiments, the modules 910 –990 are modules of hardware circuits implemented by one or more integrated circuits (ICs) of an electronic apparatus. Though the modules 910 –990 are illustrated as being separate modules, some of the modules can be combined into a single module.

[0135] The video source 905 provides a raw video signal that presents pixel data of each video frame without compression. A subtractor 908 computes the difference between the raw video pixel data of the video source 905 and the predicted pixel data 913 from the motion compensation module 930 or intra-prediction module 925 as prediction residual 909. The transform module 910 converts the difference (or the residual pixel data or residual signal 908) into transform coefficients (e.g., by performing Discrete Cosine Transform, or DCT) . The quantization module 911 quantizes the transform coefficients into quantized data (or quantized coefficients) 912, which is encoded into the bitstream 995 by the entropy encoder 990.

[0136] The inverse quantization module 914 de-quantizes the quantized data (or quantized coefficients) 912 to obtain transform coefficients 918, and the inverse transform module 915 performs inverse transform on the transform coefficients 918 to produce reconstructed residual 919. The reconstructed residual 919 is added with the predicted pixel data 913 to produce reconstructed pixel data 917. In some embodiments, the reconstructed pixel data 917 is temporarily stored in a line buffer 927 (or intra prediction buffer) for intra-picture prediction and spatial MV prediction. The reconstructed pixels are filtered by the in-loop filter 945 and stored in the reconstructed picture buffer 950. In some embodiments, the reconstructed picture buffer 950 is a storage external to the video encoder 900. In some embodiments, the reconstructed picture buffer 950 is a storage internal to the video encoder 900.

[0137] The intra-picture estimation module 924 performs intra-prediction based on the reconstructed pixel data 917 to produce intra prediction data. The intra-prediction data is provided to the entropy encoder 990 to be encoded into bitstream 995. The intra-prediction data is also used by the intra-prediction module 925 to produce the predicted pixel data 913.

[0138] The motion estimation module 935 performs inter-prediction by producing MVs to reference pixel data of previously decoded frames stored in the reconstructed picture buffer 950. These MVs are provided to the motion compensation module 930 to produce predicted pixel data.

[0139] Instead of encoding the complete actual MVs in the bitstream, the video encoder 900 uses MV prediction to generate predicted MVs, and the difference between the MVs used for motion compensation and the predicted MVs is encoded as residual motion data and stored in the bitstream 995.

[0140] The MV prediction module 975 generates the predicted MVs based on reference MVs that were generated for encoding previously video frames, i.e., the motion compensation MVs that were used to perform motion compensation. The MV prediction module 975 retrieves reference MVs from previous video frames from the MV buffer 965. The video encoder 900 stores the MVs generated for the current video frame in the MV buffer 965 as reference MVs for generating predicted MVs.

[0141] The MV prediction module 975 uses the reference MVs to create the predicted MVs. The predicted MVs can be computed by spatial MV prediction or temporal MV prediction. The difference between the predicted MVs and the motion compensation MVs (MC MVs) of the current frame (residual motion data) are encoded into the bitstream 995 by the entropy encoder 990.

[0142] The entropy encoder 990 encodes various parameters and data into the bitstream 995 by using entropy-coding techniques such as context-adaptive binary arithmetic coding (CABAC) or Huffman encoding. The entropy encoder 990 encodes various header elements, flags, along with the quantized transform coefficients 912, and the residual motion data as syntax elements into the bitstream 995. The bitstream 995 is in turn stored in a storage device or transmitted to a decoder over a communications medium such as a network.

[0143] The in-loop filter 945 performs filtering or smoothing operations on the reconstructed pixel data 917 to reduce the artifacts of coding, particularly at boundaries of pixel blocks. In some embodiments, the filtering or smoothing operations performed by the in-loop filter 945 include deblock filter (DBF) , sample adaptive offset (SAO) , and / or adaptive loop filter (ALF) . In some embodiments, luma mapping chroma scaling (LMCS) is performed before the loop filters.

[0144] FIG. 10 illustrates portions of the video encoder 900 that implement cross-component prediction blending. As illustrated, a prediction blending module 1050 generates a blended prediction 1060 for a chroma component (Cr or Cb) to become part of the predicted pixel data 913. The blended prediction 1060 is a weighted sum of the two or more chroma predictions. The two or more chroma predictions are from at least two cross-component prediction modules 1041 and 1042. Each cross-component prediction module generates a chroma prediction based on (i) reconstructed luma samples (generated by the intra-prediction module 920 with luma residual, or provided by the line buffer 927) and (ii) cross-component prediction (CCP) parameters of one CCP merge candidate that is indicated by a blended candidate. In some embodiments, the reconstructed luma samples are reconstructed by intra-prediction modes using samples neighboring or adjacent to the current block as those described in Section I (and not based on reference blocks identified by motion vectors. )

[0145] Based on a candidate selection index, a candidate fetching module 1030 accesses a CCP merge candidate list 1010 to provide one or more sets of CCP parameters (e.g., linear model or convolution parameters) for cross-component prediction of the current block. The CCP merge candidate list 1010 may include one or more regular candidates 1011 and one or more blended candidates 1012. When a regular CCP merge candidate 1011 is selected, the candidate fetching module 1030 fetches one set of CCP parameters from a CCP parameters storage 1015 and provide it to the cross-component prediction modules 1041 without prediction blending. When a blended candidate 1012 that indicates two or more CCP merge candidates to be blended is selected, the candidate fetching module 1030 fetches the parameters of the two or more CCP merge candidates from a CCP parameters storage 1015 and provide them to the cross-component prediction modules 1041 and 1042.

