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. In the method, for a conversion between at least one bitstream of visual data and the visual data, at least one latent representation of the visual data is determined according to a neural network. A progressive compression is applied to the at least one latent representation. Then, the conversion is performed based on the applying.

Description

METHOD, APPARATUS, AND MEDIUM FOR VISUAL DATA PROCESSINGFIELDS

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

[0002] Image / video compression is an essential technique to reduce the costs of image / video transmission and storage in a lossless or lossy manner. 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., 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. Coding efficiency of 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 video processing is proposed. The method comprises: determining, for a conversion between at least one bitstream of visual data and the visual data, at least one latent representation of the visual data according to a neural network; applying a progressive compression to the at least one latent representation; and performing the conversion based on the applying. The method in accordance with the first aspect of the present disclosure applies the progressive compression to the latent representation, which makes the variable-rate ability within a single bitstream. In addition, reconstructed images may be generated by using partial bits of the bitstream.

[0005] 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.

[0006] 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.

[0007] In a fourth aspect, another non-transitory computer-readable recording medium is proposed. The non-transitory computer-readable recording medium stores a bitstream of visual data which is generated by a method performed by an apparatus for visual data processing. The method comprises: determining at least one latent representation of the visual data according to a neural network; applying a progressive compression to the at least one latent representation; and generating the at least one bitstream based on the applying.

[0008] In a fifth aspect, a method for storing a bitstream of a video is proposed. The method comprises: determining at least one latent representation of the visual data according to a neural network; applying a progressive compression to the at least one latent representation; generating the at least one bitstream based on the applying; and storing the at least one bitstream in a non-transitory computer-readable recording medium.

[0009] 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

[0010] 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.

[0011] Fig. 1 illustrates a block diagram of an example visual data coding system in accordance with some embodiments of the present disclosure;

[0012] Fig. 2 illustrates a block diagram of an example video encoder in accordance with some embodiments of the present disclosure;

[0013] Fig. 3 illustrates a block diagram of an example video decoder in accordance with some embodiments of the present disclosure;

[0014] Fig. 4 illustrates a typical transform coding scheme;

[0015] Fig. 5 illustrates images where Left: an image from the Kodak dataset. Middle left: visualization of the 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;

[0016] Fig. 6 illustrates network architecture of an autoencoder implementing the hyperprior model;

[0017] Fig. 7 illustrates a combined model;

[0018] Fig. 8 illustrates an encoding process;

[0019] Fig. 9 illustrates a decoding process;

[0020] Fig. 10A and Fig. 10B illustrate a structure of the multistage context model;

[0021] Fig. 11 illustrates an overall framework for an encoding process in accordance with some embodiments of the present disclosure;

[0022] Fig. 12 illustrates a network structure used in the training stage and the inference stage in accordance with some embodiments of the present disclosure;

[0023] Fig. 13 illustrates a conversion process in accordance with some embodiments of the present disclosure;

[0024] Fig. 14 illustrates an example network structure of DWT-GPC in accordance with some embodiments of the present disclosure;

[0025] Fig. 15 illustrates an example encoding process of progressive coding in accordance with some embodiments of the present disclosure;

[0026] Fig. 16 illustrates a flowchart of a method for video processing in accordance with some embodiments of the present disclosure;

[0027] Fig. 17 illustrates a block diagram of a computing device in which various embodiments of the present disclosure can be implemented.

[0028] Throughout the drawings, the same or similar reference numerals usually refer to the same or similar elements.DETAILED DESCRIPTION

[0029] 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.

[0030] 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.

[0031] 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.

[0032] 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.

[0033] 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

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

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

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

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

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

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

[0040] More details of the embodiments of the present disclosure will be described below which are related to rate adjustment for visual data processing. As used herein, the term “data” or “visual data” may refer to an image, a frame in a video, a picture in a video, a video, or any other data suitable to be coded.

[0041] Fig. 2 is a block diagram illustrating an example of a video encoder 200, which may be an example of the data encoder 114 in the system 100 illustrated in Fig. 1, in accordance with some embodiments of the present disclosure.

