Method, apparatus, and medium for visual data processing

Abstract

Embodiments of the present disclosure provide a solution for visual data processing. A method for visual data processing is proposed. The method comprises: performing a conversion between visual data and a codestream of the visual data with a neural network (NN) -based model, wherein the NN-based model comprises a transform process and a plurality of processes different from the transform process, the transform process is configured to perform a transform between a latent representation of the visual data and the visual data, and respective inputs of the plurality of processes are partitioned into a plurality of partitions based on a same first partitioning scheme, and wherein based on the first partitioning scheme, a set of residual samples associated with the visual data is partitioned into a plurality of subsets of residual samples that correspond to the plurality of partitions.

Description

METHOD, APPARATUS, AND MEDIUM FOR VISUAL DATA PROCESSINGFIELDS

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

[0002] The past decade has witnessed the rapid development of deep learning in a variety of areas, especially in computer vision and image processing. Neural network was invented originally with the interdisciplinary research of neuroscience and mathematics. It has shown strong capabilities in the context of non-linear transform and classification. Neural network-based image / video compression technology has gained significant progress during the past half decade. It is reported that the latest neural network-based image compression algorithm achieves comparable rate-distortion (R-D) performance with Versatile Video Coding (VVC) . With the performance of neural image compression continually being improved, neural network-based video compression has become an actively developing research area. However, coding flexibility of neural network-based image / video coding is generally expected to be further improved.SUMMARY

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

[0004] In a first aspect, a method for visual data processing is proposed. The method comprises: performing a conversion between visual data and a codestream of the visual data with a neural network (NN) -based model, wherein the NN-based model comprises a transform process and a plurality of processes different from the transform process, the transform process is configured to perform a transform between a latent representation of the visual data and the visual data, and respective inputs of the plurality of processes are partitioned into a plurality of partitions based on a same first partitioning scheme, and wherein based on the first partitioning scheme, a set of residual samples associated with the visual data is partitioned into a plurality of subsets of residual samples that correspond to the plurality of partitions, and in accordance with a determination that residual samples for each of the plurality of partitions are in a substream of the codestream that corresponds to the partition, each of the plurality of partitions corresponds to an integer number of processing units of the transform process.

[0005] Based on the method in accordance with the first aspect of the present disclosure, respective inputs of the plurality of processes of the NN-based model are partitioned into a plurality of partitions based on a same partitioning scheme. Moreover, if residual samples for each of the plurality of partitions are in a substream of the codestream that corresponds to the partition, each of the plurality of partitions corresponds to an integer number of processing units of the transform process. Compared with the conventional solution, the proposed method can better support coding a part of the visual data independently from the rest part of the visual data. Thereby, the coding flexibility can be improved.

[0006] In a second aspect, an apparatus for visual data processing is proposed. The apparatus comprises a processor and a non-transitory memory with instructions thereon. The instructions upon execution by the processor, cause the processor to perform a method in accordance with the first aspect of the present disclosure.

[0007] In a third aspect, a non-transitory computer-readable storage medium is proposed. The non-transitory computer-readable storage medium stores instructions that cause a processor to perform a method in accordance with the first aspect of the present disclosure.

[0008] In a fourth aspect, another non-transitory computer-readable recording medium is proposed. The non-transitory computer-readable recording medium stores a codestream of visual data which is generated by a method performed by an apparatus for visual data processing. The method comprises: performing a conversion from visual data to the codestream with a neural network (NN) -based model, wherein the NN-based model comprises a transform process and a plurality of processes different from the transform process, the transform process is configured to perform a transform between a latent representation of the visual data and the visual data, and respective inputs of the plurality of processes are partitioned into a plurality of partitions based on a same first partitioning scheme, and wherein based on the first partitioning scheme, a set of residual samples associated with the visual data is partitioned into a plurality of subsets of residual samples that correspond to the plurality of partitions, and in accordance with a determination that residual samples for each of the plurality of partitions are in a substream of the codestream that corresponds to the partition, each of the plurality of partitions corresponds to an integer number of processing units of the transform process.

[0009] In a fifth aspect, a method for storing a codestream of visual data is proposed. The method comprises: performing a conversion from visual data to the codestream with a neural network (NN) -based model; and storing the codestream in a non-transitory computer-readable recording medium, wherein the NN-based model comprises a transform process and a plurality of processes different from the transform process, the transform process is configured to perform a transform between a latent representation of the visual data and the visual data, and respective inputs of the plurality of processes are partitioned into a plurality of partitions based on a same first partitioning scheme, and wherein based on the first partitioning scheme, a set of residual samples associated with the visual data is partitioned into a plurality of subsets of residual samples that correspond to the plurality of partitions, and in accordance with a determination that residual samples for each of the plurality of partitions are in a substream of the codestream that corresponds to the partition, each of the plurality of partitions corresponds to an integer number of processing units of the transform process.

[0010] This Summary is provided to introduce a selection of concepts in a simplified form that are further described below in the Detailed Description. This Summary is not intended to identify key features or essential features of the claimed subject matter, nor is it intended to be used to limit the scope of the claimed subject matter.BRIEF DESCRIPTION OF THE DRAWINGS

[0011] Through the following detailed description with reference to the accompanying drawings, the above and other objectives, features, and advantages of example embodiments of the present disclosure will become more apparent. In the example embodiments of the present disclosure, the same reference numerals usually refer to the same components.

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

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

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

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

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

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

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

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

[0020] Fig. 8 illustrates an example learning-based image codec architecture;

[0021] Fig. 9 illustrates an example synthesis transform for learning based image coding;

[0022] Fig. 10 illustrates an example leaky Rectified Linear Unit (ReLU) activation function;

[0023] Fig. 11 illustrates an example ReLU activation function;

[0024] Fig. 12 illustrates latent tiles in synthesis transform;

[0025] Fig. 13 illustrates a bitstream layout;

[0026] Fig. 14 illustrates an example decoder structure;

[0027] Fig. 15 illustrates an example hyper scale decoder;

[0028] Fig. 16 illustrates an example hyper decoder;

[0029] Fig. 17 illustrates a diagram of an example multistage context modelling (MCM) structure;

[0030] Fig. 18 illustrates an example implementation of primary component guided adaptive up-sampling filter;

[0031] Fig. 19 illustrates an example bitstream structure;

[0032] Fig. 20 illustrates different types of split regions in accordance with embodiments of the present disclosure;

[0033] Fig. 21 illustrates overlapping is applied to the region boundary in accordance with embodiments of the present disclosure;

[0034] Fig. 22 illustrates shifted regions in accordance with embodiments of the present disclosure;

[0035] Fig. 23 illustrates an independent region-based coding in accordance with embodiments of the present disclosure;

[0036] Fig . 24 illustrates a flag used to control region split mechanism in accordance with embodiments of the present disclosure;

[0037] Fig. 25 illustrates two example grids in accordance with embodiments of the present disclosure;

[0038] Fig. 26 illustrates latent tiles in synthesis transform;

[0039] Fig. 27 illustrates an example of hyper decoder;

[0040] Fig. 28 illustrates an example of applying overlapping on partitions in accordance with embodiments of the present disclosure;

[0041] Fig. 29 illustrates an example of applying padding on partitions in accordance with embodiments of the present disclosure;

[0042] Fig. 30 illustrates an example of applying both padding and overlapping on partitions in accordance with embodiments of the present disclosure;

[0043] Fig. 31 illustrates an example codestream structure in accordance with embodiments of the present disclosure;

[0044] Fig. 32 illustrates an example coding structure in accordance with embodiments of the present disclosure;

[0045] Fig. 33 illustrates an example codestream structure in accordance with embodiments of the present disclosure;

[0046] Fig. 34 illustrates an example coding structure in accordance with embodiments of the present disclosure;

[0047] Fig. 35 illustrates two different tiling schemes, i.e., collocated tiling and hierarchical tiling;

[0048] Fig. 36 illustrates that modules involved tiling may be split into two parts based on

[0049] Fig. 37 illustrates a schematic diagram of dependent case tile;

[0050] Fig. 38 illustrates a schematic diagram of independent case tile;

[0051] Fig. 39 illustrates an example scenario of modules applied with tiling;

[0052] Fig. 40 illustrates another example scenario of modules applied with tiling;

[0053] Fig. 41 illustrates an example bitstream structure variation;

[0054] Fig. 42 illustrates another example bitstream structure variation;

[0055] Fig. 43 illustrates an example scenario in which Q-stream is also split based on the example shown in Fig. 39;

[0056] Fig. 44 illustrates an example scenario in which Q-stream is also split based on the example shown in Fig. 40;

[0057] Fig. 45 illustrates a further example bitstream structure variation;

[0058] Fig. 46 illustrates a flowchart of a method for visual data processing in accordance with embodiments of the present disclosure;

[0059] Fig. 47 illustrates a schematic diagram of collocated tiling in accordance with embodiments of the present disclosure;

[0060] Fig. 48 illustrates a schematic diagram of hierarchical tiling in accordance with embodiments of the present disclosure; and

[0061] Fig. 49 illustrates a block diagram of a computing device in which various embodiments of the present disclosure can be implemented.

[0062] Throughout the drawings, the same or similar reference numerals usually refer to the same or similar elements.DETAILED DESCRIPTION

[0063] Principle of the present disclosure will now be described with reference to some embodiments. It is to be understood that these embodiments are described only for the purpose of illustration and help those skilled in the art to understand and implement the present disclosure, without suggesting any limitation as to the scope of the disclosure. The disclosure described herein can be implemented in various manners other than the ones described below.

[0064] In the following description and claims, unless defined otherwise, all technical and scientific terms used herein have the same meaning as commonly understood by one of ordinary skills in the art to which this disclosure belongs.

[0065] References in the present disclosure to “one embodiment, ” “an embodiment, ” “an example embodiment, ” and the like indicate that the embodiment described may include a particular feature, structure, or characteristic, but it is not necessary that every embodiment includes the particular feature, structure, or characteristic. Moreover, such phrases are not necessarily referring to the same embodiment. Further, when a particular feature, structure, or characteristic is described in connection with an example embodiment, it is submitted that it is within the knowledge of one skilled in the art to affect such feature, structure, or characteristic in connection with other embodiments whether or not explicitly described.

[0066] It shall be understood that although the terms “first” and “second” etc. may be used herein to describe various elements, these elements should not be limited by these terms. These terms are only used to distinguish one element from another. For example, a first element could be termed a second element, and similarly, a second element could be termed a first element, without departing from the scope of example embodiments. As used herein, the term “and / or” includes any and all combinations of one or more of the listed terms.

[0067] The terminology used herein is for the purpose of describing particular embodiments only and is not intended to be limiting of example embodiments. As used herein, the singular forms “a” , “an” and “the” are intended to include the plural forms as well, unless the context clearly indicates otherwise. It will be further understood that the terms “comprises” , “comprising” , “has” , “having” , “includes” and / or “including” , when used herein, specify the presence of stated features, elements, and / or components etc., but do not preclude the presence or addition of one or more other features, elements, components and / or combinations thereof. Example Environment

[0068] Fig. 1A is a block diagram that illustrates an example visual data coding system 100 that may utilize the techniques of this disclosure. As shown, the visual data coding system 100 may include a source device 110 and a destination device 120. The source device 110 can be also referred to as a visual data encoding device, and the destination device 120 can be also referred to as a visual data decoding device. In operation, the source device 110 can be configured to generate encoded visual data and the destination device 120 can be configured to decode the encoded visual data generated by the source device 110. The source device 110 may include a visual data source 112, a visual data encoder 114, and an input / output (I / O) interface 116.

[0069] The visual data source 112 may include a source such as a visual data capture device. Examples of the visual data capture device include, but are not limited to, an interface to receive visual data from a visual data provider, a computer graphics system for generating visual data, and / or a combination thereof.

[0070] The visual data may comprise one or more pictures of a video or one or more images. The visual data encoder 114 encodes the visual data from the visual data source 112 to generate a bitstream. The bitstream may include a sequence of bits that form a coded representation of the visual data. The bitstream may include coded pictures and associated visual data. The coded picture is a coded representation of a picture. The associated visual data may include sequence parameter sets, picture parameter sets, and other syntax structures. The I / O interface 116 may include a modulator / demodulator and / or a transmitter. The encoded visual data may be transmitted directly to destination device 120 via the I / O interface 116 through the network 130A. The encoded visual data may also be stored onto a storage medium / server 130B for access by destination device 120.

[0071] The destination device 120 may include an I / O interface 126, a visual data decoder 124, and a display device 122. The I / O interface 126 may include a receiver and / or a modem. The I / O interface 126 may acquire encoded visual data from the source device 110 or the storage medium / server 130B. The visual data decoder 124 may decode the encoded visual data. The display device 122 may display the decoded visual data to a user. The display device 122 may be integrated with the destination device 120, or may be external to the destination device 120 which is configured to interface with an external display device.

[0072] The visual data encoder 114 and the visual data decoder 124 may operate according to a visual data coding standard, such as video coding standard or still picture coding standard and other current and / or further standards.