[0146] A CCP merge mode manager 1020 manages the CCP merge candidate list, including the CCP parameters storage 1015. The CCP merge mode manager 1020 may populate the candidate list 1010 with regular candidates of various types (e.g., spatial neighboring, temporal neighboring, historical, default, etc. ) for the current block and one or more blended candidates that each refers to two or more of the regular candidates for blending. The regular candidates may be inherited candidates from predefined positions or history table. The candidate list 1010 may be organized as a single list storing both regular CCP merge mode candidates 1011 and blended candidates 1012. The candidate list 1010 may also be organized as a first list ( “original list” ) storing only the regular CCP merge mode candidates 1011 and a second list storing only the blended candidates 1012. (Thus, for some embodiments, it can be said that two or more CCP merge candidate lists are generated and used for the current block. ) In the case where two or more CCP merge candidate lists are generated, a flag is signaled to select which one of the two or more CCP merge candidate lists to be used for the current block. In the case where only one CCP merge candidate list is generated, the insertion of candidates into the CCP merge candidate list 1010 and the reordering of the list are described by reference to FIG. 7 and FIGS. 8A-C above.

[0147] The CCP merge mode manager 1020 may derive new CCP linear models or convolution models and store them in the CCP parameters storage 1015. The CCP merge mode manager 1020 may update the content of the CCP parameters storage 1015 to provide parameter information for the CCP merge candidates in the candidate list. The CCP merge mode manager 1020 may also manage the propagation of CCP models between pictures or blocks. For example, the CCP merge mode manager 1020 may store in the storage 1015 for the current block, a set of CCP parameters used by one of the two or more cross-component prediction modules (1041 and 1042) so the CCP parameters will be available for referencing or inheriting by a subsequent block. The selection of the set of CCP parameters for future referencing may be based on its cross-component prediction type (linear model vs. convolution model, downsampled vs. non-downsampled, etc. ) or its cost.

[0148] FIG. 11 conceptually illustrates a process 1100 for using one or more CCP merge candidate lists that include blended candidates to encode a pixel block. In some embodiments, one or more processing units (e.g., a processor) of a computing device implementing the encoder 900 performs the process 1100 by executing instructions stored in a computer readable medium. In some embodiments, an electronic apparatus implementing the encoder 900 performs the process 1100.

[0149] The encoder receives (at block 1110) data to be encoded as a current block of pixels in a current picture. The current block comprises a first-color block (e.g., a luma component block) and a second-color block (e.g., a chroma component block, Cr or Cb) .

[0150] The encoder constructs (at block 1120) one or more cross-component prediction (CCP) merge candidate lists for the current block. The candidate lists include one or more regular candidates and one or more blended candidates. Each regular candidate is associated with a set of CCP parameters. Each blended candidate indicates two or more regular candidates. In some embodiments, two or more CCP merge candidate lists are constructed for the current block, the CCP merge candidate lists comprising one or more regular candidates and one or more blended candidates, and the candidate is selected from one of the two or more CCP merge candidate lists.

[0151] In some embodiments, the blended candidate indicates the two or more regular candidates by providing their indices assigned for one of the one or more CCP merge candidate lists. In some embodiments, the two or more regular candidates indicated by the blended candidates are constrained to not be linear models. In some embodiments, the two or more regular candidates indicated by the blended candidates are constrained to use non-downsampled luma samples as inputs, or constrained to not be linear models unless at least one of the indicated regular candidate uses non-downsampled luma samples as inputs.

[0152] In some embodiments, the two or more regular candidates indicated by the blended candidates are constrained to be candidates inherited from a position neighboring the current block or from a history table. In some embodiments, the two or more regular candidates indicated by the blended candidates are constrained to be candidates in one of the one or more CCP merge candidate lists. In some embodiments, the two or more regular candidates indicated by the blended candidates are constrained to not include default candidates with default parameters.

[0153] In some embodiments, the blended candidates are inserted into one of the one or more CCP merge candidate list after regular candidates that are not default candidates and before default candidates. In some embodiments, the regular candidates in one of the one or more CCP merge candidate lists are reordered prior to the blended candidates being inserted to the list. In some embodiments, the one of the one or more CCP merge candidate lists is reordered entirely after the blended candidates are inserted to the list. In some embodiments, each blended candidate is inserted into one of the one or more CCP merge candidate lists according to an order that is determined based on costs of the blended candidates.

[0154] In some embodiments, the two CCP merge candidate lists are constructed and are organized as a first list having only the regular candidates and a second list having only the blended candidates. The second list is constructed after the first list is constructed and reordered based on (template) costs of the candidates in the first list. The first and second lists may have a same size or may have different sizes. The two or more regular candidates indicated by each blended candidate in the second list may be constrained to be candidates in the first list. A blended candidate in the second list may indicate its two or more regular candidates by using indices of the first list. In some embodiments, the blended candidates in the second list are constrained to indicate only regular candidates in the first list that are not default candidates. In some embodiments, the blended candidates in the second list are reordered based on costs of the candidates in the second list, and a blended candidate having the lowest cost in the second list may be selected implicitly without signaling.

[0155] In some embodiments, each blended candidate is inserted into one of the one or more CCP merge candidate list according to an order that is determined based on the indices of the two or more regular candidates indicated by the blended candidate. The indices of the regular candidates may be determined for the CCP merge candidate list based on costs of the candidates.