[0042] The video encoder 200 may be configured to implement any or all of the techniques of this disclosure. In the example of Fig. 2, the video encoder 200 includes a plurality of functional components. The techniques described in this disclosure may be shared among the various components of the video encoder 200. In some examples, a processor may be configured to perform any or all of the techniques described in this disclosure.

[0043] In some embodiments, the video encoder 200 may include a partition unit 201, a prediction unit 202 which may include a mode select unit 203, a motion estimation unit 204, a motion compensation unit 205 and an intra-prediction unit 206, a residual generation unit 207, a transform unit 208, a quantization unit 209, an inverse quantization unit 210, an inverse transform unit 211, a reconstruction unit 212, a buffer 213, and an entropy encoding unit 214.

[0044] In other examples, the video encoder 200 may include more, fewer, or different functional components. In an example, the prediction unit 202 may include an intra block copy (IBC) unit. The IBC unit may perform prediction in an IBC mode in which at least one reference picture is a picture where the current video block is located.

[0045] Furthermore, although some components, such as the motion estimation unit 204 and the motion compensation unit 205, may be integrated, but are represented in the example of Fig. 2 separately for purposes of explanation.

[0046] The partition unit 201 may partition a picture into one or more video blocks. The video encoder 200 and the video decoder 300 may support various video block sizes.

[0047] The mode select unit 203 may select one of the coding modes, intra or inter, e.g., based on error results, and provide the resulting intra-coded or inter-coded block to a residual generation unit 207 to generate residual block data and to a reconstruction unit 212 to reconstruct the encoded block for use as a reference picture. In some examples, the mode select unit 203 may select a combined inter and intra prediction (CIIP) mode in which the prediction is based on an inter prediction signal and an intra prediction signal. The mode select unit 203 may also select a resolution for a motion vector (e.g., a sub-pixel or integer pixel precision) for the block in the case of inter-prediction.

[0048] To perform inter prediction on a current video block, the motion estimation unit 204 may generate motion information for the current video block by comparing one or more reference frames from buffer 213 to the current video block. The motion compensation unit 205 may determine a predicted video block for the current video block based on the motion information and decoded samples of pictures from the buffer 213 other than the picture associated with the current video block.

[0049] The motion estimation unit 204 and the motion compensation unit 205 may perform different operations for a current video block, for example, depending on whether the current video block is in an I-slice, a P-slice, or a B-slice. As used herein, an “I-slice” may refer to a portion of a picture composed of macroblocks, all of which are based upon macroblocks within the same picture. Further, as used herein, in some aspects, “P-slices” and “B-slices” may refer to portions of a picture composed of macroblocks that are not dependent on macroblocks in the same picture.

[0050] In some examples, the motion estimation unit 204 may perform uni-directional prediction for the current video block, and the motion estimation unit 204 may search reference pictures of list 0 or list 1 for a reference video block for the current video block. The motion estimation unit 204 may then generate a reference index that indicates the reference picture in list 0 or list 1 that contains the reference video block and a motion vector that indicates a spatial displacement between the current video block and the reference video block. The motion estimation unit 204 may output the reference index, a prediction direction indicator, and the motion vector as the motion information of the current video block. The motion compensation unit 205 may generate the predicted video block of the current video block based on the reference video block indicated by the motion information of the current video block.

[0051] Alternatively, in other examples, the motion estimation unit 204 may perform bi-directional prediction for the current video block. The motion estimation unit 204 may search the reference pictures in list 0 for a reference video block for the current video block and may also search the reference pictures in list 1 for another reference video block for the current video block. The motion estimation unit 204 may then generate reference indexes that indicate the reference pictures in list 0 and list 1 containing the reference video blocks and motion vectors that indicate spatial displacements between the reference video blocks and the current video block. The motion estimation unit 204 may output the reference indexes and the motion vectors of the current video block as the motion information of the current video block. The motion compensation unit 205 may generate the predicted video block of the current video block based on the reference video blocks indicated by the motion information of the current video block.

[0052] In some examples, the motion estimation unit 204 may output a full set of motion information for decoding processing of a decoder. Alternatively, in some embodiments, the motion estimation unit 204 may signal the motion information of the current video block with reference to the motion information of another video block. For example, the motion estimation unit 204 may determine that the motion information of the current video block is sufficiently similar to the motion information of a neighboring video block.