[0073] Some exemplary embodiments of the present disclosure will be described in detailed hereinafter. It should be understood that section headings are used in the present document to facilitate ease of understanding and do not limit the embodiments disclosed in a section to only that section. Furthermore, while certain embodiments are described with reference to Versatile Video Coding or other specific visual data codecs, the disclosed techniques are applicable to other coding technologies also. Furthermore, while some embodiments describe coding steps in detail, it will be understood that corresponding steps decoding that undo the coding will be implemented by a decoder. Furthermore, the term visual data processing encompasses visual data coding or compression, visual data decoding or decompression and visual data transcoding in which visual data are represented from one compressed format into another compressed format or at a different compressed bitrate. 1. Brief Summary This disclosure is related to neural network (NN) -based image and video coding. Specifically, it is related to  support of regional accessibility, wherein regional accessibility refers to the capability of correctly decoding only a regional part of an image (also referred to as a picture) or a video. The ideas may be applied individually or in various combinations, for image and / or video coding methods and specifications. 2. Introduction The past decade has witnessed the rapid development of deep learning in a variety of areas, especially in  computer vision and image processing. Inspired from the great success of deep learning technology to computer vision areas, many researchers have shifted their attention from conventional image / video compression techniques to neural image / video compression technologies. Neural network was invented originally with the interdisciplinary research of neuroscience and mathematics. It has shown strong capabilities in the context of non-linear transform and classification. Neural network-based image / video compression technology has gained significant progress during the past half decade. It is reported that the latest neural network-based image compression algorithm achieves comparable R-D performance with Versatile Video Coding (VVC) , the latest video coding standard developed by Joint Video Experts Team (JVET) with experts from MPEG and VCEG. With the performance of neural image compression continually being improved, neural network-based video compression has become an actively developing research area. However, neural network-based video coding still remains in its infancy due to the inherent difficulty of the problem. 2.1 Image / video compression Image / video compression (also referred to as image / video coding) usually refers to the computing technology  that compresses image / video into binary code to facilitate storage and transmission. The binary codes may or may not support losslessly reconstructing the original image / video, termed lossless compression and lossy compression. Most of the efforts are devoted to lossy compression since lossless reconstruction is not necessary in most scenarios. Usually the performance of image / video compression algorithms is evaluated from two aspects, i.e. compression ratio and reconstruction quality. Compression ratio is directly related to the number of binary codes, the less the better; Reconstruction quality is measured by comparing the reconstructed image / video with the original image / video, the higher the better. Image / video compression techniques can be divided into two branches, the classical video coding methods and  the neural-network-based video compression methods. Classical video coding schemes adopt transform-based solutions, in which researchers have exploited statistical dependency in the latent variables (e.g., DCT or wavelet coefficients) by carefully hand-engineering entropy codes modeling the dependencies in the quantized regime. Neural network-based video compression is in two flavors, neural network-based coding tools and end-to-end neural network-based video compression. The former is embedded into existing classical video codecs as coding tools and only serves as part of the framework, while the latter is a separate framework developed based on neural networks without depending on classical video codecs. In the last three decades, a series of classical video coding standards have been developed to accommodate the  increasing visual content. The international standardization organizations ISO / IEC has two expert groups namely Joint Photographic Experts Group (JPEG) and Moving Picture Experts Group (MPEG) , and ITU-T also has its own Video Coding Experts Group (VCEG) which is for standardization of image / video coding technology. The influential video coding standards published by these organizations include JPEG, JPEG 2000, H. 262, H. 264 / AVC and H. 265 / HEVC. After H. 265 / HEVC, the Joint Video Experts Team (JVET) formed by MPEG and VCEG has been working on a new video coding standard Versatile Video Coding (VVC) . The first version of VVC was released in July 2020. An average of 50%bitrate reduction is reported by VVC under the same visual quality compared with HEVC. Neural network-based image / video compression is not a new invention since there were a number of researchers  working on neural network-based image coding. But the network architectures were relatively shallow, and the performance was not satisfactory. Benefit from the abundance of data and the support of powerful computing resources, neural network-based methods are better exploited in a variety of applications. At present, neural network-based image / video compression has shown promising improvements, confirmed its feasibility. Nevertheless, this technology is still far from mature and a lot of challenges need to be addressed. 2.2 Neural networks Neural networks, also known as artificial neural networks (ANN) , are the computational models used in machine  learning technology which are usually composed of multiple processing layers and each layer is composed of multiple simple but non-linear basic computational units. One benefit of such deep networks is believed to be the capacity for processing data with multiple levels of abstraction and converting data into different kinds of representations. Note that these representations are not manually designed; instead, the deep network including the processing layers is learned from massive data using a general machine learning procedure. Deep learning eliminates the necessity of handcrafted representations, and thus is regarded useful especially for processing natively unstructured data, such as acoustic and visual signal, whilst processing such data has been a longstanding difficulty in the artificial intelligence field. 2.3 Neural networks for image compression Existing neural networks for image compression methods can be classified in two categories, i.e., pixel  probability modeling and auto-encoder. The former one belongs to the predictive coding strategy, while the latter one is the transform-based solution. Sometimes, these two methods are combined together in literature. 2.3.1 Pixel probability modeling According to Shannon’s information theory, the optimal method for lossless coding can reach the minimal  coding rate -log2p (x) where p (x) is the probability of symbol x. A number of lossless coding methods were developed in literature and among them arithmetic coding is believed to be among the optimal ones. Given a probability distribution p (x) , arithmetic coding ensures that the coding rate to be as close as possible to its theoretical limit -log2p (x) without considering the rounding error. Therefore, the remaining problem is to how to determine the probability, which is however very challenging for natural image / video due to the curse of dimensionality. Following the predictive coding strategy, one way to model p (x) is to predict pixel probabilities one by one in  a raster scan order based on previous observations, where x is an image. p (x) =p (x1) p (x2|x1) …p (xi|x1, …, xi-1) …p (xm×n|x1, …, xm×n-1)           (1) where m and n are the height and width of the image, respectively. The previous observation is also known as  the context of the current pixel. When the image is large, it can be difficult to estimate the conditional probability, thereby a simplified method is to limit the range of its context. p (x) =p (x1) p (x2|x1) …p (xi|xi-k, …, xi-1) …p (xm×n|xm×n-k, …, xm×n-1)      (2) where k is a pre-defined constant controlling the range of the context. It should be noted that the condition may also take the sample values of other color components into  consideration. For example, when coding the RGB color component, R sample is dependent on previously coded pixels (including R / G / B samples) , the current G sample may be coded according to previously coded pixels and the current R sample, while for coding the current B sample, the previously coded pixels and the current R and G samples may also be taken into consideration. Neural networks were originally introduced for computer vision tasks and have been proven to be effective in  regression and classification problems. Therefore, it has been proposed using neural networks to estimate the probability of p (xi) given its context x1, x2, …, xi-1. Most of the methods directly model the probability distribution in the pixel domain. Some researchers also  attempt to model the probability distribution as a conditional one upon explicit or latent representations. That being said, it may be estimated that where h is the additional condition and p (x) =p (h) p (x|h) , meaning the modeling is split into an unconditional  one and a conditional one. The additional condition can be image label information or high-level representations. 2.3.2 Auto-encoder Auto-encoder originates from the well-known work proposed by Hinton and Salakhutdinov. The method is  trained for dimensionality reduction and consists of two parts: encoding and decoding. The encoding part converts the high-dimension input signal to low-dimension representations, typically with reduced spatial size but a greater number of channels. The decoding part attempts to recover the high-dimension input from the low-dimension representation. Auto-encoder enables automated learning of representations and eliminates the need of hand-crafted features, which is also believed to be one of the most important advantages of neural networks. Fig. 1B illustrates a typical transform coding scheme. The original image x is transformed by the analysis  network ga to achieve the latent representation y. The latent representation y is quantized and compressed into bits. The number of bits R is used to measure the coding rate. The quantized latent representation is then inversely transformed by a synthesis network gs to obtain the reconstructed image The distortion is calculated in a perceptual space by transforming x and with the function gp. It is intuitive to apply auto-encoder network to lossy image compression. It is only needed to encode the learned  latent representation from the well-trained neural networks. However, it is not trivial to adapt auto-encoder to image compression since the original auto-encoder is not optimized for compression thereby not efficient by directly using a trained auto-encoder. In addition, there exist other major challenges: First, the low-dimension representation should be quantized before being encoded, but the quantization is not differentiable, which is required in backpropagation while training the neural networks. Second, the objective under compression scenario is different since both the distortion and the rate need to be take into consideration. Estimating the rate is challenging. Third, a practical image coding scheme needs to support variable rate, scalability, encoding / decoding speed, interoperability. In response to these challenges, a number of researchers have been actively contributing to this area. The prototype auto-encoder for image compression is in Fig. 1B, which can be regarded as a transform coding  strategy. The original image x is transformed with the analysis network y=ga (x) , where y is the latent representation which will be quantized and coded. The synthesis network will inversely transform the quantized latent representation back to obtain the reconstructed image The framework is trained with the rate-distortion loss function, i.e.,  where D is the distortion between x and R is the rate calculated or estimated from the quantized representation and λ is the Lagrange multiplier. It should be noted that D can be calculated in either pixel domain or perceptual domain. All existing research works follow this prototype and the difference might only be the network structure or loss function. 2.3.3 Hyper prior model In the transform coding approach to image compression, the encoder subnetwork (section 2.3.2) transforms the  image vector x using a parametric analysis transform into a latent representation y, which is then quantized to form Because is discrete-valued, it can be losslessly compressed using entropy coding techniques such as arithmetic coding and transmitted as a sequence of bits. As evident from the middle left and middle right image of Fig. 2, there are significant spatial dependencies  among the elements of Notably, their scales (middle right image) appear to be coupled spatially. An additional set of random variables can be introduced to capture the spatial dependencies and to further reduce the redundancies. In this case the image compression network is depicted in Fig. 3. In Fig 3, the left hand of the models is the encoder ga and decoder gs (explained in section 2.3.2) . The right- hand side is the additional hyper encoder ha and hyper decoder hs networks that are used to obtain In this architecture the encoder subjects the input image x to ga, yielding the responses y with spatially varying standard deviations. The responses y are fed into ha, summarizing the distribution of standard deviations in z. z is then quantized compressed, and transmitted as side information. The encoder then uses the quantized vector to estimate σ, the spatial distribution of standard deviations, and uses it to compress and transmit the quantized image representation The decoder first recovers from the compressed signal. It then uses hs to obtain σ, which provides it with the correct probability estimates to successfully recover as well. It then feeds  into gs to obtain the reconstructed image. When the hyper encoder and hyper decoder are added to the image compression network, the spatial  redundancies of the quantized latent are reduced. The rightmost image in Fig. 2 correspond to the quantized latent when hyper encoder / decoder are used. Compared to middle right image, the spatial redundancies are significantly reduced, as the samples of the quantized latent are less correlated. In Fig. 2: Left: an image from the Kodak dataset. Middle left: visualization of a latent representation y of that  image. Middle right: standard deviations σ of the latent. Right: latents y after the hyper prior (hyper encoder and decoder) network is introduced. Fig. 3 illustrates Network architecture of an autoencoder implementing the hyperprior model. The left side shows  an image autoencoder network, the right side corresponds to the hyperprior subnetwork. The analysis and synthesis transforms are denoted as ga and ga. Q represents quantization, and AE, AD represent arithmetic encoder and arithmetic decoder, respectively. The hyperprior model consists of two subnetworks, hyper encoder (denoted with ha) and hyper decoder (denoted with hs) . The hyper prior model generates a quantized hyper latent which comprises information about the probability distribution of the samples of the quantized latent  is included in the bitsteam and transmitted to the receiver (decoder) along with 2.3.4 Context model Although the hyper prior model improves the modelling of the probability distribution of the quantized latent additional improvement can be obtained by utilizing an autoregressive model that predicts quantized latents from their causal context (Context Model) . The term auto-regressive means that the output of a process is later used as input to it. For example the context  model subnetwork generates one sample of a latent, which is later used as input to obtain the next sample. Fig. 4 is a schematic diagram illustrating an example combined model configured to jointly optimize a context model along with a hyperprior and the autoencoder. The following Table 1 illustrates meaning of different symbols. Table 1 –Illustration of symbols A joint architecture can be utilized where both hyper prior model subnetwork (hyper encoder and hyper decoder)  and a context model subnetwork are utilized. The hyper prior and the context model are combined to learn a probabilistic model over quantized latents which is then used for entropy coding. As depicted in Fig. 4, the outputs of context subnetwork and hyper decoder subnetwork are combined by the subnetwork called Entropy Parameters, which generates the mean μ and scale (or variance) σ parameters for a Gaussian probability model. The gaussian probability model is then used to encode the samples of the quantized latents into bitstream with the help of the arithmetic encoder (AE) module. In the decoder the gaussian probability model is utilized to obtain the quantized latents from the bitstream by arithmetic decoder (AD) module. Fig 4 illustrates the combined model jointly optimizes an autoregressive component that estimates the probability  distributions of latents from their causal context (Context Model) along with a hyperprior and the underlying autoencoder. Real-valued latent representations are quantized (Q) to create quantized latents and quantized hyper-latents which are compressed into a bitstream using an arithmetic encoder (AE) and decompressed by an arithmetic decoder (AD) . The highlighted region corresponds to the components that are executed by the receiver (i.e. a decoder) to recover an image from a compressed bitstream. Typically the latent samples are modeled as gaussian distribution or gaussian mixture models (not limited to) .  According to Fig. 4, the context model and hyper prior are jointly used to estimate the probability distribution of the latent samples. Since a gaussian distribution can be defined by a mean and a variance (aka sigma or scale) , the joint model is used to estimate the mean and variance (denoted as μ and σ) . 2.3.5 Gained variational autoencoders (G-VAE) Typically, neural network-based image / video compression methodologies need to train multiple models to adapt  to different rates. Gained variational autoencoders (G-VAE) is the variational autoencoder with a pair of gain units , which is designed to achieve continuously variable rate adaptation using a single model. It comprises of a pair of gain units, which are typically inserted to the output of encoder and input of decoder. The output of the encoder is defined as the latent representation y∈Rc*h*w, where c, h, w represent the number of channels, the height and width of the latent representation. Each channel of the latent representation is denoted as y (i) ∈Rh*w, where i=0, 1, …, c-1. A pair of gain units include a gain matrix M∈Rc*n and an inverse gain matrix, where n is the number of gain vectors. The gain vector can be denoted as ms= {αs (0) , αs (1) , …, αs (c-1) } , αs (i) ∈R where s denotes the index of the gain vectors in the gain matrix. The motivation of gain matrix is similar to the quantization table in JPEG by controlling the quantization loss  based on the characteristics of different channels. To apply the gain matrix to the latent representation, each channel is multiplied with the corresponding value in a gain vector. where ⊙ is channel-wise multiplication, i.e.,  and αs (i) is the i-th gain value in the gain  vector ms. The inverse gain matrix used at the decoder side can be denoted as M′∈Rc*n, which consists of n inverse gain vectors, i.e., M′= {δs (0) , δs (1) , …, δs (c-1) } , δs (i) ∈R. The inverse gain process is expressed as: where is the decoded quantized latent representation and y′s is the inversely gained quantized latent  representation, which will be fed into the synthesis network. To achieve continuous variable rate adjustment, interpolation is used between vectors. Given two pairs of gain  vectors {mt, m′t} and {mr, m′r} , the interpolated gain vector can be obtained via the following equations. mv= [ (mr) l· (mt) 1-l] m′v= [ (m′r) l· (m′t) 1-l] where l∈R is an interpolation coefficient, which controls the corresponding bit rate of the generated gain vector  pair. Since l is a real number, an arbitrary bit rate between the given two gain vector pairs can be achieved. 2.3.6 The encoding process using joint auto-regressive hyper prior model The fig 4. corresponds to the state of the art compression method. In this section and the next, the encoding and  decoding processes will be described separately. The Fig. 5 depicts the encoding process. The input image is first processed with an encoder subnetwork. The  encoder transforms the input image into a transformed representation called latent, denoted by y. y is then input to a quantizer block, denoted by Q, to obtain the quantized latent is then converted to a bitstream (bits1) using an arithmetic encoding module (denoted AE) . The arithmetic encoding block converts each sample of the  into a bitstream (bits1) one by one, in a sequential order. The modules hyper encoder, context, hyper decoder, and entropy parameters subnetworks are used to estimate  the probability distributions of the samples of the quantized latent the latent y is input to hyper encoder, which outputs the hyper latent (denoted by z) . The hyper latent is then quantized and a second bitstream (bits2) is generated using arithmetic encoding (AE) module. The factorized entropy module generates the probability distribution, that is used to encode the quantized hyper latent into bitstream. The quantized hyper latent includes information about the probability distribution of the quantized latent The Entropy Parameters subnetwork generates the probability distribution estimations, that are used to encode  the quantized latent The information that is generated by the Entropy Parameters typically include a mean μand scale (or variance) σ parameters, that are together used to obtain a gaussian probability distribution. A gaussian distribution of a random variable x is defined as wherein the parameter μ is the mean or expectation of the distribution (and also its median and mode) , while the parameter σ is its standard deviation (or variance, or scale) . In order to define a gaussian distribution, the mean and the variance need to be determined. In an existing design, the entropy parameters module are used to estimate the mean and the variance values. The subnetwork hyper decoder generates part of the information that is used by the entropy parameters  subnetwork, the other part of the information is generated by the autoregressive module called context module. The context module generates information about the probability distribution of a sample of the quantized latent, using the samples that are already encoded by the arithmetic encoding (AE) module. The quantized latent is typically a matrix composed of many samples. The samples can be indicated using indices, such as or  depending on the dimensions of the matrix The samples are encoded by AE one by one, typically using a raster scan order. In a raster scan order the rows of a matrix are processed from top to bottom, wherein the samples in a row are processed from left to right. In such a scenario (wherein the raster scan order is used by the AE to encode the samples into bitstream) , the context module generates the information pertaining to a sample using the samples encoded before, in raster scan order. The information generated by the context module and the hyper decoder are combined by the entropy parameters module to generate the probability distributions that are used to encode the quantized latent into bitstream (bits1) . Finally the first and the second bitstream are transmitted to the decoder as result of the encoding process. It is noted that the other names can be used for the modules described above. In the above description, the all of the elements in Fig. 5 are collectively called encoder. The analysis transform  that converts the input image into latent representation is also called an encoder (or auto-encoder) . 2.3.7 The decoding process using joint auto-regressive hyper prior model The Fig. 6 depicts the decoding process separately. In the decoding process, the decoder first receives the first bitstream (bits1) and the second bitstream (bits2) that  are generated by a corresponding encoder. The bits2 is first decoded by the arithmetic decoding (AD) module by utilizing the probability distributions generated by the factorized entropy subnetwork. The factorized entropy module typically generates the probability distributions using a predetermined template, for example using predetermined mean and variance values in the case of gaussian distribution. The output of the arithmetic decoding process of the bits2 is which is the quantized hyper latent. The AD process reverts to AE process that was applied in the encoder. The processes of AE and AD are lossless, meaning that the quantized hyper latent that was generated by the encoder can be reconstructed at the decoder without any change. After obtaining of it is processed by the hyper decoder, whose output is fed to entropy parameters module.  The three subnetworks, context, hyper decoder and entropy parameters that are employed in the decoder are identical to the ones in the encoder. Therefore the exact same probability distributions can be obtained in the decoder (as in encoder) , which is essential for reconstructing the quantized latent without any loss. As a result the identical version of the quantized latent that was obtained in the encoder can be obtained in the decoder. After the probability distributions (e.g. the mean and variance parameters) are obtained by the entropy parameters subnetwork, the arithmetic decoding module decodes the samples of the quantized latent one by one from the bitstream bits1. From a practical standpoint, autoregressive model (the context model) is inherently serial, and therefore cannot be sped up using techniques such as parallelization. Finally the fully reconstructed quantized latent is input to the synthesis transform (denoted as decoder in Fig.  6) module to obtain the reconstructed image. In the above description, the all of the elements in Fig. 6 are collectively called decoder. The synthesis transform  that converts the quantized latent into reconstructed image is also called a decoder (or auto-decoder) . 