[0156] The encoder selects (at block 1130) a candidate from the one or more CCP merge candidate lists. In some embodiments, a flag is signaled to indicate which of the first and second lists the candidate is selected from. (If blended prediction cannot be used, then the flag can be skipped and not signaled. ) In some embodiments, the encoder selects a blended candidate by signaling a candidate index to indicate a location of the blended candidate in the second list.

[0157] The encoder determines (at block 1135) whether the selected candidate is a regular candidate or a blended candidate. If the selected candidate is a regular candidate, the process proceeds to block 1140. If the selected candidate is a blended candidate, the process proceeds to block 1160.

[0158] At block 1140, the encoder generates a cross-component prediction by applying the set of CCP parameters of the selected regular candidate to a reconstruction of the first-color block by intra-prediction. The encoder uses (at block 1150) the cross-component prediction to encode the current block.

[0159] At block 1160, the encoder generates a blended prediction of the second-color block based on two or more cross-component predictions that are generated by applying the two or more regular candidates indicated by the selected blended candidate. The encoder uses (at block 1170) the generated blended prediction to encode the current block by producing prediction residuals.

[0160] In some embodiments, the two or more regular candidates (or their CCP parameters) are applied to a reconstruction of the first-color block by intra-prediction (that refers to samples adjacent to or neighboring the current block) to generate the two or more cross-component predictions. The two or more cross-component predictions may be weighted equally when generating the blended prediction.

[0161] In some embodiments, the encoder also stores, for the current block, the set of CCP parameters associated with one of the two or more regular candidates indicated by the selected blended candidate, for referencing by a subsequent block. The set of CCP parameters of the one of the two or more regular candidates may be chosen based on its cost or its cross-component prediction type. V.Example Video Decoder

[0162] In some embodiments, an encoder may signal (or generate) one or more syntax element in a bitstream, such that a decoder may parse said one or more syntax element from the bitstream.

[0163] FIG. 12 illustrates an example video decoder 1200 that may implement blended cross-component prediction. As illustrated, the video decoder 1200 is an image-decoding or video-decoding circuit that receives a bitstream 1295 and decodes the content of the bitstream into pixel data of video frames for display. The video decoder 1200 has several components or modules for decoding the bitstream 1295, including some components selected from an inverse quantization module 1214, an inverse transform module 1215, an intra-prediction module 1225, a motion compensation module 1230, an in-loop filter 1245, a decoded picture buffer 1250, a MV buffer 1265, a MV prediction module 1275, and a parser 1290. The motion compensation module 1230 is part of an inter-prediction module 1240. The intra-prediction module 1225 is part of a current picture prediction module 1220, which uses current picture reconstructed samples as reference samples for prediction of the current block.

[0164] In some embodiments, the modules 1214 –1290 are modules of software instructions being executed by one or more processing units (e.g., a processor) of a computing device. In some embodiments, the modules 1214 –1290 are modules of hardware circuits implemented by one or more ICs of an electronic apparatus. Though the modules 1214 –1290 are illustrated as being separate modules, some of the modules can be combined into a single module.

[0165] The parser 1290 (or entropy decoder) receives the bitstream 1295 and performs initial parsing according to the syntax defined by a video-coding or image-coding standard. The parsed syntax element includes various header elements, flags, as well as quantized data (or quantized coefficients) 1212. The parser 1290 parses out the various syntax elements by using entropy-coding techniques such as context-adaptive binary arithmetic coding (CABAC) or Huffman encoding.

[0166] The inverse quantization module 1214 de-quantizes the quantized data (or quantized coefficients) 1212 to obtain transform coefficients, and the inverse transform module 1215 performs inverse transform on the transform coefficients 1218 to produce reconstructed residual signal 1219. The reconstructed residual signal 1219 is added with predicted pixel data 1213 from the intra-prediction module 1225 or the motion compensation module 1230 to produce decoded pixel data 1217. The decoded pixels data are filtered by the in-loop filter 1245 and stored in the decoded picture buffer 1250. In some embodiments, the decoded picture buffer 1250 is a storage external to the video decoder 1200. In some embodiments, the decoded picture buffer 1250 is a storage internal to the video decoder 1200.

[0167] The intra-prediction module 1225 receives intra-prediction data from bitstream 1295 and according to which, produces the predicted pixel data 1213 from the decoded pixel data 1217 stored in the decoded picture buffer 1250. In some embodiments, the decoded pixel data 1217 is also stored in a line buffer 1227 (or intra prediction buffer) for intra-picture prediction and spatial MV prediction.

[0168] In some embodiments, the content of the decoded picture buffer 1250 is used for display. A display device 1205 either retrieves the content of the decoded picture buffer 1250 for display directly, or retrieves the content of the decoded picture buffer to a display buffer. In some embodiments, the display device receives pixel values from the decoded picture buffer 1250 through a pixel transport.

[0169] The motion compensation module 1230 produces predicted pixel data 1213 from the decoded pixel data 1217 stored in the decoded picture buffer 1250 according to motion compensation MVs (MC MVs) . These motion compensation MVs are decoded by adding the residual motion data received from the bitstream 1295 with predicted MVs received from the MV prediction module 1275.

[0170] The MV prediction module 1275 generates the predicted MVs based on reference MVs that were generated for decoding previous video frames, e.g., the motion compensation MVs that were used to perform motion compensation. The MV prediction module 1275 retrieves the reference MVs of previous video frames from the MV buffer 1265. The video decoder 1200 stores the motion compensation MVs generated for decoding the current video frame in the MV buffer 1265 as reference MVs for producing predicted MVs.

[0171] The in-loop filter 1245 performs filtering or smoothing operations on the decoded pixel data 1217 to reduce the artifacts of coding, particularly at boundaries of pixel blocks. In some embodiments, the filtering or smoothing operations performed by the in-loop filter 1245 include deblock filter (DBF) , sample adaptive offset (SAO) , and / or adaptive loop filter (ALF) . In some embodiments, luma mapping chroma scaling (LMCS) is performed before the loop filters.

[0172] FIG. 13 illustrates portions of the video decoder 1200 that implement cross-component prediction blending. As illustrated, a prediction blending module 1350 generates a blended prediction 1360 for a chroma component (Cr or Cb) to become part of the predicted pixel data 1213. The blended prediction 1360 is a weighted sum of the two or more chroma predictions. The two or more chroma predictions are from at least two cross-component prediction modules 1341 and 1342. Each cross-component prediction module generates a chroma prediction based on (i) reconstructed luma samples (generated by the intra-prediction module 1220 with luma residual, or provided by the line buffer 1227) and (ii) cross-component prediction (CCP) parameters of one CCP merge candidate that is indicated by a blended candidate. In some embodiments, the reconstructed luma samples are reconstructed by intra-prediction modes using samples neighboring or adjacent to the current block as those described in Section I (and not based on reference blocks identified by motion vectors. )

[0173] The entropy decoder 1290 may indicate an index to select a candidate from the CCP merge candidate list 1310. Based on the indicated candidate selection index, a candidate fetching module 1330 accesses a CCP merge candidate list 1310 to provide one or more sets of CCP parameters (e.g., linear model or convolution parameters) for cross-component prediction of the current block. The CCP merge candidate list 1310 may include one or more regular candidates 1311 and one or more blended candidates 1312. When the selection index selects a regular CCP merge candidate 1311, the candidate fetching module 1330 fetches one set of CCP parameters from a CCP parameters storage 1315 and provide it to the cross-component prediction modules 1341 without prediction blending. When the selection index selects a blended candidate 1312 that indicates two or more CCP merge candidates to be blended, the candidate fetching module 1330 fetches the parameters of the two or more CCP merge candidates from a CCP parameters storage 1315 and provide them to the cross-component prediction modules 1341 and 1342.

[0174] A CCP merge mode manager 1320 manages the CCP merge candidate list, including the CCP parameters storage 1315. The CCP merge mode manager 1320 may populate the candidate list 1310 with regular candidates of various types (e.g., spatial neighboring, temporal neighboring, historical, default, etc. ) for the current block and one or more blended candidates that each refers to two or more of the regular candidates for blending. The regular candidates may be inherited candidates from predefined positions or history table. The candidate list 1310 may be organized as a single list storing both regular CCP merge mode candidates 1311 and blended candidates 1312. The candidate list 1310 may also be organized as a first list ( “original list” ) storing only the regular CCP merge mode candidates 1311 and a second list storing only the blended candidates 1312. (Thus, for some embodiments, it can be said that two or more CCP merge candidate lists are generated and used for the current block. ) In the case where two or more CCP merge candidate lists are generated, a flag is signaled to select which one of the two or more CCP merge candidate lists to be used for the current block. In the case where only one CCP merge candidate list is generated, the insertion of candidates into the CCP merge candidate list 1310 and the reordering of the list are described by reference to FIG. 7 and FIGS. 8A-C above.

[0175] The CCP merge mode manager 1320 may derive new CCP linear models or convolution models and store them in the CCP parameters storage 1315. The CCP merge mode manager 1320 may update the content of the CCP parameters storage 1315 to provide parameter information for the CCP merge candidates in the candidate list. The CCP merge mode manager 1320 may also manage the propagation of CCP models between pictures or blocks. For example, the CCP merge mode manager 1320 may store in the storage 1315 for the current block, a set of CCP parameters used by one of the two or more cross-component prediction modules (1341 and 1342) so the CCP parameters will be available for referencing or inheriting by a subsequent block. The selection of the set of CCP parameters for future referencing may be based on its cross-component prediction type (linear model vs. convolution model, downsampled vs. non-downsampled, etc. ) or its cost.

[0176] FIG. 14 conceptually illustrates a process 1400 for using one or more CCP merge candidate lists that include blended candidates to decode a pixel block. In some embodiments, one or more processing units (e.g., a processor) of a computing device implementing the decoder 1200 performs the process 1400 by executing instructions stored in a computer readable medium. In some embodiments, an electronic apparatus implementing the decoder 1200 performs the process 1400.

[0177] The decoder receives (at block 1410) data to be decoded as a current block of pixels in a current picture. The current block comprises a first-color block (e.g., a luma component block) and a second-color block (e.g., a chroma component block, Cr or Cb) .

[0178] The decoder constructs (at block 1420) one or more cross-component prediction (CCP) merge candidate lists for the current block. The candidate lists include one or more regular candidates and one or more blended candidates. Each regular candidate is associated with a set of CCP parameters. Each blended candidate indicates two or more regular candidates. In some embodiments, two or more CCP merge candidate lists are constructed for the current block, the CCP merge candidate lists comprising one or more regular candidates and one or more blended candidates, and the candidate is selected from one of the two or more CCP merge candidate lists.