2.4 Neural networks for video compression Similar to conventional video coding technologies, neural image compression serves as the foundation of intra  compression in neural network-based video compression, thus development of neural network-based video compression technology comes later than neural network-based image compression but needs far more efforts to solve the challenges due to its complexity. Starting from 2017, a few researchers have been working on neural network-based video compression schemes. Compared with image compression, video compression needs efficient methods to remove inter-picture redundancy. Inter-picture prediction is then a crucial step in these works. Motion estimation and compensation is widely adopted but is not implemented by trained neural networks until recently. Studies on neural network-based video compression can be divided into two categories according to the targeted  scenarios: random access and the low-latency. In random access case, it requires the decoding can be started from any point of the sequence, typically divides the entire sequence into multiple individual segments and each segment can be decoded independently. In low-latency case, it aims at reducing decoding time thereby usually merely temporally previous frames can be used as reference frames to decode subsequent frames. 2.5 Preliminaries Almost all the natural image / video is in digital format. A grayscale digital image can be represented by  where is the set of values of a pixel, m is the image height and n is the image width. For example,  is a common setting and in this case thus the pixel can be represented by an 8-bit integer. An uncompressed grayscale digital image has 8 bits-per-pixel (bpp) , while compressed bits are definitely less. A color image is typically represented in multiple channels to record the color information. For example, in the  RGB color space an image can be denoted by with three separate channels storing Red, Green and Blue information. Similar to the 8-bit grayscale image, an uncompressed 8-bit RGB image has 24 bpp. Digital images / videos can be represented in different color spaces. The neural network-based video compression schemes are mostly developed in RGB color space while the traditional codecs typically use YUV color space to represent the video sequences. In YUV color space, an image is decomposed into three channels, namely Y, Cb and Cr, where Y is the luminance component and Cb / Cr are the chroma components. The benefits come from that Cb and Cr are typically down sampled to achieve pre-compression since human vision system is less sensitive to chroma components. A color video sequence is composed of multiple color images, called frames, to record scenes at different  timestamps. For example, in the RGB color space, a color video can be denoted by X= {x0, x1, …, xt, …, xT-1} where T is the number of frames in this video sequence,  If m=1080, n=1920,  and the video has 50 frames-per-second (fps) , then the data rate of this uncompressed video is 1920×1080×8×3×50=2, 488, 320, 000 bits-per-second (bps) , about 2.32 Gbps, which needs a lot storage thereby definitely needs to be compressed before transmission over the internet. Usually the lossless methods can achieve compression ratio of about 1.5 to 3 for natural images, which is clearly  below requirement. Therefore, lossy compression is developed to achieve further compression ratio, but at the cost of incurred distortion. The distortion can be measured by calculating the average squared difference between the original image and the reconstructed image, i.e., mean-squared-error (MSE) . For a grayscale image, MSE can be calculated with the following equation. Accordingly, the quality of the reconstructed image compared with the original image can be measured by  peak signal-to-noise ratio (PSNR) : where is the maximal value in e.g., 255 for 8-bit grayscale images. There are other quality  evaluation metrics such as structural similarity (SSIM) and multi-scale SSIM (MS-SSIM) . To compare different lossless compression schemes, it is sufficient to compare either the compression ratio given  the resulting rate or vice versa. However, to compare different lossy compression methods, it has to take into account both the rate and reconstructed quality. For example, to calculate the relative rates at several different quality levels, and then to average the rates, is a commonly adopted method; the average relative rate is known as Bjontegaard’s delta-rate (BD-rate) . There are other important aspects to evaluate image / video coding schemes, including encoding / decoding complexity, scalability, robustness, and so on. 2.6 Separate processing of luma and chroma components of an image Fig. 7 illustrates the decoding process according to some example embodiments of the present disclosure.  According to one implementation, the luma and chroma components of an image can be decoded using separate subnetworks. In Fig. 7, the luma component of the image is processed by the subnetwoks “Synthesis” , “Prediction fusion” , “Mask Conv” , “Hyper Decoder” , “Hyper scale decoder” etc. Whereas the chroma components are processed by the subnetworks: “Synthesis UV” , “Prediction fusion UV” , “Mask Conv UV” , “Hyper Decoder UV” , “Hyper scale decoder UV” etc. A benefit of the above separate processing is that the computational complexity of the processing of an image is  reduced by application of separate processing. Typically in neural network based image and video decoding, the computational complexity is proportional to the square of the number of feature maps. If the number of total feature maps is equal to 192 for example, computational complexity will be proportional to 192x192. On the other hand if the feature maps are divided into 128 for luma and 64 for chroma (in the case of separate processing) , the computational complexity is proportional to 128x128 + 64x64, which corresponds to a reduction in complexity by 45%. Typically the separate processing of luma and chroma components of an image does not result in a prohibitive reduction in performance, as the correlation between the luma and chroma components are typically very small. The processing (Decoding process) in Fig. 7 can be explained below: 1. Firstly, the factorized entropy model is used to decode the quantized latents for luma and chroma, i.e.,  and in Fig. 7. 2. The probability parameters (e.g. variance) generated by the second network are used to generate a  quantized residual latent by performing the arithmetic decoding process. 3. The quantized residual latent is inversely gained with the inverse gain unit (iGain) as shown in orange  color in Fig. 7. The outputs of the inverse gain units are denoted as and for luma and chroma components, respectively. 4. For the luma component, the following steps are performed in a loop until all elements of are obtained: a. A first subnetwork is used to estimate a mean value parameter of a quantized latent using  the already obtained samples of b. The quantized residual latent and the mean value are used to obtain the next element of 5. After all of the samples of are obtained, a synthesis transform can be applied to obtain the  reconstructed image. 6. For chroma component, step 4 and 5 are the same but with a separate set of networks. 7. The decoded luma component is used as additional information to obtain the chroma component.  Specifically, the Inter Channel Correlation Information filter sub-network (ICCI) is used for chroma component restoration. The luma is fed into the ICCI sub-network as additional information to assist the chroma component decoding. 8. Adaptive color transform (ACT) is performed after the luma and chroma components are reconstructed. The module named ICCI is a neural-network based postprocessing module. The example embodiments of the  present disclosure are not limited to the UCCI subnetwork, any other neural network based postprocessing module might also be used. An exemplary implementation of some example embodiments of the present disclosure is depicted in Fig. 7 (the  decoding process) . The framework comprises two branches for luma and chroma components respectively. In each of the branch, the first subnetwork comprises the context, prediction and optionally the hyper decoder modules. The second network comprises the hyper scale decoder module. The quantized hyper latent are and  The arithmetic decoding process generates the quantized residual latents, which are further fed into the iGain units to obtain the gained quantized residual latents and After the residual latent is obtained, a recursive prediction operation is performed to obtain the latent and The following steps describe how to obtain the samples of latent and the chroma component is processed in the same way but with different networks. 1. An autoregressive context module is used to generate first input of a prediction module using the  samples where the (m, n) pair are the indices of the samples of the latent that are already obtained. 2. Optionally the second input of the prediction module is obtained by using a hyper decoder and a  quantized hyper latent 3. Using the first input and the second input, the prediction module generates the mean value mean [: , i, j] . 4. The mean value mean [: , i, j] and the quantized residual latent are added together to obtain the  latent 5. The steps 1-4 are repeated for the next sample. Whether to and / or how to apply at least one method disclosed in the document may be signaled from the  encoder to the decoder, e.g. in the bitstream. Alternatively, whether to and / or how to apply at least one method disclosed in the document may be determined  by the decoder based on coding information, such as dimensions, color format, etc. Alternative or additionally, the modules named MS1, MS2 or MS3+O (in Fig. 7) , might be included in the  processing flow. The said modules might perform an operation to their input by multiplying the input with a scalar or adding an adding an additive component to the input to obtain the output. The scalar or the additive component that are used by the said modules might be indicated in a bitstream. The module named RD or the module named AD in Fig. 7 might be an entropy decoding module. It might be a  range decoder or an arithmetic decoder or the like. The example embodiments of the present disclosure described herein are not limited to the specific combination  of the units exemplified in Fig. 7. Some of the modules might be missing and some of the modules might be displaced in processing order. Also additional modules might be included. For example: 1. The ICCI module might be removed. In that case the output of the Synthesis module and the Synthesis  UV module might be combined by means of another module, that might be based on neural networks. 2. One or more of the modules named MS1, MS2 or MS3+O might be removed. The core of the proposed  solution is not affected by the removing of one or more of the said scaling and adding modules. In Fig. 7, other operations that are performed during the processing of the luma and chroma components are also  indicated using the star symbol. These processes are denoted as MS1, MS2, MS3+O. These processing might be, but not limited to, adaptive quantization, latent sample scaling, and latent sample offsetting operations. For example, in an adaptive quantization process might correspond to scaling of a sample with multiplier before the prediction process, wherein the multiplier is predefined or whose value is indicated in the bitstream. The latent scaling process might correspond to the process where a sample is scaled with a multiplier after the prediction process, wherein the value of the multiplier is either predefined or indicated in the bitstream. The offsetting operation might correspond to adding an additive element to the sample, again wherein the value of the additive element might be indicated in the bitstream or inferred or predetermined. Another operation might be tiling operation, wherein samples are first tiled (grouped) into overlapping or non- overlapping regions, wherein each region is processed independently. For example the samples corresponding to the luma component might be divided into tiles with a tile height of 20 samples, whereas the chroma components might be divided into tiles with a tile height of 10 samples for processing. Another operation might be application of wavefront parallel processing. In wavefront parallel processing, a  number of samples might be processed in parallel, and the amount of samples that can be processed in parallel might be indicated by a control parameter. The said control parameter might be indicated in the bitstream, be inferred, or can be predetermined. In the case of separate luma and chroma processing, the number of samples that can be processed in parallel might be different, hence different indicators can be signalled in the bitstream to control the operation of luma and chrome processing separately. 2.7 Colors separation and conditional coding In one example the primary and secondary color components of an image are coded separately, using networks  with similar architecture, but different number of channels as shown in 8. All boxes with same names are sub-networks with the similar architecture, only input-output tensor size and number of channels are different. Number of channels for primary component is Cp=128, for secondary components is Cs=64. The vertical arrows (with arrowhead pointing downwards) indicate data flow related to secondary color components coding. Vertical arrows show data exchange between primary and secondary components pipelines. The input signal to be encoded is notated as x, latent space tensor in bottleneck of variational auto-encoder is y.  Subscript “Y” indicates primary component, subscript “UV” is used for concatenated secondary components, there are chroma components. Fig. 8 illustrates learning-based image codec architecture. First the input image that has RGB color format is converted to primary (Y) and secondary components (UV) .  The primary component xY is coded independently from secondary components xUV and the coded picture size is equal to input / decoded picture size. The secondary components are coded conditionally, using xY as auxiliary information from primary component for encoding xUV and using as a latent tensor with auxiliary information from primary component for decoding reconstruction. The codec structure for primary component and secondary components are almost identical except the number of channels, size of the channels and the several entropy models for transforming latent tensor to bitstream, therefore primary and secondary latent tensor will generate two different bitstream based on two different entropy models. Prior to the encoding xY, xUV goes through a module which adjusts the sample location by down-sampling (marked as “s↓” on Fig. 1) , this essentially means that coded picture size for secondary component is different from the coded picture size for primary component. The scaling factor s is variable, but the default scaling factor is s=2. The size of auxiliary input tensor in conditional coding is adjusted in order the encoder receives primary and secondary components tensor with the same picture size. After reconstruction, the secondary component is rescaled to the original picture size with a neural-network based upsampling filter module ( “NN-color filter sn” on Fig. 1) , which outputs secondary components up-sampled with factor s. The example in Fig. 8 exemplifies an image coding system, where the input image is first transformed into  primary (Y) and secondary components (UV) . The outputs are the reconstructed outputs corresponding to the primary and secondary components. At the and of the processing,  are converted back to RGB color format. Typically the xUV is downsampled (resized) before processing with the encoding and decoding modules (neural networks) . For example the size of the xUV might be reduced by a factor of 50%in each of the vertical and horizontal dimensions. Therefore the processing of the secondary component includes approximately 50%x 50%= 25%less samples, therefore it is computationally less complex. 2.8 Cropping operation in neural network based coding Fig. 9 illustrates synthesis transform example for learning based image coding. The example synthesis  transform above includes a sequence of 4 convolutions with up-sampling with stride of 2. The synthesis transform sub-Net is depicted on Fig. 9. The size of the tensor in different parts of synthesis transform before cropping layer is the diagram on Fig. 9. The cropping layer changes tensor size hd×wd to hd-1×wd-1 , where hd=2·ceil (H / 2d) ; wd=2· ceil (W / 2d) ; here d is the depth of proceeding convolution in the codec architecture. For primary component Synthesis Transform receives input tensor with sizeh×w; h=ceil (H / 16) ; w=ceil (W / 16) . The output of Synthesis Transform for primary component is 1×h0×w0 , where h0=H; h0=W. For secondary component Synthesis Transform receives input tensor with size hUV× wUV; hUV= ceil (ceil (H / s)  / 16) ; wUV=ceil (ceil (W / s)  / 16) . The output of the Synthesis Transform for primary component is 2×hUV0×wUV0 , where hUV0=ceil (H / s) ; hUV0=ceil (W / s) . For secondary components input sizes are h0=ceil (H / s) ; w0=ceil (W / s) , where s is the scale factor. The scale factor might be 2 for example, wherein the secondary component is downsampled by a factor of 2. Based on the above explanation, the operation of the cropping layers depend on the output size H, W and the  depth of the cropping layer. The depth of the left-most cropping layer in Fig. 9 is equal to 0. The output of this cropping layer must be equal to H, W (the output size) , if the size of the input of this cropping layer is greater than H or W in horizontal or vertical dimension respectively, cropping needs to be performed in that dimension. The second cropping layer counting from left to right has a depth of 1. The output of the second cropping layer must be equal to h1=2·ceil (H / 21) ; w1=2·ceil (W / 21) , which means if the input of this second cropping layer is greater than h1, w1 in any dimension, than cropping is applied in that dimension. In summary, the operation of cropping layers are controlled by the output size H, W. In one example if H and W are both equal to 16, then the cropping layers do not perform any cropping. On the other hand if H and W are both equal to 17, then all 4 cropping layers are going to perform cropping. 2.9 Bitwise shifting The bitwise shift operator can be represented using the function bitshift (x, n) , where n is an integer number.  If n is greater than 0, it corresponds to right-shift operator (>>) , which moves the bits of of the input to the right, and the left-shift operator (<<) , which moves the bits to the left. In another words the bitshift (x, n) operation corresponds to: bitshift (x, n) =x*2n, or bitshift (x, n) =floor (x*2n) , or bitshift (x, n) =x / / 2n. The output of the bitshift operation is an integer value. In some implementations, the floor () function might be  added to the definition. Floor (x) is equal to the largest integer less than or equal to x. The “ / / ” operator or the integer division operator: It is an operation that comprises division and truncation of the  result toward zero. For example, 7  / 4 and -7  / -4 are truncated to 1 and -7  / 4 and 7  / -4 are truncated to -1. rightshift (x, n) =x＞＞n or leftshift (x, n) =x＜＜ n Equation 3: alternative implementation of the bitshift operator as rightshift or leftshift. x >> y Arithmetic right shift of a two's complement integer representation of x by y binary digits. This  function is defined only for non-negative integer values of y. Bits shifted into the most significant bits (MSBs) as a result of the right shift have a value equal to the MSB of x prior to the shift operation. x << y Arithmetic left shift of a two's complement integer representation of x by y binary digits. This function  is defined only for non-negative integer values of y. Bits shifted into the least significant bits (LSBs) as a result of the left shift have a value equal to 0. 2.10 Convolution operation The convolution is a fairly simple operation at heart: you start with a kernel, which is simply a small matrix of  weights. This kernel “slides” over the input data, performing an elementwise multiplication with the part of the input it is currently on, and then summing up the results into a single output pixel. In some cases the convolution operation might comprise a “bias” , which is added to the output of the elementwise multiplication operation. The convolution operation might be described by the following mathematical formula. An output out1 can be obtained as: wherein w1 are the multiplication factors, K1 is called a bias (an additive term) and Ik is the kth input, and N is  the kernel size in one direction and P is the kernel size in another direction. The convolution layer might consist of convolution operations wherein more than one output might be generated. Other equivalent depictions of the convolution operation might be found below: In the above equations “c” indicates the channel number. It is equivalent to output number, out [1, x, y] is one  output and out [2, x, y] is a second output. Wherein the k is the input number, I [1, x, y] is one input and I [2, x, y] is a second input. The w1, or w describe weights of the convolution operation. 2.11 Leaky_Relu activation function The leaky relu activation function is depicted in Fig. 10. According to the function, if the input is a positive value,  the output is equal to the input. If the input (y) is a negative value, the output is equal to a*y. The a is typically (not limited to) a value that is smaller than 1 and greater than 0. Since the multiplier a is smaller than 1, it can be implemented either as a multiplication with a non-integer number, or with a division operation. The multiplier a might be called the negative slope of the leaky relu function. 2.12 Relu activation function The relu activation function is depicted in Fig. 11. According to the function, if the input is a positive value, the  output is equal to the input. If the input (y) is a negative value, the output is equal to 0. 2.13 The JPEG AI image coding standard The existing design utilizes some NN-based image coding methods described mentioned above. Some of the  features are described or summarized below. The numbers in parentheses are section numbers for reference.  1. (3.5.20) padding layer padding layer is denoted as Padd (Hin, Win, d, sd) , where Hin, Win are height and width of tensor –input to  Analysis transform, sd is stride of proceeding convolution, d is depth of convolution layer in deep learnable encoder. Padding layer receives tensor of size [C, hd-1, wd-1] and outputs tensor of size [C, sdhd, sdwd] , where hd=ceil (hd-1 / sd) ; wd=ceil (wd-1 / sd) , h0=Hin, w0=Win. By default padding is performed by replication. Different model of padding can be specified (for example, padding by zeros) . 