[0179] In some embodiments, the blended candidate indicates the two or more regular candidates by providing their indices assigned for one of the one or more CCP merge candidate lists. In some embodiments, the two or more regular candidates indicated by the blended candidates are constrained to not be linear models. In some embodiments, the two or more regular candidates indicated by the blended candidates are constrained to use non-downsampled luma samples as inputs, or constrained to not be linear models unless at least one of the indicated regular candidate uses non-downsampled luma samples as inputs.

[0180] In some embodiments, the two or more regular candidates indicated by the blended candidates are constrained to be candidates inherited from a position neighboring the current block or from a history table. In some embodiments, the two or more regular candidates indicated by the blended candidates are constrained to be candidates in one of the one or more CCP merge candidate lists In some embodiments, the two or more regular candidates indicated by the blended candidates are constrained to not include default candidates with default parameters.

[0181] In some embodiments, the blended candidates are inserted into one of the one or more CCP merge candidate list after regular candidates that are not default candidates and before default candidates. In some embodiments, the regular candidates in one of the one or more CCP merge candidate lists are reordered prior to the blended candidates being inserted to the list. In some embodiments, the one of the one or more CCP merge candidate lists is reordered entirely after the blended candidates are inserted to the list. In some embodiments, each blended candidate is inserted into one of the one or more CCP merge candidate lists according to an order that is determined based on costs of the blended candidates.

[0182] In some embodiments, the two CCP merge candidate lists are constructed and are organized as a first list having only the regular candidates and a second list having only the blended candidates. The second list is constructed after the first list is constructed and reordered based on (template) costs of the candidates in the first list. The first and second lists may have a same size or may have different sizes. The two or more regular candidates indicated by each blended candidate in the second list may be constrained to be candidates in the first list. A blended candidate in the second list may indicate its two or more regular candidates by using indices of the first list. In some embodiments, the blended candidates in the second list are constrained to indicate only regular candidates in the first list that are not default candidates. In some embodiments, the blended candidates in the second list are reordered based on costs of the candidates in the second list, and a blended candidate having the lowest cost in the second list may be selected implicitly without signaling.

[0183] In some embodiments, each blended candidate is inserted into one of the one or more CCP merge candidate list according to an order that is determined based on the indices of the two or more regular candidates indicated by the blended candidate. The indices of the regular candidates may be determined for the CCP merge candidate list based on costs of the candidates.

[0184] The decoder selects (at block 1430) a candidate from the one or more CCP merge candidate lists. In some embodiments, a flag is signaled to indicate which of the first and second lists the candidate is selected from. (If blended prediction cannot be used, then the flag can be skipped and not signaled. ) In some embodiments, the decoder selects a blended candidate by signaling a candidate index to indicate a location of the blended candidate in the second list.

[0185] The decoder determines (at block 1435) whether the selected candidate is a regular candidate or a blended candidate. If the selected candidate is a regular candidate, the process proceeds to block 1440. If the selected candidate is a blended candidate, the process proceeds to block 1460.

[0186] At block 1440, the decoder generates a cross-component prediction by applying the set of CCP parameters of the selected regular candidate to a reconstruction of the first-color block by intra-prediction. The decoder uses (at block 1450) the cross-component prediction to decode the current block.

[0187] At block 1460, the decoder generates a blended prediction of the second-color block based on two or more cross-component predictions that are generated by applying the two or more regular candidates indicated by the selected blended candidate. The decoder uses (at block 1470) the generated blended prediction to reconstruct the current block with prediction residuals. The decoder may then provide the reconstructed current block for display as part of the reconstructed current picture.

[0188] In some embodiments, the two or more regular candidates (or their CCP parameters) are applied to a reconstruction of the first-color block by intra-prediction (that refers to samples adjacent to or neighboring the current block) to generate the two or more cross-component predictions. The two or more cross-component predictions may be weighted equally when generating the blended prediction.

[0189] In some embodiments, the decoder also stores, for the current block, the set of CCP parameters associated with one of the two or more regular candidates indicated by the selected blended candidate, for referencing by a subsequent block. The set of CCP parameters of the one of the two or more regular candidates may be chosen based on its cost or its cross-component prediction type. VI. Example Electronic System

[0190] Many of the above-described features and applications are implemented as software processes that are specified as a set of instructions recorded on a computer readable storage medium (also referred to as computer readable medium) . When these instructions are executed by one or more computational or processing unit (s) (e.g., one or more processors, cores of processors, or other processing units) , they cause the processing unit (s) to perform the actions indicated in the instructions. Examples of computer readable media include, but are not limited to, CD-ROMs, flash drives, random-access memory (RAM) chips, hard drives, erasable programmable read only memories (EPROMs) , electrically erasable programmable read-only memories (EEPROMs) , etc. The computer readable media does not include carrier waves and electronic signals passing wirelessly or over wired connections.

[0191] In this specification, the term “software” is meant to include firmware residing in read-only memory or applications stored in magnetic storage which can be read into memory for processing by a processor. Also, in some embodiments, multiple software inventions can be implemented as sub-parts of a larger program while remaining distinct software inventions. In some embodiments, multiple software inventions can also be implemented as separate programs. Finally, any combination of separate programs that together implement a software invention described here is within the scope of the present disclosure. In some embodiments, the software programs, when installed to operate on one or more electronic systems, define one or more specific machine implementations that execute and perform the operations of the software programs.

[0192] FIG. 15 conceptually illustrates an electronic system 1500 with which some embodiments of the present disclosure are implemented. The electronic system 1500 may be a computer (e.g., a desktop computer, personal computer, tablet computer, etc. ) , phone, PDA, or any other sort of electronic device. Such an electronic system includes various types of computer readable media and interfaces for various other types of computer readable media. Electronic system 1500 includes a bus 1505, processing unit (s) 1510, a graphics-processing unit (GPU) 1515, a system memory 1520, a network 1525, a read-only memory 1530, a permanent storage device 1535, input devices 1540, and output devices 1545.

[0193] The bus 1505 collectively represents all system, peripheral, and chipset buses that communicatively connect the numerous internal devices of the electronic system 1500. For instance, the bus 1505 communicatively connects the processing unit (s) 1510 with the GPU 1515, the read-only memory 1530, the system memory 1520, and the permanent storage device 1535.

[0194] From these various memory units, the processing unit (s) 1510 retrieves instructions to execute and data to process in order to execute the processes of the present disclosure. The processing unit (s) may be a single processor or a multi-core processor in different embodiments. Some instructions are passed to and executed by the GPU 1515. The GPU 1515 can offload various computations or complement the image processing provided by the processing unit (s) 1510.

[0195] The read-only-memory (ROM) 1530 stores static data and instructions that are used by the processing unit (s) 1510 and other modules of the electronic system. The permanent storage device 1535, on the other hand, is a read-and-write memory device. This device is a non-volatile memory unit that stores instructions and data even when the electronic system 1500 is off. Some embodiments of the present disclosure use a mass-storage device (such as a magnetic or optical disk and its corresponding disk drive) as the permanent storage device 1535.

[0196] Other embodiments use a removable storage device (such as a floppy disk, flash memory device, etc., and its corresponding disk drive) as the permanent storage device. Like the permanent storage device 1535, the system memory 1520 is a read-and-write memory device. However, unlike storage device 1535, the system memory 1520 is a volatile read-and-write memory, such a random access memory. The system memory 1520 stores some of the instructions and data that the processor uses at runtime. In some embodiments, processes in accordance with the present disclosure are stored in the system memory 1520, the permanent storage device 1535, and / or the read-only memory 1530. For example, the various memory units include instructions for processing multimedia clips in accordance with some embodiments. From these various memory units, the processing unit (s) 1510 retrieves instructions to execute and data to process in order to execute the processes of some embodiments.

[0197] The bus 1505 also connects to the input and output devices 1540 and 1545. The input devices 1540 enable the user to communicate information and select commands to the electronic system. The input devices 1540 include alphanumeric keyboards and pointing devices (also called “cursor control devices” ) , cameras (e.g., webcams) , microphones or similar devices for receiving voice commands, etc. The output devices 1545 display images generated by the electronic system or otherwise output data. The output devices 1545 include printers and display devices, such as cathode ray tubes (CRT) or liquid crystal displays (LCD) , as well as speakers or similar audio output devices. Some embodiments include devices such as a touchscreen that function as both input and output devices.

[0198] Finally, as shown in FIG. 15, bus 1505 also couples electronic system 1500 to a network 1525 through a network adapter (not shown) . In this manner, the computer can be a part of a network of computers (such as a local area network ( “LAN” ) , a wide area network ( “WAN” ) , or an Intranet, or a network of networks, such as the Internet. Any or all components of electronic system 1500 may be used in conjunction with the present disclosure.

[0199] Some embodiments include electronic components, such as microprocessors, storage and memory that store computer program instructions in a machine-readable or computer-readable medium (alternatively referred to as computer-readable storage media, machine-readable media, or machine-readable storage media) . Some examples of such computer-readable media include RAM, ROM, read-only compact discs (CD-ROM) , recordable compact discs (CD-R) , rewritable compact discs (CD-RW) , read-only digital versatile discs (e.g., DVD-ROM, dual-layer DVD-ROM) , a variety of recordable / rewritable DVDs (e.g., DVD-RAM, DVD-RW, DVD+RW, etc. ) , flash memory (e.g., SD cards, mini-SD cards, micro-SD cards, etc. ) , magnetic and / or solid state hard drives, read-only and recordable  discs, ultra-density optical discs, any other optical or magnetic media, and floppy disks. The computer-readable media may store a computer program that is executable by at least one processing unit and includes sets of instructions for performing various operations. Examples of computer programs or computer code include machine code, such as is produced by a compiler, and files including higher-level code that are executed by a computer, an electronic component, or a microprocessor using an interpreter.

[0200] While the above discussion primarily refers to microprocessor or multi-core processors that execute software, many of the above-described features and applications are performed by one or more integrated circuits, such as application specific integrated circuits (ASICs) or field programmable gate arrays (FPGAs) . In some embodiments, such integrated circuits execute instructions that are stored on the circuit itself. In addition, some embodiments execute software stored in programmable logic devices (PLDs) , ROM, or RAM devices.

[0201] As used in this specification and any claims of this application, the terms “computer” , “server” , “processor” , and “memory” all refer to electronic or other technological devices. These terms exclude people or groups of people. For the purposes of the specification, the terms display or displaying means displaying on an electronic device. As used in this specification and any claims of this application, the terms “computer readable medium, ” “computer readable media, ” and “machine readable medium” are entirely restricted to tangible, physical objects that store information in a form that is readable by a computer. These terms exclude any wireless signals, wired download signals, and any other ephemeral signals.