2. (3.5.22) cropping layer cropping layer is denoted as Crop (Hin, Win, d, sd) , where Hin, Win are height and width of tensor –output to  Synthesis transform, sd is stride of proceeding transposed convolution, d is depth of convolution layer in deep learnable reconstruction process. Cropping layer outputs a tensor of size [C, hd-1, wd-1] , where hd-1, wd-1defined in Table 2. Note, that h0=Hin, w0=Win. Cropping is performed by discarding redundant elements. Table 2 Tensor size parameters for primary and secondary components decoding. Table 3 Supported combinations of output picture format and scaling factors 3. (8.4) Latent space tiles Latent space tiles decoding can be enabled for each component independently by flags signalled in picture  header (section 9.3) . If tile_enable_Luma or tile_enable_Choma is true then corresponsing component is decoded unsing latent tiling process illustrated on Fig. 12. The number and location of tiles are determined by values tile size Stile (equal to tile_size_Luma for primary  component and tile_size_Chroma for secondary component) and tile overlap mtile (tile_overlap _Luma for primary component tile_overlap_Chroma for secondary component) signalled in picture header (section 9.3) . Further, the ratio r=Hin / h4=win / w4 between signal domain size and latent tensor size is known, which is r=24 for primary and r=23 for secondary component. The number of tiles vertically is K=ceil ( (Hin-mtile)  /  (Stile-mtile) ) and horizontally L= ceil ( (Win-mtile)  /  (Stile-mtile) ) , where Hin, Win are height and width of output color plane. Hin, Win are hight and width of output color plane. For k=0, …, K-1 and l=0, …, L-1 - Define tiles coordinates and sizes ○ –vertical dimension tile start in signal domain; ○ –vertical dimension tile start in latent space; ○ –vertical dimension tile size in signal  domain; ○ –vertical dimension tile size in latent space; ○ –horizontal dimension tile start in signal domain; ○ –horizontal dimension tile start in latent space; ○ –horizontal dimension tile size in signal  domain; ○ –horizontal dimension tile size in latent space. - tile latent space tensor ○ For c=0, …, C-1 ,  and ■ ○ For c=0, …, Cd-1 ,  and ■ - Synthesis transform for one tile ○ Synthesis transform described in section 8.3 with of sizes and as inputs and  of size and as output. - Merging reconstructed parts of tensor into one  ○ –overlap used on left boundary of the tile; ○ –overlap used on top boundary of the tile; ○ –overlap used on right boundary of the tile; ○ –overlap used on bottom boundary of the tile; ○ vertical dimension tile size in signal domain without tile overlap; ○ horizontal dimension tile size in signal domain without tile overlap; ○ For c=0, …, Cin-1 ,  and ■ Tile size location and overlap signalling in Picture Header is described in Annex C. 4. (9.2) Code stream layout Code stream structure is depicted in Fig. 13. The code stream is composed of six parts with byte boundary, which  are: 1. SOC -Start Of Codestream marker; 2. PIH (Picture Header marker) followed by picture header (section 9.3) ; 3. TOH (Tools Header marker) followed by tools information (section 9.3.1.1) ; 4. SOQ (start of Quality map marker) followed by code stream; 5. SOZ (Start of Z-stream marker) followed codestream of hyper tensor z, including  ( "stream zY" in Fig.  14, which illustrates a general JPEG AI decoder structure) and  ( "stream zUV" in Fig. 14) ; 6. SORp (Start of Residual stream for primary component marker) followed by codestream of primary  component residual, which includes  ( "stream yY" in Fig. 14) ; 7. SORs (Start of Residual stream for secondary component marker) followed by codestream of secondary  component residual, which includes  ( "stream yUV" in Fig. 14) ; 8. EOC -End Of Codestream marker. The overall syntax structure of an image is: Each code sream starts with a 16-bit marker. All markers used in this specification are as follows: 5. (9.3.1) Syntax table 6. (9.3.1.1) Model header 7. (9.3.2) Picture header semantics Following serves information is signalled: picture_header_size is the number of bytes in the picture header excluding the first two-byte marker; img_width plus 64 specifies width of an input picture (from 64 to 65600) ; img_height plus 64 specifies height of the input picture (from 64 to 65600) ; picture_format is a data format of the output picture (YUV420 = 0, YUV444 = 1, sRGB = 2, YUV422 = 3) ; bit_depth is a bit-depth the output picture ( “0” corresponds to 8 and “1” corresponds to 10) ; bit_c_ver is one bit value which defines c_ver =1+ bit_c_ver, c_ver controls internal subsampling mode of the  secodary component in vertical direction as defined in Table 3 and Table 2. If bit_c_ver is not present in bit-stream then c_ver is equal to 2. bit_c_hor is one bit value which defines c_hor =1+ bit_c_hor, c_ver controls internal subsampling mode of the  secodary component in vertical direction as defined in Table 3 and Table 2. If bit_c_hor is not present in bit-stream then c_hor is equal to 2. bit_s_ver is one bit value which defines s_ver which is used for align coding subsampling mode of the secodary  component and subsampling mode in output picture format in vertical direction as defined in Table 3. Usage of s_ver is descried in section 7.6 If bit_c_ver is not present in bit-stream then s_ver is equal to 1. bit_s_hor is one bit value which defines c_hor =1+ bit_c_hor, c_ver controls internal subsampling mode of the  secodary component in vertical direction as defined in Table 3 Usage of s_ver is descried in section 7.6 If bit_c_ver is not present in bit-stream then s_hor is equal to 1. scale_comp [2] are vertical and horizontal ratio between primary and secondary components sizes of coded  picture sver=scale_comp [0] and shor=scale_comp [1] ; if not present (res_changer_enable = false) then sver=2 and shor=2. Allowed values are listed in Table 3. independent_beta_uv is a flag (false / true) which indicates do the rate control parameter (β) for primary and  secondary components are the same. beta_displacement_log_y –parameter indicating ratio between rate control parameter beta selected by encoder  for primary component and one used in the model training. betaDisplacementLogY = beta_displacement_log_y –211 beta_displacement_log_uv –parameter indicating ratio between rate control parameter beta selected by encoder  for secondary component and one used in the model training. betaDisplacementLogUV = beta_displacement_log_uv –211 model_id is an identificator of pre-stored checkpoint with model’s weights, model_id = 0, 1, 2, 3 or 4. opIdx is an identificator for operation point, 0 means “base” , 1 means “high” operation point. tile_enable_Luma and tile_enable_Chroma are enable flags for tiling of primary and secondary components. tile_size_Luma and tile_size_Chroma are size of tiles for primary and secondary components. tile_overlap_Luma and tile_overlap_Luma are sizes of tiles overlapping areas for primary and secondary  components. cube_group_flag is 1-bit unsigned integer. cube_group_flag=0 indicates no cube_flag is signalled in one group,  and cube flags of one group are set to be 1. cube_group_flag=1 indicates cube flags of one group are signaled. cube_luma_flag is 1D array of size ( (h4, Y+7) ＞＞3) · ( (w4, Y+7) ＞＞3) , which contains cube flags for primary  component. 1 indicates Skip Mode is applied to one cube of residual tensor of primary component 0 indicates Skip Mode is disable for one cube of residual tensor of primary component cube_chroma_flag is 1D array of size ( (h4, UV+7) ＞＞3) · ( (w4, UV+7) ＞＞3) , which contains cube flags for  secondary component. 1 indicates Skip Mode is applied to one cube of residual tensor of secondary component  0 indicates Skip Mode is disable for one cube of residual tensor of secondary component color_transform_enable is an enable flag for color convertion module. color_transform_matrix [i] [j] is a matrix of color convertion. If not present (color_transform_enable is false)  then default ITU-R BT. 709 colour transform is used (refer to section 7.8) . color_transform_offset [i] is an offset for color transformation If not present (color_transform_enable is false)  then default ITU-R BT. 709 colour transform is used (refer to section 7.8) . 8. (9.5.1.1) Syntax table of hyper tensor 9. (9.5.2) Quality map information decoder The input of this process is - Codestream for quality_map; - Indicators for sigma tables which are decoded in picture header: ○ quality_map_entropy_index_y for primary component. ○ quality_map_entropy_index_uv for secondary component. The output of this process is - quality_map_delta _Y is an array of size with information used for deriving scaling factor  (section 12.2) for primary component residual tensor. - quality_map_delta _UV is an array of size with information used for deriving scaling  factor (section 12.2) for secondary component residual tensor. Here sizes and are defined in Table 2. q_primary_sigma_Idx is a 1D array of size h4Y×w4Y, and each element in this array is equal to q_sigma_Idx [quality_map_entropy_index_y] , where the q_sigma_Idx [k] is derived according to Table 4. q_secondary_sigma_Idx is a 1D array of size h4UV×w4UV, and each element in this array is equal to q_sigma_Idx [quality_map_entropy_index_uv] . q_primary is a 1D array of size h4Y×w4Y, and quality_map_delta_Y is determined by: - quality_map_delta_Y [i, j] = q_primary [i×w4Y+j] , for j = 0.. w4Y-1, and i = 0.. h4Y -1. q_secondary is a 1D array of size h4UV×w4UV, and quality_map_delta_UV is determined by - quality_map_delta_UV [i, j] = q_secondary [i×w4UV+j] , for j = 0.. w4UV-1, and i = 0.. h4UV -1. - Table 4 Determining q_sigma_Idx for quality map delta decoding 10. (9.5.2.1) Syntax table of quality map information tensor 11. (9.5.3) Primary residual stream decoder The input of this process is - Primary component residual codestream; - mask_skip [Cp, h4Y, w4Y] generated by Skip Mask generation (section 13.3.2) for primary component; - sigma_Idx_primary –tensor of size [Cp, h4Y, w4Y] which is the output of Sigma quantization (section  10.8) for primary component. The output of this process is - r_primary –one dimensional array {s} of residual tensor elements which is an input of decoder skip  process (section 13.3.4) for primary component. Here sizes Cp, w4Y, h4Y are defined in Table 2. A one dimensional array sigma_Idx_primary_1D is  determined though following steps: - Set k = 0 - For c=0.. Cp-1, - For i=0.. h4Y-1 , ■ For j=0.. w4Y-1 ● if mask_skip [c, i, j] is equal to True, sigma_Idx_primary_1D [k] is set to equal to  sigma_Idx_primary [c, i, j] and increase k by 1. 12. (9.5.3.1) Syntax table of primary residual tensor 13. (9.5.4) Secondary residual stream decoder The input of this process is - Codestream for secondary component residual; - mask_skip [Cs, h4UV, w4UV] generated by Skip Mask generation (section 13.3.2) for secondary  component; - sigma_Idx_secondary –tensor of size [Cs, h4UV, w4UV] which is the output of Sigma quantization  (section 10.8) for secondary component. The output of this process is - r_secondary –one dimensional array {s} of residual tensor elements which is an input of decoder skip  process (section 13.3.4) for secondary component. Here sizes Cs, h4UV, w4UV are defined in Table 2. A one dimensional array sigma_Idx_secondary_1D is  determined though following steps: - Set k = 0 - For c=0.. Cp-1, - For i=0.. h4Y-1 , ■ For j=0.. w4Y-1 ● if mask_skip [c, i, j] is equal to True, sigma_Idx_secondary_1D [k] is set to equal to  sigma_Idx_secondary [c, i, j] and increase k by 1. 14. (9.5.4.1) Syntax table of secondary residual tensor 15. (10.3) Hyper Scale Decoder Hyper scale decoder net is depicted in Fig. 15. The input of hyper scale decoder is -  reconstructed hyper tensor, - sizes of input / output tensor Hin , Win, - operation point indicator opIdx, - model parameters for Hyper Scale Decoder Net defined by pair (modelIdx, opIdx) , all multiplier  parameters in those models are 8-bits integer. The output of hyper scale decoder is standard deviation logarithm tensor Iσ [C, h4, w4] with integer values  in a range 0≤ Iσ<( (Nσ-1) ＜＜sigmaPrecision) , where Nσ, sigmaPrecision are defined in section 0. Sizes of those tensors for primary and secondary components are listed in Table 2. All operation in scalable hyper decoder are integer, an accumulator in all computations is within 32 bits  integer diapason, multipliers in model parameters are quantized to 8-bits integer. This guarantees bit-exact behaviour of this neural network module. Hyper scale decoder uses special type of operations quantized convolutions. For each quantized convolution in the process the set of clipping values {dk} and de-scaling shifts parameters {pk} (1≤k≤3) are specified for each channel. All clipping values in quantized convolutions are dk=27. De-scaling shifts {pk} are provided in section 15.6. NOTE-the magnitude of integerized weights in quantized model doesn’t exceed 27, shift and clipping value  combination ensures the register of quantized convolution is within 32-bits. The sequence of operations in this module doesn’t depend on operation point indicator (opIdx) , but model  parameters are different for base and high operation point. Hyper scale decoder starts with quantized convolution kernel size 1×1 , stride 1, followed by rectified linear  unit. Then there is a stride 1 quantized convolution with kernel size 3×3 , followed by rectified linear unit. The next stride 1 quantized convolution (kernel size 1×1) increases the number of channels to 16C . It is followed by pixel shuffle (stride 4) , which brings number of channels back to C . The cropping layer (stride 4, depth 5) ensures the size of output tensor is [C, h4, w4] . The process concluded with abs operation. Model with weights are storied in electronic attachment, in format specicied in section 4.8 and locates in <oper_point> / model_<MID> / <COMP> / hyper_scale_decoder. onnx, where <oper_point> is “base” or “high” ,  <MID> is an integer from 0 to 5, <COMP> is “primary” or “secondary” . 16. (11.2) Hyper Decoder The learning-based hyper decoder consists of two independent pipe-lines with identical neural network  architecture, except input size and number of channels. The input of this process is -  reconstructed hyper latent tensor, - model parameters for Hyper Decoder Net defined by (modelIdx) , - operation point indicator opIdx. The output of this process is - p [Cp, h4, w4] is explicit prediction (part of predicton tensor derived from explicitly signalled  information) , with channels size Cp= (opIdx+1) C. Hyper decoder process is depicted in Fig. 16. Hyper decoder starts stride 1 convolution with kernel size 1×1, followed by inverse convolution (stride 2,  kernel size 4×4) , cropping layer (depth 6) and leacky rectified linear unit. Next step is stride 1 convolution with kernel size 3×3, followed by inverse convolution (stride 2, kernel size 4×4) , cropping layer (depth 5) and leacky rectified linear unit. Number of channels kep un-changed till this point (equal to number of channels C of input tensor) . Hyper decoder concluded by stride 1 convolution with kernel size 3×3 which increases number of channels to 2C for high operation point and keeps number fo channes unchanged for base operation point followed by leacky rectified linear unit. Model with weights are storied in electronic attachment, in format specicied in section 4.8 and locates in <oper_point> / model_<MID> / <COMP> / hyper_decoder. onnx, where <oper_point> is “base” or “high” , <MID> is an integer from 0 to 5, <COMP> is “primary” or “secondary” . 17. (11.3) Latent tensor reconstruction process The input of this process is - operation point indicator opIdx, -  reconstructed residual tensor, which is an out out of SKIP Model process (13.3.4) , - p [Cp, h4, w4] explicit prediction, with channels size Cp= (opIdx+1) C, which is an output of Hyper  Decoder (11.2) , The output of this process is -  reconstructed latent tensor. The process is as follows. If opIdx==0 (base operation point) then multi-stage context modelling process is by-passed, - explicit prediction is added to residual If opIdx==1 (high operation point) then: - Multi-stage Context Modelling process (section 11.4) is used. 18. (11.4) Multistage Context Modelling The input of this process is -  reconstructed residual tensor, which is an out out of SKIP Model process (13.3.4) , - p [2C, h4, w4] explicit prediction, which is an output of Hyper Decoder (11.2) , - Eight MCMk , k=0, …7 models with parameters defined by (modelIdx, k) , The output of this process is -  reconstructed latent tensor. The process consists of following steps: - padding layer (depth 5, stride 2) and down-shuffle (11.5.1) M=2 of explicit prediction tensor  p [2C, h4, w4] to re-shaped prediction tensor, - padding layer (depth 5, stride 2) and down-shuffle (11.5.1) M=1 of reconstructed resdiaul to re-shaped residual tensor, - split into four parts   (each parts consists of  2C out of 8C channels) , - split into eight parts  (each parts  consists of C / 2 out of 4C channels) , - For k=0, …, 3 ○ MCM (k) process which ■ takes as an input ● previously reconstructed parts of re-shaped latent  space tensor, ● –collocated part of reconstructed residual tensor, ● -part of re-shaped explicit prediction tensor, ■ outputs ● produces - Channel net process (11.5.4) over tensor. - For k=3, …, 7 ○ MCM (k) process which ■ takes as an input ● previously reconstructed parts of re-shaped latent  space tensor, ● –collocated part of reconstructed residual tensor, ● -part of re-shaped explicit prediction tensor. ■ outputs ● produces - up-shuffle (11.5.2) M=2 and cropping layer (depth 5, stride 2)  to - up-shuffle (11.5.2) M=2 and cropping layer (depth 5, stride 2)  to μ [C, h4, w4] (to be further  used in LSBS process 13.4.2) . Multi-stage context modelling process is depicted in Fig. 17. This is a recurrent process: later stages uses  previously obtained elements of output tensor as an input. Data flow which corresponds usage of previous stages output is marked with arrows in Fig. 17. Models with weights are storied in electronic attachment, in format specicied in section 4.8 and locates in  high / model_<MID> / <COMP> / MCM / stage<N>. onnx, where <MID> is an integer from 0 to 5, <COMP> is “primary” or “secondary” , <N> is a number of MCM’s stage from 0 to 7. 19. (13.3.4) Decoder side SKIP operation At the decoder, the inputs of skip mode process are - 1D array s [num_res_elements] after decoding by me-tANS (section 9.5.2) to from the “stream-y” , - mask_skip [C, h4, w4] . The output of this process is - the residual tensor The output of the lossless decoding process is a 1D array {sk} , whose size is equal to the total number of “1” s in the mask_skip [C, h4, w4] tensor. In other words, the mask_skip [C, h4, w4] tensor determines which samples of the residual tensor are included  in the bitstream. All of the other samples of the quantized residual tensor are inferred to be equal to zero. The process of residual skip mode at the decoder is as follows: - Dimensions [C, h4, w4] are set equal to number of channels, height and width of the sigma tensor σ (Table  2) . - Tensors is initialized to be equal to all zeros. - The counter k=0. - The following ordered steps are applied: - For c=0.. C-1, - For i=0.. h4-1 ■ For, j=0.. w4-1 if mask_skip [c, i, j] is equal to True,  and increase k by 1; ■ otherwise,  20. (14.1.1) Inter channel correlation information filter tiling and output selection process The ICCI filter processes the input in tiles using the same method described in Section 8.4. The tile size  icci_tile_size and tile overlap icci_tile_overlap are same for the primary (Luma) and secondary (Chroma) components and signalled in picture header (Section 9.3) . The ratio r between input domain size and output tensor size is fixed to 1 for each component. The minimum tile size is limited to 176 for the stable computation of the model selection explained next. In total, 10 ICCI filters are included into the design. In each tile tileID for each color component comp=0.. 2 ( “0”  – “y” , “1” – “u” , “2” - “v” ) the filter is selected based on icci_model_idx [comp] [tileID] value which is coded in picture header (Section 9.3) . In case icci_model_idx = 0, the ICCI processing is bypassed. 21. (14.2) Adaptive upsampler This section details the primary component guaided adaptive upsampler process. This process provides  enhancement of secondary components (colour information planes) of image utilising information from primary component. This process is enabled if EFE_upsampler_enabled_flag is true. The input of this process is -  (output of synthesis transfor for primary component) , -  (output of synthesis transfor for secondary component) , The output of this process is - enhanced secondary component which goes to the ICCI filter block (section 14.1)  and which goes to the non-linear filter block (section 14.3) . Fig. 18 illustrates an example implementation of primary component guided adaptive up-sampling filter. If EFE_upsampler_enabled_flag is equal to 0, the is up-sampled by bi-cubic interpolation as  described in section 7.6. Otherwise the following ordered steps are performed: - The parsing process according to parsing table in Section 9.4.1 is invoked to obtain W1A, W1B, W4A, W4B  and B1. - Tiling process is as described in section 14.2.2 is invoked with parsed syntax elements as inputs and Tile1  tensor as output. - Parameter update process as specified in section Section 14.2.1. is invoked with W4A and W1Aas inputs and  modified W4A and W1A as outputs. - B1 [2] is vector is subtracted channelwise from -  and are set equal to  and respectively. - For x = 0.. (W+1)  / 2-1, y = 0… (H+1)  / 2-1, k = 0.. 1, i=0…over-1, j=0…ohor-1 the following is performed: - ch=4k+2i+j - chout=k·over·ohor+ohor·i+j - chin=k·scalever·scalehor+scalehor· (i%scalever) + (j%scalehor) - tidx=Tile1 [k, y, x] - U′ [chout, y, x] =U [chin, y, x] *W4A [tidx, ch] +Y [2i+j, y, x] *W4B [tidx, k] +B1 [k] - U′ [chout, y, x] =U [chin, y, x] *W1A [0, ch] + Y [2i+j, y, x] ＊W1B [0, k] +B1 [k] -  and are set equal to pixelshuffle (U′, over, ohor) and  pixelshuffle (U″, over, ohor) respectively. 22. (14.4.1) LEF general process LEF process receives primary variance tensor and reconstructed primary as  inputs. The output of LEF process is edge enhanced modified The following ordered steps are performed: - Picture header parsing process is invoked as described in section Section 9.3. to obtain targetBppIdx, - chIdx is set equal to reference_channel_idx_table [tagetBppIdx] , - The tensor is obtained as follows, for i = 0.. HY-1, j = 0.. WY-1, -  - thr [3] =luma_edge_filter_thr_list_table [targetBppIdx] , - intensity [4] =luma_edge_filter_intensity_list [targetBppIdx] , -  -  -  -  - For i = 0.. HY-1, j = 0.. WY-1; -  -  -  is modified as follows, for i = 0.. HY-1, j = 0.. WY-1: -  In this process zero padding is used when the indices of a tensor exceeds the tensor boundaries. The weights tensor kernel is defined as follows: The reference_channel_idx_table is defined as follows: reference_channel_idx_table= [23, 23, 65, 65, 65] The luma_edge_filter_intensity_list is as follows: The luma_edge_filter_thr_list_table is defined as follows: 3. Problems The following limitations present in the existing design: 1) As shown in Fig. 19, the coded bits of the Q-stream, Z-stream, Ry-stream, and RUV-stream in the  bitstream follow a sequential order. Therefore, even the synthesis transform has tiling-based mechanism, the whole bitstream must be decoded to generate the regional decoded image, which introduces additional decoding complexity and potential inconvenience in real applications. 2) Although JPEG AI supports splitting the latents into multiple partitions in the synthesis transform part,  the multiple partitions have to be decoded in a sequential order since each subsequent decoded area uses the reference pixels from the previously decoded areas. Only decoding a specified region is not supported. The use cases of only decoding a certain region include omnidirectional video-based applications, multi-page document sharing on social media etc. 3) Currently, it is possible to partition a picture into multiple regions, and at the same time enable the  correct decoding of a subset of each region independently from other regions by having tiles being subsets of regions and alignment of tiling between luma and chroma. However, there lacks a high-level indication of this regional access capability, e.g., in the picture header. 4) Currently, it is possible to partition a picture into multiple regions, and at the same time enable the  correct decoding of a subset of each region independently from other regions. However, it is not possible to enable correct decoding of the entire regions. 4. Detailed Solutions To solve the above-described problems, methods as summarized below are disclosed. The solutions should be  considered as examples to explain the general concepts and should not be interpreted in a narrow way. Furthermore, these solutions can be applied individually or combined in any manner. 1) It is proposed that a subset (such as a subpicture, or a tile, or a slice, or a region) of samples in a picture  can be reconstructed independently from samples in the picture out of the subset, with a NN-based decoder such as a JPEG-AI decoder. 2) To realize item 1) , the following methods may apply: a. The bitstream is structured to region-based to replace the picture-based. b. The picture may be split into multiple regions, either vertically or horizontally or both vertically  and horizontally. Fig. 20 illustrates possible split types. i. The number of horizontal (row) regions and vertical (column) regions may use two  flags / signals to indicate and signaled in the bitstreams. ii. For each of the split region, a signal / flag may be used to indicate if the current region  is an independently decoded region, i.e., the region can be independently decoded without relying on other regions. iii. An algorithm may be designed to derive the region sizes and the specific starting and  ending location of each region give the input picture size. In the algorithm, additional restrictions may apply such as the allowed minimal region size or maximum regional size. a. Alternatively, the size and / or location information may be explicitly  indicated in the bitstream. c. A starting code / signal may be signaled into the bitstream to indicate the start of a region. 3) To alleviate the region boundary artifacts, overlapping is applied to dependent regions as shown in Fig.  21. The overlapping mechanism may be used for hyper tensor, residual latents and synthesis transform. a. In one example, the number of overlapped pixels could be. i. Entropy decoding of  1. No overlap around the region. ii. Hyper decoder and hyper scale decoder: 1. One sample overlap on each side at input. 2. Four samples discarded on each side at output. iii. MCM: - Eight samples overlap on each side at input. - Eight samples discarded on each side at output. iv. Synthesis transforms: - Two samples overlap on each side at input. - Thirty-two or sixteen samples discarded on each side at output. 4) Alternative to 3) , shifted regions may be used as illustrated in Fig. 22. The tiles are a shifted version for  the synthesis transform of the original tiles in the JPEG AI software. The structure makes the pipelining possible, making a faster decoder. 5) In one example, a design is made to allow switching between splitting and not splitting coded data of z- hat (i.e.,  ) . Not splitting z-hat data allows using of the z-hat data for the entire picture even when other types of data for only certain regions are available to the decoder. This allows the end user to access a lower quality representation of the entire picture plus a high-quality representation of certain regions. This for example can be very useful in 360 / VR applications, as when a user turns his or her head quickly of the high-quality viewport, seeing other regions with a lower quality is much better than seeing nothing (e.g., represented by black or green) for regions outside of the high-quality viewport. On the other hand, splitting z-hat data is good for the spatial-random use cases other than 360 / VR, as clean spatial random access without having to transmit and decode z-hat data not for the target region (s) can be achieve. a. In one example, an indication, e.g., a 1-bit flag, is signalled to specify whether coded data of z- hat is split or not. General Aspects 6) Additional operations may be applied to or with the proposed method. a) A syntax element (a.k.a. an indication) disclosed above may be binarized as a flag, a fixed length code,  an EG (x) code, a unary code, a truncated unary code, a truncated binary code, etc. It can be signed or unsigned. b) A syntax element representing a coding tool or a coding method may not be signalled and implicitly  determined to be unused, if the coding tool or the coding method is regarded as not applicable or cannot be used. c) A syntax element disclosed above may be coded with at least one context model. Or it may be bypass  coded. d) A syntax element disclosed above may be signaled in a conditional way. e) A syntax element disclosed above may be signaled at block level / sequence level / group of pictures  level / picture level / slice level / tile group level. f) Whether to and / or how to apply the disclosed methods above may be signalled at block level / sequence  level / group of pictures level / picture level / slice level / tile group level. g) Whether to and / or how to apply the disclosed methods above may be dependent on coded information,  such as colour format, colour component, slice / picture type. 7) The proposed methods may be applied to other image / video compression solutions with NN-based  coding tools involved. 5. Embodiments Below are some example embodiments for the detailed solution aspects summarized above in Section 4.  Some relevant parts that have been added or modified are shown by using bolded words (e.g., this format indicates added text) , and some of the deleted parts are shown by using words in italics between double curly brackets (e.g., { {this format indicates deleted text} } ) . There may be some other changes that are not highlighted. It should be understood that only markings in this section are intended to emphasize at least part of proposed changes. 