[0202] While the present disclosure has been described with reference to numerous specific details, one of ordinary skill in the art will recognize that the present disclosure can be embodied in other specific forms without departing from the spirit of the present disclosure. In addition, a number of the figures (including FIG. 11 and FIG. 14) conceptually illustrate processes. The specific operations of these processes may not be performed in the exact order shown and described. The specific operations may not be performed in one continuous series of operations, and different specific operations may be performed in different embodiments. Furthermore, the process could be implemented using several sub-processes, or as part of a larger macro process. Thus, one of ordinary skill in the art would understand that the present disclosure is not to be limited by the foregoing illustrative details, but rather is to be defined by the appended claims. Additional Notes

[0203] The herein-described subject matter sometimes illustrates different components contained within, or connected with, different other components. It is to be understood that such depicted architectures are merely examples, and that in fact many other architectures can be implemented which achieve the same functionality. In a conceptual sense, any arrangement of components to achieve the same functionality is effectively "associated" such that the desired functionality is achieved. Hence, any two components herein combined to achieve a particular functionality can be seen as "associated with" each other such that the desired functionality is achieved, irrespective of architectures or intermediate components. Likewise, any two components so associated can also be viewed as being "operably connected" , or "operably coupled" , to each other to achieve the desired functionality, and any two components capable of being so associated can also be viewed as being "operably couplable" , to each other to achieve the desired functionality. Specific examples of operably couplable include but are not limited to physically mateable and / or physically interacting components and / or wirelessly interactable and / or wirelessly interacting components and / or logically interacting and / or logically interactable components.

[0204] Further, with respect to the use of substantially any plural and / or singular terms herein, those having skill in the art can translate from the plural to the singular and / or from the singular to the plural as is appropriate to the context and / or application. The various singular / plural permutations may be expressly set forth herein for sake of clarity.

[0205] Moreover, it will be understood by those skilled in the art that, in general, terms used herein, and especially in the appended claims, e.g., bodies of the appended claims, are generally intended as “open” terms, e.g., the term “including” should be interpreted as “including but not limited to, ” the term “having” should be interpreted as “having at least, ” the term “includes” should be interpreted as “includes but is not limited to, ” etc. It will be further understood by those within the art that if a specific number of an introduced claim recitation is intended, such an intent will be explicitly recited in the claim, and in the absence of such recitation no such intent is present. For example, as an aid to understanding, the following appended claims may contain usage of the introductory phrases "at least one" and "one or more" to introduce claim recitations. However, the use of such phrases should not be construed to imply that the introduction of a claim recitation by the indefinite articles "a" or "an" limits any particular claim containing such introduced claim recitation to implementations containing only one such recitation, even when the same claim includes the introductory phrases "one or more" or "at least one" and indefinite articles such as "a" or "an, " e.g., “a” and / or “an” should be interpreted to mean “at least one” or “one or more; ” the same holds true for the use of definite articles used to introduce claim recitations. In addition, even if a specific number of an introduced claim recitation is explicitly recited, those skilled in the art will recognize that such recitation should be interpreted to mean at least the recited number, e.g., the bare recitation of "two recitations, " without other modifiers, means at least two recitations, or two or more recitations. Furthermore, in those instances where a convention analogous to “at least one of A, B, and C, etc. ” is used, in general such a construction is intended in the sense one having skill in the art would understand the convention, e.g., “a system having at least one of A, B, and C”would include but not be limited to systems that have A alone, B alone, C alone, A and B together, A and C together, B and C together, and / or A, B, and C together, etc. In those instances where a convention analogous to “at least one of A, B, or C, etc. ” is used, in general such a construction is intended in the sense one having skill in the art would understand the convention, e.g., “a system having at least one of A, B, or C” would include but not be limited to systems that have A alone, B alone, C alone, A and B together, A and C together, B and C together, and / or A, B, and C together, etc. It will be further understood by those within the art that virtually any disjunctive word and / or phrase presenting two or more alternative terms, whether in the description, claims, or drawings, should be understood to contemplate the possibilities of including one of the terms, either of the terms, or both terms. For example, the phrase “A or B” will be understood to include the possibilities of “A” or “B” or “A and B. ”

[0206] From the foregoing, it will be appreciated that various implementations of the present disclosure have been described herein for purposes of illustration, and that various modifications may be made without departing from the scope and spirit of the present disclosure. Accordingly, the various implementations disclosed herein are not intended to be limiting, with the true scope and spirit being indicated by the following claims.

Claims

1.A video coding method comprising:receiving data to be encoded or decoded as a current block of pixels of a current picture of a video, wherein the current block comprises a first-color block and a second-color block;constructing one or more cross-component prediction (CCP) merge candidate lists for the current block, the one or more candidate lists comprising one or more regular candidates and one or more blended candidates, wherein each regular candidate is associated with a set of CCP parameters and each blended candidate indicates two or more regular candidates;selecting a candidate from the one or more CCP merge candidate lists;generating a prediction of the second-color block based on the selected candidate, wherein if the selected candidate is a blended candidate, the prediction is generated based on two or more cross-component predictions that are generated by applying the two or more regular candidates indicated by the selected blended candidate to a reconstruction of the first-color block by intra-prediction referring to samples adjacent to or neighboring the current block; andusing the generated prediction to encode or decode the current block.2.The video coding method of claim 1, wherein two or more CCP merge candidate lists are constructed for the current block, the CCP merge candidate lists comprising one or more regular candidates and one or more blended candidates, and the candidate is selected from one of the two or more CCP merge candidate lists.3.The video coding method of claim 2, wherein a flag is signaled to indicate which one of the two or more CCP merge candidate lists the candidate is selected from.4.The video coding method of claim 1, wherein the two or more cross-component predictions are weighted equally when generating the blended prediction.5.The video coding method of claim 1, wherein the blended candidate indicates the two or more regular candidates by providing their indices assigned for one of the one or more CCP merge candidate lists.6.The video coding method of claim 1, wherein the two or more regular candidates indicated by the blended candidates are constrained to not be linear models.7.The video coding method of claim 1, wherein the two or more regular candidates indicated by the blended candidates are constrained to use non-downsampled luma samples as inputs.8.The video coding method of claim 1, wherein the two or more regular candidates indicated by the blended candidates are constrained to not be linear models unless at least one of the indicated regular candidate uses non-downsampled luma samples as inputs.9.The video coding method of claim 1, wherein the two or more regular candidates indicated by the blended candidates are constrained to be candidates inherited from a position neighboring the current block or from a history table.10.The video coding method of claim 1, wherein the two or more regular candidates indicated by the blended candidates are constrained to be candidates in one of the one or more CCP merge candidate lists.11.The video coding method of claim 1, wherein two CCP merge candidate lists are constructed and are organized as a first list comprising only the regular candidates and a second list comprising only the blended candidates.12.The video coding method of claim 11, wherein the second list is constructed after the first list is constructed and reordered.13.The video coding method of claim 11, wherein the two or more regular candidates indicated by each blended candidate in the second list are constrained to be candidates in the first list.14.The video coding method of claim 11, wherein a blended candidate in the second list indicates its two or more regular candidates by using indices of the first list.15.The video coding method of claim 11, wherein the blended candidates in the second list are reordered based on costs of the candidates in the second list.16.The video coding method of claim 11, wherein selecting a blended candidate comprises implicitly selecting a lowest cost blended candidate from the second list without signaling.17.The video coding method of claim 11, wherein selecting a blended candidate comprises signaling a candidate index to indicate a location of the blended candidate in the second list.18.The video coding method of claim 11, wherein the size of the first and second lists are not the same.19.The video coding method of claim 11, wherein the size of the first and second lists are the same.20.The video coding method of claim 1, wherein each blended candidate is inserted into one of the one or more CCP merge candidate lists according to an order that is determined based on the indices of the two or more regular candidates indicated by the blended candidate.21.The video coding method of claim 1, wherein each blended candidate is inserted into one of the one or more CCP merge candidate lists according to an order that is determined based on costs of the blended candidates.22.The video coding method of claim 1, further comprising storing for the current block, the set of CCP parameters associated with one of the two or more regular candidates indicated by the selected blended candidate, for referencing by a subsequent block.23.The video coding method of claim 22, wherein the set of CCP parameters of the one of the two or more regular candidates is chosen based on its cost or its cross-component prediction type.24.An electronic apparatus comprising:a video coder circuit configured to perform operations comprising:receiving data to be encoded or decoded as a current block of pixels of a current picture of a video, wherein the current block comprises a first-color block and a second-color block;constructing one or more cross-component prediction (CCP) merge candidate lists for the current block, the one or more candidate lists comprising one or more regular candidates and one or more blended candidates, wherein each regular candidate is associated with a set of CCP parameters and each blended candidate indicates two or more regular candidates;selecting a candidate from the one or more CCP merge candidate lists;generating a prediction of the second-color block based on the selected candidate, wherein if the selected candidate is a blended candidate, the prediction is generated based on two or more cross-component predictions that are generated by applying the two or more regular candidates indicated by the selected blended candidate to a reconstruction of the first-color block by intra-prediction referring to samples adjacent to or neighboring the current block; andusing the generated prediction to encode or decode the current block.25.A video decoding method comprising:receiving data to be decoded as a current block of pixels of a current picture of a video, wherein the current block comprises a first-color block and a second-color block;constructing one or more cross-component prediction (CCP) merge candidate lists for the current block, the one or more candidate lists comprising one or more regular candidates and one or more blended candidates, wherein each regular candidate is associated with a set of CCP parameters and each blended candidate indicates two or more regular candidates;selecting a candidate from the one or more CCP merge candidate lists;generating a prediction of the second-color block based on the selected candidate, wherein if the selected candidate is a blended candidate, the prediction is generated based on two or more cross-component predictions that are generated by applying the two or more regular candidates indicated by the selected blended candidate to a reconstruction of the first-color block by intra-prediction referring to samples adjacent to or neighboring the current block; andusing the generated prediction to reconstruct the current block.26.A video encoding method comprising:receiving data to be encoded as a current block of pixels of a current picture of a video, wherein the current block comprises a first-color block and a second-color block;constructing one or more cross-component prediction (CCP) merge candidate lists for the current block, the one or more candidate lists comprising one or more regular candidates and one or more blended candidates, wherein each regular candidate is associated with a set of CCP parameters and each blended candidate indicates two or more regular candidates;selecting a candidate from the one or more CCP merge candidate lists;generating a prediction of the second-color block based on the selected candidate, wherein if the selected candidate is a blended candidate, the prediction is generated based on two or more cross-component predictions that are generated by applying the two or more regular candidates indicated by the selected blended candidate to a reconstruction of the first-color block by intra-prediction referring to samples adjacent to or neighboring the current block; andusing the generated prediction to encode the current block.

Images