5.1. Embodiment 1 In one example, the region-based decoding is implemented with the overlapping region mechanism as illustrated  in Fig. 13. The high-level framework is shown in Fig. 23. The picture is split into multiple regions either horizontally, or vertically, or both horizontally and vertically. There may be a flag / code associated with each region in the bitstream indicating if the region is an independently decoded region. To ensure the correctly decodable of the independent regions, the overlapping region is only applied to the dependent regions. The number of overlapped pixels may vary for hyper latent, residual latent, MCM and synthesis transforms. 5.2. Embodiment 2 Fig. 24 illustrates a flag is used to control region split mechanism, either overlapped region (as shown in Fig.  21) or shifted region (as shown in Fig. 22) . In one example, in the decoding process, there may exist both the shifted region mechanism and the overlapping  region mechanism. And a flag / signaled code is used to control region split mechanism selection. An example may be implemented as follows. ● Synthesis transform is implemented using the overlap region. ● Entropy decoding part is implemented using the overlap region. ○ Alternatively, the entropy decoding part is implemented using the shifted region. ● A switch control is used to select the region partitioning. According to some example embodiments of the present disclosure: ● At least two different grids are used in encoding or decoding of an image. ○ Based on the outcome of a decision, either the first grid is used, or the second grid is used. ■ The decision might be based on an indication obtained from the bitstream. ● The indication might be a flag. ● The indication might be a profile indicator. ● The indication might be derived from a picture size, or a model index. ○ The first grid and the second grid might be depicted in Fig. 25: ■ The first grid and the second grid might comprise different sets of samples. ■ The sizes of the blocks in the grid 1 and grid 2 might be different. ■ The grid 1 and grid 2 might comprise same number of blocks. ■ The size of at least one block of grid1 and grid 2 might be different. ■ The grids might have overlapping areas. In Fig. 25, the grid 1 and grid 2 are depicted to  have no overlapping area. However, according to some example embodiments of the present disclosure, the blocks of the grids might have overlapping area. In other words, block1 and block2 might have a small subset of samples shared by the two. ○ The grid 1 and grid 2 might be used in an entropy decoding process. ■ The output of the entropy decoding process might correspond to each block of the grid. ■ If there are N blocks in a grid, the entropy decoding process might be applied N times.  Output of the entropy decoding process might correspond to each block of the grid. ○ The grid 1 and grid 2 might be used in a hyper decoding or hyper scale decoding or a sample  prediction (latent sample prediction, latent sample reconstruction or multi-stage context) process. ■ The output of the process might correspond to each block of the grid. ■ The input of the process might correspond to each block of the grid. ■ If there are N blocks in a grid, the process might be applied N times. Output of the process  might correspond to each block of the grid. ■ If there are N blocks in a grid, the process might be applied N times. Input of the process  might correspond to each block of the grid. ○ There might be multiple sets of at least two grids. ■ For example, there might be two sets of grid 1 and grid 2. The first set of {grid 1 and grid  2} might be used in determining the input of a process (e.g. the process might be an entropy decoding process, a hyper decoding process, a hyper scale decoding process, a sample prediction or sample reconstruction process) . The second set of {grid 1 and grid 2} might be used in determining the output of the process. ■ In another example the first set of {grid 1 and grid 2} might be used in a first process and  second set of {grid 1 and grid 2} might be used in a second process. ○ The grids might be constructed as follows: ■ The top-left block of the second grid might be bigger in vertical and horizontal dimension  than the top-left block of the first grid. ■ The bottom-right block of the second grid might be smaller in vertical and horizontal  dimension than the top-left block of the first grid. ■ The top row of blocks in the second grid might be bigger in vertical dimension than the top  row of blocks of the first grid. ■ The bottom row of blocks in the second grid might be smaller in vertical dimension than  the bottom row of blocks of the first grid. ■ The left column of blocks in the second grid might be bigger in vertical dimension than the  left column of blocks of the first grid. ■ The right column of blocks in the second grid might be smaller in vertical dimension than  the right column of blocks of the first grid. ○ In one example implementation, the processes of a decoding operation (or an encoding operation)  might be divided into two sets. ■ The first set of processes might comprise at least one of: ● an entropy decoding / encoding process, ● a hyper decoding / encoding process, ● a hyper scale decoding / encoding process, ● a sample prediction or sample reconstruction process. ■ The second set of processes might comprise a synthesis / analysis transform (e.g. an inverse  transform operation that performs a transform between latent samples and picture samples) . ■ According to some example embodiments, ● at least 2 grids (agrid 1 and grid 2) might be used in the processing of the first set  of processes. In other words, based on the result of a determination, either a first grid is used, or a second grid is used by the process belonging to the first set of processes. ○ As exemplified above, the determination might be performed based on an  indication obtained from the bitstream. ● Only of grid is used in the processing of the second set of processes. In other words,  no determination is performed, only one grid is used in the second set of processes. ■ The decoding / encoding operation comprises the first set and second set of processes. ○ The first grid might be used in parallel processing. In other words, if the first grid is used in a  process, that process might be parallelized. In other words, samples of a first block of the first grid can be obtained in parallel to the samples of a second block. ○ The second grid might be used in sequential processing. In other words, if the second grid is used  in a process, that process cannot be parallelized. In other words, samples of a second block of the second grid cannot be obtained in parallel to the samples of a first block. ○ The second grid might be used in pipelined processing or pipelining. 5.3. Embodiment 3 In another example implementation the overlapping amount of the regions and tiles (e.g. partitions) might be  determined with an indication obtained from the bitstream. For example: Overlap_for_independent_regions equal to 0 specifies that overlap amount is set equal to zero for a tile  boundary if the tile boundary coincides with an independent region (either the tile is inside the independent region, or the neighboring region is independent region) . equal to 1 specifies that overlap amount overlap amount specified by tile_overlap_Luma and tile_overlap_Luma are used for all synthesis transform tiles. A new indication (e.g. overlap_for_independent_regions) might be included in the bitstream to indicate if  overlapping (between the partitions) are allowed for independent regions or not. If for example the indication is true, overlapping might be enabled for the independent regions. If the indication is false, the overlap might be disabled. - In one specific example the indication might control only the operation of the synthesis transform. Other  operations (e.g. hyper decoder, hyper scale decoder) might still apply no overlapping even if the indication is true. - In one specific example the indication might control only the operation of the synthesis transform. Other  operations (e.g. hyper decoder, hyper scale decoder) might still apply overlapping even if the indication is false. The new indication overlap_for_independent_regions might be implemented as in the section below. In the  section below, latent space tiles are allowed to apply overlapping (e.g. using samples from a neighbor region) if the indication is true. Latent space tiles Latent space tiles decoding can be enabled for each component independently by flags signalled in picture header  (section 9.3) . If tile_enable_Luma or tile_enable_Choma is true then corresponsing component is decoded unsing latent tiling process illustrated on Figure 26. The number and location of tiles are determined by values tile size StileHor and StileVer (equal to tile_size_Luma  hor and tile_size_Luma_ver for primary component and tile_size_Chroma_hor and tile_size_Chroma_ver for secondary component respectively) and tile overlap mtile (tile_overlap _Luma for primary component tile_overlap_Chroma for secondary component) signalled in picture header (section 9.3) . Further, the ratio r=Hin / h4=win / w4 between signal domain size and latent tensor size is known, which is r=24 for primary and r=23 for secondary component. The number of tiles vertically is K=ceil ( (Hin-mtile)  /  (StileVer-mtile) ) and horizontally L= ceil ( (Win-mtile)  /  (StileHor-mtile) ) , where Hin, Win are height and width of output color plane. Hin, Win are hight and width of output color plane. For k=0, …, K-1 and l=0, …, L-1, - Define tiles coordinates and sizes ○ padtop = 0 if following conditions are true else mtile / 2 ; ■ top tile boundary is at image boundary, or ■ overlap_for_independent_region == 0 and top tile boundary coincide with a  region boundary and indepdenent_region_flag is equal to 1 either for the top neighbor region or the region comprising the current tile.  ○ padbottom = 0 if following conditions are true else mtile / 2 ; ■ bottom tile boundary is at image boundary, or ■ overlap_for_independent_region == 0 and bottom tile boundary coincide with a  region boundary and indepdenent_region_flag is equal to 1 either for the bottom neighbor region or the region comprising the current tile. ○ padleft = 0 if following conditions are true else mtile / 2 ; ■ left tile boundary is at image boundary, or ■ overlap_for_independent_region == 0 and left tile boundary coincide with a  region boundary and indepdenent_region_flag is equal to 1 either for the left neighbor region or the region comprising the current tile.  ○ padright = 0 if following conditions are true else mtile / 2 ; ■ right tile boundary is at image boundary, or ■ overlap_for_independent_region == 0 and right tile boundary coincide with a  region boundary and indepdenent_region_flag is equal to 1 either for the right neighbor region or the region comprising the current tile.  ○ –vertical dimension tile start in signal domain; ○ if ○ –vertical dimension tile start in latent space; ○ –vertical dimension tile size in signal domain; ○ if ○ –vertical dimension tile size in latent space; ○ –horizontal dimension tile start in signal domain; ○ if ○ –horizontal dimension tile start in latent space; ○ –horizontal dimension tile size in signal  domain; ○ if ○ –horizontal dimension tile size in latent space. - tile latent space tensor ○ For c=0, …, C-1 ,  and ■ ○ For c=0, …, Cd-1 ,  and ■ - Synthesis transform for one tile ○ Synthesis transform described in section 8.3 with of sizes and as inputs and  of size and as output. - Merging reconstructed parts of tensor into one ○ ovl = padleft–overlap used on left boundary of the tile; ○ ovt = padtop -overlap used on top boundary of the tile; ○ ovr = padright–overlap used on right boundary of the tile; ○ ovb = padbottom –overlap used on bottom boundary of the tile; ○ vertical dimension tile size in signal domain without tile overlap; ○ horizontal dimension tile size in signal domain without tile overlap; ○ For c=0, …, Cin-1 ,  and ■ Tile size location and overlap signalling in Picture Header is described in Annex C. 5.4. Embodiment 4 Additionally or alternatively to all above, the overlapping amount might depend on: - An indication related to a current region (e.g. an independent region flag corresponding to the current  region) ; - An indicartion related to a neighbor region (e.g. an independent region flag corresponding to the  neighbor region) ; - Both. For example if the indication is equal to true for a current region (e.g. the current region is independent) , the  overlap amount might be set equal to zero for the current region or part of the current region. In another example if the indication is equal to true for a neighbor region (e.g. the neighbor region is independent) ,  the overlap amount might be set equal to zero for the current region or part of the current region or at a boundary of the current region (e.g. the boundary between the current and the neighbor region) . An example implementation might be as follows. According to the example, the overlap amount is controlled  by the parameters padleft, padright, padtop, padbottom. The amount of overlap is determined by the independent_region_flag of the current region as follows: - ext = independent_region_flag [Vtile] [Htile] ? 1 : 0. Moreover the overlap amount is determined by the independent_region_flag of the neighbor region as follows,  wherein the independent_region_flag [Vtile] [Htile -1] is the independent flag of the left neighbor : - padleft = ext if Htile>0 and independent_region_flag [Vtile] [Htile -1] ==0 else 0; - padright= ext if Htile<NumVerSplits-1 and independent_region_flag [Vtile] [Htile + 1] ==0 else 0; - padtop= ext if Vtile>0 and independent_region_flag [Vtile -1] [Htile] ==0 else 0; - padbottom = ext if Vtile<NumHorSplits-1 and independent_region_flag [Vtile + 1] [Htile] ==0 else 0. Hyper Decoder The learning-based hyper decoder consists of two independent pipe-lines with identical neural network  architecture, except input size and number of channels. The input of this process is -  reconstructed hyper latent tensor, - model parameters for Hyper Decoder Net defined by (modelIdx) , - operation point indicator opIdx. The output of this process is - p [Cp, h4, w4] is explicit prediction (part of prediction tensor derived from explicitly signalled  information) , with channels size Cp= (opIdx+1) C. Hyper decoder process is depicted in Figure 27. Hyper decoder starts stride 1 convolution with kernel size 1×1, followed by inverse convolution (stride 2, kernel  size 4×4) , cropping layer (depth 6) and leacky rectified linear unit. Next step is stride 1 convolution with kernel size 3×3, followed by inverse convolution (stride 2, kernel size 4×4) , cropping layer (depth 5) and leacky rectified linear unit. Number of channels kep un-changed till this point (equal to number of channels C of input tensor) . Hyper decoder concluded by stride 1 convolution with kernel size 3×3 which increases number of channels to 2C for high operation point and keeps number fo channes unchanged for base operation point followed by leacky rectified linear unit. The hyper decoder operation is applied in tiled manner. The following are the processing: - for Vtile = 0…NumHorSplits-1 and Htile = 0…NumVerSplits-1 - ext = independent_region_flag [Vtile] [Htile] ? 1 : 0 - padleft = ext if Htile>0 and independent_region_flag [Vtile] [Htile -1] ==0 else 0 - padright= ext if Htile<NumVerSplits-1 and independent_region_flag [Vtile] [Htile + 1] ==0 else 0 - padtop= ext if Vtile>0 and independent_region_flag [Vtile -1] [Htile] ==0 else 0 - padbottom = ext if Vtile<NumHorSplits-1 and independent_region_flag [Vtile + 1] [Htile] ==0 else 0 - y = RC [6] [Vtile] [Htile] [0] -pad_top - x = RC [6] [Vtile] [Htile] [1] -pad_left - yO = RC [4] [Vtile] [Htile] [0] - xO = RC [4] [Vtile] [Htile] [1] - h = RC [6] [Vtile] [Htile] [4] + pad_top + pad_bottom - w = RC [6] [Vtile] [Htile] [5] + pad_left+ pad_right - hO = RC [4] [Vtile] [Htile] [4] + pad_top*4+ pad_bottom*4 - wO = RC [4] [Vtile] [Htile] [5] + pad_left*4+ pad_right*4 - hImO = RC [0] [Vtile] [Htile] [4] + pad_top*64+ pad_bottom*64 - wImO = RC [0] [Vtile] [Htile] [5] + pad_left*64+ pad_right*64 - the tensor part  is fed into the hyper decoder to obtain the tensor  p_tile [Cp, hO, wO] . - p [Cp, yO…RC [4] [Vtile] [Htile] [1] -1, xO…RC [4] [Vtile] [Htile] [3] -1] = p_tile [Cp, padtop*4…RC [4] [Vtile] [Htile] [4] +padtop-1, padleft*4…RC [4] [Vtile] [Htile] [5] +padleft+1] . Model with weights are storied in electronic attachment, in format specified in section 4.8 and locates in  <oper_point> / model_<MID> / <COMP> / hyper_decoder. onnx, where <oper_point> is “base” or “high” , <MID>is an integer from 0 to 5, <COMP> is “primary” or “secondary” . 5.5. Embodiment 5 Additionally or alternatively, padding might be applied at the boundaries of a partition. For example an extension might applied around the partition boundaries. And overlapping partitions are applied  (e.g. samples from a neighbor partition might be used) in the decoding process. This is exemplified in Fig. 28. In another example an extension might applied around the partition boundaries. Padding is applied at the extension region (e.g. samples from a current partition are used) in the decoding process. This is exemplified in Fig. 29. In another example an extension might applied around the partition boundaries. Both padding and overlapping  might be applied at the extension region. This is exemplified in Fig. 30. The padding or overlapping might be applied to different parts of the extension: - Corner samples of the extension might use padding. - Samples that are not at the corner might apply overlapping. - If a sample is at the extension section of a first partition, and at the same time it is inside a core part of  second partition; a. If the second partition is independent partition, padding might be applied. b. If the second partition is dependent partition, overlapping might be applied. c. If the first partition is independent partition, padding might be applied. d. If the first partition is dependent partition, overlapping might be applied. Partition might be a region, a tile, a synthesis transform tile etc. 5.6. Embodiment 6 The following might the application of the decoding modules based on some example embodiments of the  present disclosure. Region_partitionining_idx = 0 → no partitioning; Region_partitionining_idx = 1 → shifted MCM tiles for pipelining; Region_partitionining_idx = 2 → centrally oriented regions for independent / ROI decoding. The codestream structure might be as shown in Fig. 31. The following modules might apply tiling as exemplified in Fig. 32: · Z_stream decoder, · Hyper decoder , · Hyper scale decoder, · MCM, · Residual decoder, · Synthesis transform, · filters. 5.7. Embodiment 7 The following might the application of the decoding modules based on some example embodiments of the  present disclosure. Region_partitionining_idx = 0 → no partitioning; Region_partitionining_idx = 1 → shifted MCM tiles for pipelining; Region_partitionining_idx = 2 → centrally oriented regions for independent / ROI decoding. The codestream structure might be as shown in Fig. 33. The following modules might apply tiling as exemplified in Fig. 34. · MCM, · Residual decoder, · Synthesis transform, · filters. 5.8. Embodiment 8 Based on some embodiments of the present disclosure, there may be two schemes to implement tiling: collocated  tiling and hierarchical tiling, as shown in Fig. 35. In collocated tiling, the tile size and location are aligned across the whole processing pipeline, i.e., from  to the final reconstructed image patch. In this manner, it is convenient to support the regional accessibility functionality, wherein if only a certain spatial area is needed, only that part bitstream will be decoded and be fed into the following modules. Alternatively, hierarchical tiling can also be used. The benefits come from the fact that the synthesis transform  has the most computational complexity considering the spatial size increase. Thereby, for all the modules before obtaining   (Part 1 in Fig. 36) , which primarily includes Hyper Decoder, Hyper Scale Decoder, MCM, a larger tile size can be used to avoid extra complexity. When  is obtained, the whole  can be re-split into smaller tile sizes to facilitate synthesis transform part (Part 2 in Fig. 36) . An example is shown in Fig. 35 and 36. The tile size of  is 24x24, after Hyper Decoder, Hyper Scale Decoder  and MCM, the obtained  has a spatial size of 96x96 (before psi and  are fed into MCM, their width and height are all 4x of  ) . The difference comes when the  is fed into synthesis transform. - For collocated tiling, the whole resulting 96x96  will be fed into synthesis transform, thereby the  reconstructed image patch spatial size will be 1536x1536 (synthesis transform for luma component has 4x upsampling for both width and height of the input feature maps) . - Alternatively for hierarchical tiling, the 96x96  will be re-sliced into different size, for example 64x64,  and then fed into the synthesis transform, resulting a reconstructed image patch of 1024x1024. a. Alternatively for the hierarchical tiling, a full  of the whole image could be obtained after all  tiles are processed from Part 1. Then the full  may be split into different tile sizes than the Part 1, before being processed by Part 2. Fig. 36 illustrates the modules involved tiling can be split into two parts based on  Part 1 latent space wherein  is obtained, and Part 2 synthesis transform wherein  is used by the synthesis transform to derive the reconstructed image patch. 5.9. Embodiment 9 Based on some embodiments of the present disclosure, when hierarchical tiling scheme is used. The following  constraints may apply. a. For each of the tile used in Part 1, it must enclose an integer number of tiles used in Part 2, i.e., a tile  from Part 2 must be fully enclosed by a single tile in Part 1. i. An example for dependent case is shown in Fig. 37. A tile in Part 1 is split into 4 tiles for Part 2.  Each of the 4 tiles are fully enclosed inside a single tile in Part 1. ii. An example for independent case is shown in Fig. 38. A tile in Part 1 is split into 4 tiles for Part 2.  Each of the 4 tiles are fully enclosed inside a single tile in Part 1. b. To realize claimed a, an algorithm may be used to derive the tile sizes for Part 2. c. The tile sizes for Part 2 may be different. For example, as shown in Fig. 37, the first tile (numbered 1)  size is hxw (height x width) , while the second tile (numbered 2) size may be different in either width or height or both. Fig. 37 illustrates dependent case tile enclosing relationship of Part 1 and Part 2. Tile size of Part 2 can be smaller  or equal to that of Part 1. However, if a tile of Part 1 encloses multiple tiles of Part 2, it has to be an integer number, i.e., each tile from Part 2 has to be fully enclosed by a single tile in Part 1. Fig. 38 illustrates independent case tile enclosing relationship of Part 1 and Part 2. Since independent case  requires the independent tile can be decoded without depending on other parts of the image, the tile being fed into synthesis transform has no overlapping with neighboring tiles. 5.10. Embodiment 10 Based on some embodiments of the present disclosure, the following modules may be applied with tiling: a. In one example, as shown in Fig. 39, the r-stream, synthesis transform, MCM, Hyper Decoder and filters  are applied with tiling scheme. In Fig. 39, modules applied with tiling are highlighted with dashed rectangles, including r-stream, synthesis transform, MCM, Hyper Decoder and filters. b. In one example, as shown in Fig. 40, the r-stream, synthesis transform, MCM, Hyper Decoder, filters  and Hyper Scale Decoder are applied with tiling scheme. In Fig. 40, modules applied with tiling are highlighted with dashed rectangles, including r-stream, synthesis transform, MCM, Hyper Decoder, filters and Hyper Scale Decoder. c. In bullet a., filters may not be applied with tiling. d. In bullet b., filters may not be applied with tiling. The bitstream structures may have different variations, as shown in Fig. 41 and Fig. 42. In both designs, the r- stream is split into multiple bitstreams, enclosed in a region-based codestream. Tools header, TOH, num_threads_primary, and num_threads_secondary may not present. Q-steam and Z-stream are located between Tools header (Picture header if Tools header is not present) and num_threads_primary (Region 0 codestream if num_threads_primary and num_threads_secondary are not present) . a. In variation 1 (as shown in Fig. 41) , the Q-stream proceeds Z-stream. The dashed box-enclosed parts  may not present. b. In variation 2 (as shown in Fig. 42) , the Q-stream is located after Z-stream. The dashed box-enclosed  parts may not present. 5.11. Embodiment 11 Alternative to Embodiment 10, the Hyper Scale Decoder may also be applied with tiles. Adding Hyper Scale  Decoder to Fig. 39 leads to the example shown in Fig. 43. Adding Hyper Scale Decoder to Fig. 40 leads to the example shown Fig. 44. a. In one example as shown in Fig. 43, r-stream, Q-stream, synthesis transforms, MCM, Hyper Decoder  and filters are applied with tiling. i. Alternatively, filters may not be applied with tiling, i.e., only r-stream, Q-stream, synthesis  transforms, MCM, and Hyper Decoder are applied with tiling. b. In one example as shown in Fig. 44, r-stream, Q-stream, synthesis transform, MCM, Hyper Decoder,  filters and Hyper Scale Decoder may be applied with tiling. i. Alternatively, filters may not be applied with tiling, i.e., only r-stream, Q-stream, synthesis  transform, MCM, Hyper Decoder and Hyper Scale Decoder may be applied with tiling. Fig. 43 illustrates Q-stream is also split based on the example shown in Fig. 39. Thereby, modules applied with  tiling (enclosed with dashed box) include r-stream, synthesis transform, MCM, Hyper Decoder, filters, and Q-stream. Fig. 44 illustrates Q-stream is also split based on the example shown in Fig. 40. Thereby, modules applied with  tiling (enclosed with dashed box) include r-stream, synthesis transform, MCM, Hyper Decoder, filters, Hyper Scale Decoder and Q-stream. When the Q-stream is also split, the bitstream structure may be designed as shown in Fig. 45. The Q-stream is  split into multiple parts based on the region and included in the region-based codestreams. The dashed box-enclosed parts, such as Tools header and number_threads information, may not present in the bitstreams.

[0074] More details of the embodiments of the present disclosure will be described below which are related to neural network-based visual data coding. As used herein, the term “visual data” may refer to an image, a video, a picture in a video, or any other visual data suitable to be coded. To solve the above problems and some other problems not mentioned, visual data processing solutions as described below are disclosed. The embodiments of the present disclosure should be considered as examples to explain the general concepts and should not be interpreted in a narrow way. Furthermore, these embodiments can be applied individually or combined in any manner.

[0075] Fig. 46 illustrates a flowchart of a method 4600 for visual data processing in accordance with some embodiments of the present disclosure. At 4602, a conversion between the visual data and a codestream of the visual data is performed with a neural network (NN) -based model. For example, a codestream may comprise a sequence of bits. In addition, the codestream may further comprise associated codes which are used as markers. As used herein, the codestream may also be referred to as a bitstream.

[0076] In some embodiments, the conversion may include encoding the visual data into the codestream. Additionally or alternatively, the conversion may include decoding the visual data from the codestream. By way of example rather than limitation, the decoding model shown in Fig. 6 may be employed for decoding the visual data from the bitstream.

[0077] As used herein, an NN-based model may be a model based on neural network technologies. For example, an NN-based model may specify sequence of neural network modules (also called architecture) and model parameters. The neural network module may comprise a set of neural network layers. Each neural network layer specifies a tensor operation which receives and outputs tensor, and each layer has trainable parameters. It should be understood that the possible implementations of the NN-based model described here are merely illustrative and therefore should not be construed as limiting the present disclosure in any way.

[0078] Moreover, the NN-based model comprises a transform process and a plurality of processes different from the transform process. The transform process is configured to perform a transform between a latent representation of the visual data and the visual data. For example, a transform process configured to perform a transform from the visual data to a latent representation of the visual data may also be referred to as an analysis transform, and a transform process configured to perform a transform from a latent representation of the visual data to the visual data may also be referred to as a synthesis transform.

[0079] In some embodiments, the plurality of processes may comprise a hyper decoding process (a.k.a., a hyper decoder) and a latent tensor reconstruction process. For example, the input of the hyper decoding process may comprise reconstructed hyper tensor and model parameters for hyper decoder network, and the output of the hyper decoding process may comprise re-shuffled explicit prediction tensor, which is the part of prediction tensor derived from explicitly signaled information. The latent tensor reconstruction process may be implemented by invoking a multistage context modelling (MCM) process. The input of the MCM process may comprise a reconstructed residual tensor (e.g., a tensor of reconstructed residual samples) , and a re-shuffled explicit prediction tensor which is the output of the above-mentioned hyper decoding process, and the output of the MCM process may comprise a reconstructed latent tensor (e.g., a tensor of reconstructed latent samples) .

[0080] Respective inputs of the plurality of processes are partitioned into a plurality of partitions based on a same first partitioning scheme. As used herein, a partitioning scheme may indicate at least one of the following: the number of vertical splits, or the number of horizontal splits. By way of example, in a vertical partitioning scheme, a tensor of size W×H may be split into subtensors of size (W / N) ×H, where W represents a width of the tensor, H represents a height of the tensor, and N represents the number of vertical splits. Similarly, in a horizontal partitioning scheme, a tensor of size W×H may be split into subtensors of size W× (H / N) , where W represents a width of the tensor, H represents a height of the tensor, and N represents the number of horizontal splits. In a mixed partitioning scheme, a tensor of size W×H may be split into subtensors of size (W / N) × (H / M) , where W represents a width of the tensor, H represents a height of the tensor, N represents the number of vertical splits, and M represents the number of horizontal splits.

[0081] In addition, based on the first partitioning scheme, a set of residual samples associated with the visual data is partitioned into a plurality of subsets of residual samples that correspond to the plurality of partitions. If residual samples for each of the plurality of partitions are in a substream of the codestream that corresponds to the partition (i.e., residual samples for different partitions are encapsulated into different substreams of the codestream separately) , each of the plurality of partitions corresponds to an integer number of processing units of the transform process. This will be described with reference to FIG. 47.

[0082] Fig. 47 illustrates a schematic diagram of collocated tiling in accordance with embodiments of the present disclosure. The tensor 4710 may represent an input of a first processing process (such as the hyper decoding process or the like) . The tensor 4710 may be partitioned into 4 partitions (i.e., 4 subtensors) , one of which is the partition 4711. In some embodiments, the 4 partitions of the tensor 4710 may be not overlapped with each other, as shown in Fig. 47. In some alternative embodiments, the 4 partitions of the tensor 4710 may overlap with each other.

[0083] The tensor 4720 may represent an input of a second processing process (such as the latent tensor reconstruction or the like) . In some embodiments, the tensor 4720 may be an output of the first processing process. The tensor 4720 may be partitioned into 4 partitions (i.e., 4 subtensors) according to the same partitioning scheme as the tensor 4710. In some embodiments, the 4 partitions of the tensor 4720 may be not overlapped with each other, as shown in Fig. 47. In some alternative embodiments, the 4 partitions of the tensor 4720 may overlap with each other. The partition 4721 corresponds to the partition 4711 and may be generated from the partition 4711.

[0084] The tensor 4730 may represent an input of a third processing process (such as the synthesis transform or the like) . In some embodiments, the tensor 4730 may be an output of the second processing process. The tensor 4730 may be partitioned into 4 partitions (i.e., 4 subtensors) according to the same partitioning scheme as the tensor 4720. In some embodiments, the 4 partitions of the tensor 4730 may be not overlapped with each other, as shown in Fig. 47. In some alternative embodiments, the 4 partitions of the tensor 4730 may overlap with each other. The partition 4731 corresponds to the partition 4721 and may be generated from the partition 4721. In some embodiments, each of the 4 partitions of the tensor 4730 may be further partitioned into several sub-partitions, each of which may be used as a processing unit of the third processing process. For example, the partition 4731 may be partitioned into an integer number (such as 2, 4, 6 or the like) of sub-partitions, and the third processing process may be applied on each of the sub-partitions. In this case, each of the partition 4711, the partition 4721, and the partition 4731 may be considered as being corresponding to the integer number of processing units of the third processing process. More specifically, the partition 4731 comprises the integer number of processing units of the third processing process. That is, in some embodiments, each of the plurality of partitions of the input of the transform process may comprise an integer number of processing units of the transform process.

[0085] The tensor 4740 may represent the reconstructed visual data, which may be an output of the third processing process (such as the synthesis transform or the like) . The tensor 4740 may be partitioned into 4 partitions (i.e., 4 subtensors) according to the same partitioning scheme as the tensor 4730. In some embodiments, the 4 partitions of the tensor 4740 may be not overlapped with each other, as shown in Fig. 47. In some alternative embodiments, the 4 partitions of the tensor 4740 may overlap with each other. The partition 4741 corresponds to the partition 4731 and may be generated from the partition 4731. As can be seen from Fig. 47, the relative size and the relative position of the partitions 4711, 4721, 4731, and 4741 are aligned across the entire processing pipeline.

[0086] In view of the above, respective inputs of the plurality of processes of the NN-based model are partitioned into a plurality of partitions based on a same partitioning scheme. Moreover, if residual samples for each of the plurality of partitions are in a substream of the codestream that corresponds to the partition, each of the plurality of partitions corresponds to an integer number of processing units of the transform process. Compared with the conventional solution, the proposed method can better support coding a part of the visual data independently from the rest part of the visual data. Thereby, the coding flexibility can be improved.

[0087] In some embodiments, a size of one of the integer number of processing units may be allowed to be different from a size of a further one of the integer number of processing units. For example, the processing unit (s) at right boundary and / or the bottom boundary may be smaller than the rest of processing units. In one example, a size of one of the integer number of processing units may be determined based on a predetermined algorithm. Alternatively, the size of one of the integer number of processing units may be signaled in the codestream.

[0088] In some embodiments, if residual samples for each of the plurality of partitions are in a substream of the codestream that corresponds to the partition (i.e., residual samples for different partitions are encapsulated into different substreams of the codestream separately) , an input of the transform process may be partitioned into a plurality of partitions based on the first partitioning scheme. In other words, Respective inputs of the entire processing pipeline (comprising the hyper decoder process, the latent tensor reconstruction process, and the synthesis transform at the decoder side) are partitioned into a plurality of partitions based on the same partitioning scheme. This is also referred to a collocated tiling scheme, details of which has been described above with reference to Fig. 47. In aid of such a collocated tiling process, it is convenient to support the regional accessibility functionality, where if only a certain spatial area is needed, only a corresponding part of codestream is needed to be decoded and be fed into the NN-based model.

[0089] In some embodiments, if there are only one substream for primary residual samples for the plurality of partitions and only one substream for secondary residual samples for the plurality of partitions (i.e., residual samples for different partitions are encapsulated together) , an input of the transform process may be partitioned based on a second partitioning scheme that is allowed to be different from the first partitioning scheme. That is, respective inputs of the entire processing pipeline (comprising the hyper decoder process, the latent tensor reconstruction process, and the synthesis transform at the decoder side) may be partitioned into a plurality of partitions based on different partitioning schemes. This is also referred to as a hierarchical tiling scheme, details of which will be described with reference to Fig. 48.

[0090] Fig. 48 illustrates a schematic diagram of hierarchical tiling in accordance with embodiments of the present disclosure. The tensor 4810 may represent an input of a first processing process (such as the hyper decoding process or the like) . The tensor 4810 may be partitioned into 4 partitions (i.e., 4 subtensors) , one of which is the partition 4811. In some embodiments, the 4 partitions of the tensor 4810 may be not overlapped with each other, as shown in Fig. 48. In some alternative embodiments, the 4 partitions of the tensor 4810 may overlap with each other.

[0091] The tensor 4820 may represent an input of a second processing process (such as the latent tensor reconstruction or the like) . In some embodiments, the tensor 4820 may be an output of the first processing process. The tensor 4820 may be partitioned into 4 partitions (i.e., 4 subtensors) according to the same partitioning scheme as the tensor 4810. In some embodiments, the 4 partitions of the tensor 4820 may be not overlapped with each other, as shown in Fig. 48. In some alternative embodiments, the 4 partitions of the tensor 4820 may overlap with each other. The partition 4821 corresponds to the partition 4811 and may be generated from the partition 4811.

[0092] The tensor 4830-1 and the tensor 4830-2 (collectively or separately referred to as tensor 4830 hereinafter) may represent an input of a third processing process (such as the synthesis transform or the like) . In some embodiments, the tensor 4830 may be an output of the second processing process, and that the output stage of the second processing process, the tensor 4830 may still follows the partitioning scheme same as the tensors 4811 and 4821. Then, the tensor 4830 is repartitioned according to a partitioning scheme different from the tensors 4811 and 4821, before being inputted to the third processing process. For ease of description, the tensor 4830 before the repartition is also referred to as the tensor 4830-1, and the tensor 4830 after the repartition is also referred to as the tensor 4830-2. As shown in Fig. 48, the tensor 4830-1 may be partitioned into 4 partitions (i.e., 4 subtensors) according to the same partitioning scheme as the tensor 4820. In some embodiments, the 4 partitions of the tensor 4830-1 may be not overlapped with each other, as shown in Fig. 48. In some alternative embodiments, the 4 partitions of the tensor 4830-1 may overlap with each other. The partition 4831 corresponds to the partition 4821 and may be generated from the partition 4821.

[0093] As shown in Fig. 48, the tensor 4830-2 is partitioned into 9 partitions (i.e., 9 subtensors) . In some embodiments, the 9 partitions of the tensor 4830-2 may be not overlapped with each other, as shown in Fig. 48. In some alternative embodiments, the 9 partitions of the tensor 4830-2 may overlap with each other. In some embodiments, each of the 9 partitions of the tensor 4830-2 may be further partitioned into several sub-partitions, each of which may be used as a processing unit of the third processing process. For example, the partition 4832 may be partitioned into an integer number (such as 2, 4, 6 or the like) of sub-partitions, and the third processing process may be applied on each of the sub-partitions. In this case, the partition 4832 may be considered as being corresponding to the integer number of processing units of the third processing process.

[0094] The tensor 4840 may represent the reconstructed visual data, which may be an output of the third processing process (such as the synthesis transform or the like) . The tensor 4840 may be partitioned into 9 partitions (i.e., 9 subtensors) according to the same partitioning scheme as the tensor 4830-2. In some embodiments, the 9 partitions of the tensor 4840 may be not overlapped with each other, as shown in Fig. 48. In some alternative embodiments, the 9 partitions of the tensor 4840 may overlap with each other. The partition 4842 corresponds to the partition 4832 and may be generated from the partition 4832.

[0095] In some embodiments, if residual samples for each of the plurality of partitions are in a substream of the codestream that corresponds to the partition (i.e., residual samples for different partitions are encapsulated into different substreams of the codestream separately) , the plurality of partitions do not overlap. An example for this case is shown in Fig. 38. Additionally or alternatively, if there are only one substream for primary residual samples for the plurality of partitions and only one substream for secondary residual samples for the plurality of partitions (i.e., residual samples for different partitions are encapsulated together) , the plurality of partitions may be allowed to overlap. An example for this case is shown in Fig. 37.

[0096] In some embodiments, each of the plurality of partitions may be a tile used in the plurality of processes, and each of the integer number of processing units may be a tile used in the transform process. For example, the input of the hyper decoding process and the input of the latent tensor reconstruction process may be split into a plurality of tiles (a.k.a., regions) . The input of the synthesis transform may also be split into the plurality of regions, and each region is further split into a plurality of tiles for synthesis transform (a.k.a., synthesis tiles) . That is, a tile used for the hyper decoding process and the hyper decoding process is different from a synthesis tile used for the synthesis transform, and a tile used for the hyper decoding process and the hyper decoding process may correspond to a plurality of synthesis tiles.

[0097] In some embodiments, the NN-based model may comprise a first set of filtering processes following the transform process, and each of the set of filtering processes may be performed with a corresponding tiling process. By way of example rather than limitation, the set of filtering processes may comprise an adaptive linear filtering process, an inter channel correlation information filtering process, a non-linear chroma enhancement filtering process, and / or the like. In addition, or alternatively, the NN-based model may comprise a second set of filtering processes following the transform process, and each of the second set of filtering processes may be performed without a tiling process. By way of example rather than limitation, the second set of filtering processes may comprise a luma edge filtering process, and / or the like. For example, the tiling process may be applied to partition an input of the filtering process, a parameter of the filtering process, and / or the like.

[0098] In some embodiments, the codestream may comprise a first substream and a second substream following the first substream. The first substream may comprise quality map information for the visual data, and may also be referred to as a Q-stream. The second substream may comprise a hyper tensor for the visual data, and may also be referred to as a Z-stream. An example is shown in Fig. 41.

[0099] For example, the hyper tensor carries information regarding a latent domain prediction for a latent representation of the visual data and / or an entropy parameter for residual of the latent representation. By way of example, at the encoder side, an analysis transform may generate latent representation of the visual data. This latent representation is further compressed, e.g. by using a hyper encoder, to obtain a hyper tensor z, which carries information about latent domain prediction and entropy parameters for residual. In some example embodiments, the hyper tensor z may be further quantized to obtain a quantized hyper tensor z-hat (i.e.,  ) . The quantized hyper tensor may also be referred to as a hyper tensor for short. Therefore, the above-mentioned Z-stream may comprise encoded data of unquantized hyper tensor z, and / or encoded data of quantized hyper tensor  The scope of the present disclosure is not limited in this respect.

[0100] In some embodiments, the codestream may further comprise a third substream comprising tools information for the conversion, and the third substream precedes the first substream. Additionally or alternatively, the codestream may further comprise a fourth substream comprising a picture header, and the fourth substream precedes the first substream. In addition, or alternatively, the codestream may further comprise at least one substream comprising the set of residual samples, and the at least one substream follows the second substream.

[0101] In some alternative embodiments, the codestream may comprise a first substream and a second substream preceding the first substream. The first substream may comprise quality map information for the visual data, and may also be referred to as a Q-stream. The second substream may comprise a hyper tensor for the visual data, and may also be referred to as a Z-stream. An example is shown in Fig. 42.

[0102] In some additional embodiments, an input of a hyper scale decoding process of the NN-based model may also be partitioned, e.g., based on the first partitioning scheme. For example, the input of the hyper scale decoding process may comprise reconstructed hyper tensor, and the output of the hyper scale decoding process may comprise standard deviation logarithm tensor. In a case where the input of the hyper scale decoding process is also partitioned, the encoded data of quality map information for the visual data may be split for plurality of partitions. In addition, the split encoded data for each of the plurality of partitions may be in a substream of the codestream that corresponds to the partition. An example is shown in Fig. 45.

[0103] In view of the above, the solutions in accordance with some embodiments of the present disclosure can advantageously improve coding efficiency and coding flexibility.

[0104] According to further embodiments of the present disclosure, a non-transitory computer-readable recording medium is provided. The non-transitory computer-readable recording medium stores a codestream of visual data which is generated by a method performed by an apparatus for visual data processing. The method comprises: performing a conversion from visual data to the codestream with a neural network (NN) -based model, wherein the NN-based model comprises a transform process and a plurality of processes different from the transform process, the transform process is configured to perform a transform between a latent representation of the visual data and the visual data, and respective inputs of the plurality of processes are partitioned into a plurality of partitions based on a same first partitioning scheme, and wherein based on the first partitioning scheme, a set of residual samples associated with the visual data is partitioned into a plurality of subsets of residual samples that correspond to the plurality of partitions, and in accordance with a determination that residual samples for each of the plurality of partitions are in a substream of the codestream that corresponds to the partition, each of the plurality of partitions corresponds to an integer number of processing units of the transform process.

[0105] According to still further embodiments of the present disclosure, a method for storing codestream of visual data is provided. The method comprises: performing a conversion from visual data to the codestream with a neural network (NN) -based model; and storing the codestream in a non-transitory computer-readable recording medium, wherein the NN-based model comprises a transform process and a plurality of processes different from the transform process, the transform process is configured to perform a transform between a latent representation of the visual data and the visual data, and respective inputs of the plurality of processes are partitioned into a plurality of partitions based on a same first partitioning scheme, and wherein based on the first partitioning scheme, a set of residual samples associated with the visual data is partitioned into a plurality of subsets of residual samples that correspond to the plurality of partitions, and in accordance with a determination that residual samples for each of the plurality of partitions are in a substream of the codestream that corresponds to the partition, each of the plurality of partitions corresponds to an integer number of processing units of the transform process.

[0106] Implementations of the present disclosure can be described in view of the following clauses, the features of which can be combined in any reasonable manner.

[0107] Clause 1. A method for visual data processing, comprising: performing a conversion between visual data and a codestream of the visual data with a neural network (NN) -based model, wherein the NN-based model comprises a transform process and a plurality of processes different from the transform process, the transform process is configured to perform a transform between a latent representation of the visual data and the visual data, and respective inputs of the plurality of processes are partitioned into a plurality of partitions based on a same first partitioning scheme, and wherein based on the first partitioning scheme, a set of residual samples associated with the visual data is partitioned into a plurality of subsets of residual samples that correspond to the plurality of partitions, and in accordance with a determination that residual samples for each of the plurality of partitions are in a substream of the codestream that corresponds to the partition, each of the plurality of partitions corresponds to an integer number of processing units of the transform process.

[0108] Clause 2. The method of clause 1, wherein a size of one of the integer number of processing units is allowed to be different from a size of a further one of the integer number of processing units.

[0109] Clause 3. The method of any of clauses 1-2, wherein in accordance with a determination that residual samples for each of the plurality of partitions are in a substream of the codestream that corresponds to the partition, an input of the transform process is partitioned into a plurality of partitions based on the first partitioning scheme.

[0110] Clause 4. The method of clause 3, wherein each of the plurality of partitions of the input of the transform process comprises an integer number of processing units of the transform process.

[0111] Clause 5. The method of any of clauses 1-4, wherein in accordance with a determination that there is only one substream for primary residual samples for the plurality of partitions and only one substream for secondary residual samples for the plurality of partitions, an input of the transform process is partitioned based on a second partitioning scheme that is allowed to be different from the first partitioning scheme.

[0112] Clause 6. The method of any of clauses 1-5, wherein the transform process comprises a synthesis transform process, and / or the plurality of processes comprise a hyper decoding process and a latent tensor reconstruction process.

[0113] Clause 7. The method of any of clauses 1-6, wherein the first partitioning scheme indicates at least one of the following: the number of vertical splits, or the number of horizontal splits.

[0114] Clause 8. The method of any of clauses 1-7, wherein in accordance with a determination that residual samples for each of the plurality of partitions are in a substream of the codestream that corresponds to the partition, the plurality of partitions do not overlap, or in accordance with a determination that there is only one substream for primary residual samples for the plurality of partitions and only one substream for secondary residual samples for the plurality of partitions, the plurality of partitions are allowed to overlap.

[0115] Clause 9. The method of any of clauses 1-8, wherein each of the plurality of partitions is a tile used in the plurality of processes, and each of the integer number of processing units is a tile used in the transform process.

[0116] Clause 10. The method of any of clauses 1-9, wherein the NN-based model comprises a first set of filtering processes following the transform process, and each of the set of filtering processes is performed with a corresponding tiling process.

[0117] Clause 11. The method of clause 10, wherein the set of filtering processes comprises at least one of the following: an adaptive linear filtering process, an inter channel correlation information filtering process, or a non-linear chroma enhancement filtering process.

[0118] Clause 12. The method of any of clauses 1-11, wherein the NN-based model comprises a second set of filtering processes following the transform process, and each of the second set of filtering processes is performed without a tiling process.

[0119] Clause 13. The method of clause 12, wherein the second set of filtering processes comprises a luma edge filtering process.

[0120] Clause 14. The method of any of clauses 1-13, wherein the codestream comprises a first substream and a second substream following the first substream, the first substream comprises quality map information for the visual data, and the second substream comprises a hyper tensor for the visual data.

[0121] Clause 15. The method of clause 14, wherein the codestream further comprises a third substream comprising tools information for the conversion, and the third substream precedes the first substream, and / or the codestream further comprises a fourth substream comprising a picture header, and the fourth substream precedes the first substream, and / or the codestream further comprises at least one substream comprising the set of residual samples, and the at least one substream follows the second substream.

[0122] Clause 16. The method of any of clauses 1-15, wherein a size of one of the integer number of processing units is determined based on a predetermined algorithm.

[0123] Clause 17. The method of any of clauses 1-13, wherein the codestream comprises a first substream and a second substream preceding the first substream, the first substream comprises quality map information for the visual data, and the second substream comprises a hyper tensor for the visual data.

[0124] Clause 18. The method of any of clauses 1-17, wherein an input of a hyper scale decoding process of the NN-based model is partitioned based on the first partitioning scheme.

[0125] Clause 19. The method of clause 18, wherein encoded data of quality map information for the visual data is split for plurality of partitions.

[0126] Clause 20. The method of clause 19, wherein the split encoded data for each of the plurality of partitions is in a substream of the codestream that corresponds to the partition.

[0127] Clause 21. The method of any of clauses 1-20, wherein the visual data comprise a picture of a video, or an image.

[0128] Clause 22. The method of any of clauses 1-21, wherein the conversion includes encoding the visual data into the codestream.

[0129] Clause 23. The method of any of clauses 1-21, wherein the conversion includes decoding the visual data from the codestream.

[0130] Clause 24. An apparatus for visual data processing comprising a processor and a non-transitory memory with instructions thereon, wherein the instructions upon execution by the processor, cause the processor to perform a method in accordance with any of clauses 1-23.

[0131] Clause 25. A non-transitory computer-readable storage medium storing instructions that cause a processor to perform a method in accordance with any of clauses 1-23.

[0132] Clause 26. A non-transitory computer-readable recording medium storing a codestream of visual data which is generated by a method performed by an apparatus for visual data processing, wherein the method comprises: performing a conversion from visual data to the codestream with a neural network (NN) -based model, wherein the NN-based model comprises a transform process and a plurality of processes different from the transform process, the transform process is configured to perform a transform between a latent representation of the visual data and the visual data, and respective inputs of the plurality of processes are partitioned into a plurality of partitions based on a same first partitioning scheme, and wherein based on the first partitioning scheme, a set of residual samples associated with the visual data is partitioned into a plurality of subsets of residual samples that correspond to the plurality of partitions, and in accordance with a determination that residual samples for each of the plurality of partitions are in a substream of the codestream that corresponds to the partition, each of the plurality of partitions corresponds to an integer number of processing units of the transform process.

[0133] Clause 27. A method for storing a codestream of visual data, comprising: performing a conversion from visual data to the codestream with a neural network (NN) -based model; and storing the codestream in a non-transitory computer-readable recording medium, wherein the NN-based model comprises a transform process and a plurality of processes different from the transform process, the transform process is configured to perform a transform between a latent representation of the visual data and the visual data, and respective inputs of the plurality of processes are partitioned into a plurality of partitions based on a same first partitioning scheme, and wherein based on the first partitioning scheme, a set of residual samples associated with the visual data is partitioned into a plurality of subsets of residual samples that correspond to the plurality of partitions, and in accordance with a determination that residual samples for each of the plurality of partitions are in a substream of the codestream that corresponds to the partition, each of the plurality of partitions corresponds to an integer number of processing units of the transform process. Example Device

[0134] Fig. 49 illustrates a block diagram of a computing device 4900 in which various embodiments of the present disclosure can be implemented. The computing device 4900 may be implemented as or included in the source device 110 (or the visual data encoder 114) or the destination device 120 (or the visual data decoder 124) .

[0135] It would be appreciated that the computing device 4900 shown in Fig. 49 is merely for purpose of illustration, without suggesting any limitation to the functions and scopes of the embodiments of the present disclosure in any manner.

[0136] As shown in Fig. 49, the computing device 4900 includes a general-purpose computing device 4900. The computing device 4900 may at least comprise one or more processors or processing units 4910, a memory 4920, a storage unit 4930, one or more communication units 4940, one or more input devices 4950, and one or more output devices 4960.

[0137] In some embodiments, the computing device 4900 may be implemented as any user terminal or server terminal having the computing capability. The server terminal may be a server, a large-scale computing device or the like that is provided by a service provider. The user terminal may for example be any type of mobile terminal, fixed terminal, or portable terminal, including a mobile phone, station, unit, device, multimedia computer, multimedia tablet, Internet node, communicator, desktop computer, laptop computer, notebook computer, netbook computer, tablet computer, personal communication system (PCS) device, personal navigation device, personal digital assistant (PDA) , audio / video player, digital camera / video camera, positioning device, television receiver, radio broadcast receiver, E-book device, gaming device, or any combination thereof, including the accessories and peripherals of these devices, or any combination thereof. It would be contemplated that the computing device 4900 can support any type of interface to a user (such as “wearable” circuitry and the like) .

[0138] The processing unit 4910 may be a physical or virtual processor and can implement various processes based on programs stored in the memory 4920. In a multi-processor system, multiple processing units execute computer executable instructions in parallel so as to improve the parallel processing capability of the computing device 4900. The processing unit 4910 may also be referred to as a central processing unit (CPU) , a microprocessor, a controller or a microcontroller.

[0139] The computing device 4900 typically includes various computer storage medium. Such medium can be any medium accessible by the computing device 4900, including, but not limited to, volatile and non-volatile medium, or detachable and non-detachable medium. The memory 4920 can be a volatile memory (for example, a register, cache, Random Access Memory (RAM) ) , a non-volatile memory (such as a Read-Only Memory (ROM) , Electrically Erasable Programmable Read-Only Memory (EEPROM) , or a flash memory) , or any combination thereof. The storage unit 4930 may be any detachable or non-detachable medium and may include a machine-readable medium such as a memory, flash memory drive, magnetic disk or another other media, which can be used for storing information and / or visual data and can be accessed in the computing device 4900.

[0140] The computing device 4900 may further include additional detachable / non-detachable, volatile / non-volatile memory medium. Although not shown in Fig. 49, it is possible to provide a magnetic disk drive for reading from and / or writing into a detachable and non-volatile magnetic disk and an optical disk drive for reading from and / or writing into a detachable non-volatile optical disk. In such cases, each drive may be connected to a bus (not shown) via one or more visual data medium interfaces.

[0141] The communication unit 4940 communicates with a further computing device via the communication medium. In addition, the functions of the components in the computing device 4900 can be implemented by a single computing cluster or multiple computing machines that can communicate via communication connections. Therefore, the computing device 4900 can operate in a networked environment using a logical connection with one or more other servers, networked personal computers (PCs) or further general network nodes.

[0142] The input device 4950 may be one or more of a variety of input devices, such as a mouse, keyboard, tracking ball, voice-input device, and the like. The output device 4960 may be one or more of a variety of output devices, such as a display, loudspeaker, printer, and the like. By means of the communication unit 4940, the computing device 4900 can further communicate with one or more external devices (not shown) such as the storage devices and display device, with one or more devices enabling the user to interact with the computing device 4900, or any devices (such as a network card, a modem and the like) enabling the computing device 4900 to communicate with one or more other computing devices, if required. Such communication can be performed via input / output (I / O) interfaces (not shown) .

[0143] In some embodiments, instead of being integrated in a single device, some or all components of the computing device 4900 may also be arranged in cloud computing architecture. In the cloud computing architecture, the components may be provided remotely and work together to implement the functionalities described in the present disclosure. In some embodiments, cloud computing provides computing, software, visual data access and storage service, which will not require end users to be aware of the physical locations or configurations of the systems or hardware providing these services. In various embodiments, the cloud computing provides the services via a wide area network (such as Internet) using suitable protocols. For example, a cloud computing provider provides applications over the wide area network, which can be accessed through a web browser or any other computing components. The software or components of the cloud computing architecture and corresponding visual data may be stored on a server at a remote position. The computing resources in the cloud computing environment may be merged or distributed at locations in a remote visual data center. Cloud computing infrastructures may provide the services through a shared visual data center, though they behave as a single access point for the users. Therefore, the cloud computing architectures may be used to provide the components and functionalities described herein from a service provider at a remote location. Alternatively, they may be provided from a conventional server or installed directly or otherwise on a client device.

[0144] The computing device 4900 may be used to implement visual data encoding / decoding in embodiments of the present disclosure. The memory 4920 may include one or more visual data coding modules 4925 having one or more program instructions. These modules are accessible and executable by the processing unit 4910 to perform the functionalities of the various embodiments described herein.

[0145] In the example embodiments of performing visual data encoding, the input device 4950 may receive visual data as an input 4970 to be encoded. The visual data may be processed, for example, by the visual data coding module 4925, to generate an encoded bitstream. The encoded bitstream may be provided via the output device 4960 as an output 4980.

[0146] In the example embodiments of performing visual data decoding, the input device 4950 may receive an encoded bitstream as the input 4970. The encoded bitstream may be processed, for example, by the visual data coding module 4925, to generate decoded visual data. The decoded visual data may be provided via the output device 4960 as the output 4980.

[0147] While this disclosure has been particularly shown and described with references to preferred embodiments thereof, it will be understood by those skilled in the art that various changes in form and details may be made therein without departing from the spirit and scope of the present application as defined by the appended claims. Such variations are intended to be covered by the scope of this present application. As such, the foregoing description of embodiments of the present application is not intended to be limiting.

Claims

1.A method for visual data processing, comprising:performing a conversion between visual data and a codestream of the visual data with a neural network (NN) -based model,wherein the NN-based model comprises a transform process and a plurality of processes different from the transform process, the transform process is configured to perform a transform between a latent representation of the visual data and the visual data, and respective inputs of the plurality of processes are partitioned into a plurality of partitions based on a same first partitioning scheme, andwherein based on the first partitioning scheme, a set of residual samples associated with the visual data is partitioned into a plurality of subsets of residual samples that correspond to the plurality of partitions, and in accordance with a determination that residual samples for each of the plurality of partitions are in a substream of the codestream that corresponds to the partition, each of the plurality of partitions corresponds to an integer number of processing units of the transform process.2.The method of claim 1, wherein a size of one of the integer number of processing units is allowed to be different from a size of a further one of the integer number of processing units.3.The method of any of claims 1-2, wherein in accordance with a determination that residual samples for each of the plurality of partitions are in a substream of the codestream that corresponds to the partition, an input of the transform process is partitioned into a plurality of partitions based on the first partitioning scheme.4.The method of claim 3, wherein each of the plurality of partitions of the input of the transform process comprises an integer number of processing units of the transform process.5.The method of any of claims 1-4, wherein in accordance with a determination that there is only one substream for primary residual samples for the plurality of partitions and only one substream for secondary residual samples for the plurality of partitions, an input of the transform process is partitioned based on a second partitioning scheme that is allowed to be different from the first partitioning scheme.6.The method of any of claims 1-5, wherein the transform process comprises a synthesis transform process, and / orthe plurality of processes comprise a hyper decoding process and a latent tensor reconstruction process.7.The method of any of claims 1-6, wherein the first partitioning scheme indicates at least one of the following:the number of vertical splits, orthe number of horizontal splits.8.The method of any of claims 1-7, wherein in accordance with a determination that residual samples for each of the plurality of partitions are in a substream of the codestream that corresponds to the partition, the plurality of partitions do not overlap, orin accordance with a determination that there is only one substream for primary residual samples for the plurality of partitions and only one substream for secondary residual samples for the plurality of partitions, the plurality of partitions are allowed to overlap.9.The method of any of claims 1-8, wherein each of the plurality of partitions is a tile used in the plurality of processes, and each of the integer number of processing units is a tile used in the transform process.10.The method of any of claims 1-9, wherein the NN-based model comprises a first set of filtering processes following the transform process, and each of the set of filtering processes is performed with a corresponding tiling process.11.The method of claim 10, wherein the set of filtering processes comprises at least one of the following:an adaptive linear filtering process,an inter channel correlation information filtering process, ora non-linear chroma enhancement filtering process.12.The method of any of claims 1-11, wherein the NN-based model comprises a second set of filtering processes following the transform process, and each of the second set of filtering processes is performed without a tiling process.13.The method of claim 12, wherein the second set of filtering processes comprises a luma edge filtering process.14.The method of any of claims 1-13, wherein the codestream comprises a first substream and a second substream following the first substream, the first substream comprises quality map information for the visual data, and the second substream comprises a hyper tensor for the visual data.15.The method of claim 14, wherein the codestream further comprises a third substream comprising tools information for the conversion, and the third substream precedes the first substream, and / orthe codestream further comprises a fourth substream comprising a picture header, and the fourth substream precedes the first substream, and / orthe codestream further comprises at least one substream comprising the set of residual samples, and the at least one substream follows the second substream.16.The method of any of claims 1-15, wherein a size of one of the integer number of processing units is determined based on a predetermined algorithm.17.The method of any of claims 1-13, wherein the codestream comprises a first substream and a second substream preceding the first substream, the first substream comprises quality map information for the visual data, and the second substream comprises a hyper tensor for the visual data.18.The method of any of claims 1-17, wherein an input of a hyper scale decoding process of the NN-based model is partitioned based on the first partitioning scheme.19.The method of claim 18, wherein encoded data of quality map information for the visual data is split for plurality of partitions.20.The method of claim 19, wherein the split encoded data for each of the plurality of partitions is in a substream of the codestream that corresponds to the partition.21.The method of any of claims 1-20, wherein the visual data comprise a picture of a video, or an image.22.The method of any of claims 1-21, wherein the conversion includes encoding the visual data into the codestream.23.The method of any of claims 1-21, wherein the conversion includes decoding the visual data from the codestream.24.An apparatus for visual data processing comprising a processor and a non-transitory memory with instructions thereon, wherein the instructions upon execution by the processor, cause the processor to perform a method in accordance with any of claims 1-23.25.A non-transitory computer-readable storage medium storing instructions that cause a processor to perform a method in accordance with any of claims 1-23.26.A non-transitory computer-readable recording medium storing a codestream of visual data which is generated by a method performed by an apparatus for visual data processing, wherein the method comprises:performing a conversion from visual data to the codestream with a neural network (NN) -based model,wherein the NN-based model comprises a transform process and a plurality of processes different from the transform process, the transform process is configured to perform a transform between a latent representation of the visual data and the visual data, and respective inputs of the plurality of processes are partitioned into a plurality of partitions based on a same first partitioning scheme, andwherein based on the first partitioning scheme, a set of residual samples associated with the visual data is partitioned into a plurality of subsets of residual samples that correspond to the plurality of partitions, and in accordance with a determination that residual samples for each of the plurality of partitions are in a substream of the codestream that corresponds to the partition, each of the plurality of partitions corresponds to an integer number of processing units of the transform process.27.A method for storing a codestream of visual data, comprising:performing a conversion from visual data to the codestream with a neural network (NN) -based model; andstoring the codestream in a non-transitory computer-readable recording medium,wherein the NN-based model comprises a transform process and a plurality of processes different from the transform process, the transform process is configured to perform a transform between a latent representation of the visual data and the visual data, and respective inputs of the plurality of processes are partitioned into a plurality of partitions based on a same first partitioning scheme, andwherein based on the first partitioning scheme, a set of residual samples associated with the visual data is partitioned into a plurality of subsets of residual samples that correspond to the plurality of partitions, and in accordance with a determination that residual samples for each of the plurality of partitions are in a substream of the codestream that corresponds to the partition, each of the plurality of partitions corresponds to an integer number of processing units of the transform process.

Images