[0053] In one example, the motion estimation unit 204 may indicate, in a syntax structure associated with the current video block, a value that indicates to the video decoder 300 that the current video block has the same motion information as the another video block.

[0054] In another example, the motion estimation unit 204 may identify, in a syntax structure associated with the current video block, another video block and a motion vector difference (MVD) . The motion vector difference indicates a difference between the motion vector of the current video block and the motion vector of the indicated video block. The video decoder 300 may use the motion vector of the indicated video block and the motion vector difference to determine the motion vector of the current video block.

[0055] As discussed above, video encoder 200 may predictively signal the motion vector. Two examples of predictive signaling techniques that may be implemented by video encoder 200 include advanced motion vector prediction (AMVP) and merge mode signaling.

[0056] The intra prediction unit 206 may perform intra prediction on the current video block. When the intra prediction unit 206 performs intra prediction on the current video block, the intra prediction unit 206 may generate prediction data for the current video block based on decoded samples of other video blocks in the same picture. The prediction data for the current video block may include a predicted video block and various syntax elements.

[0057] The residual generation unit 207 may generate residual data for the current video block by subtracting (e.g., indicated by the minus sign) the predicted video block (s) of the current video block from the current video block. The residual data of the current video block may include residual video blocks that correspond to different sample components of the samples in the current video block.

[0058] In other examples, there may be no residual data for the current video block, for example in a skip mode, and the residual generation unit 207 may not perform the subtracting operation.

[0059] The transform unit 208 may generate one or more transform coefficient video blocks for the current video block by applying one or more transforms to a residual video block associated with the current video block.

[0060] After the transform unit 208 generates a transform coefficient video block associated with the current video block, the quantization unit 209 may quantize the transform coefficient video block associated with the current video block based on one or more quantization parameter (QP) values associated with the current video block.

[0061] The inverse quantization unit 210 and the inverse transform unit 211 may apply inverse quantization and inverse transforms to the transform coefficient video block, respectively, to reconstruct a residual video block from the transform coefficient video block. The reconstruction unit 212 may add the reconstructed residual video block to corresponding samples from one or more predicted video blocks generated by the prediction unit 202 to produce a reconstructed video block associated with the current video block for storage in the buffer 213.

[0062] After the reconstruction unit 212 reconstructs the video block, loop filtering operation may be performed to reduce video blocking artifacts in the video block.

[0063] The entropy encoding unit 214 may receive data from other functional components of the video encoder 200. When the entropy encoding unit 214 receives the data, the entropy encoding unit 214 may perform one or more entropy encoding operations to generate entropy encoded data and output a bitstream that includes the entropy encoded data.

[0064] Fig. 3 is a block diagram illustrating an example of a video decoder 300, which may be an example of the data decoder 124 in the system 100 illustrated in Fig. 1, in accordance with some embodiments of the present disclosure.

[0065] The video decoder 300 may be configured to perform any or all of the techniques of this disclosure. In the example of Fig. 3, the video decoder 300 includes a plurality of functional components. The techniques described in this disclosure may be shared among the various components of the video decoder 300. In some examples, a processor may be configured to perform any or all of the techniques described in this disclosure.

[0066] In the example of Fig. 3, the video decoder 300 includes an entropy decoding unit 301, a motion compensation unit 302, an intra prediction unit 303, an inverse quantization unit 304, an inverse transform unit 305, a reconstruction unit 306 and a buffer 307. The video decoder 300 may, in some examples, perform a decoding pass generally reciprocal to the encoding pass described with respect to video encoder 200.

[0067] The entropy decoding unit 301 may retrieve an encoded bitstream. The encoded bitstream may include entropy coded video data (e.g., encoded blocks of video data) . The entropy decoding unit 301 may decode the entropy coded video data, and from the entropy decoded video data, the motion compensation unit 302 may determine motion information including motion vectors, motion vector precision, reference picture list indexes, and other motion information. The motion compensation unit 302 may, for example, determine such information by performing the AMVP and merge mode. AMVP is used, including derivation of several most probable candidates based on data from adjacent PBs and the reference picture. Motion information typically includes the horizontal and vertical motion vector displacement values, one or two reference picture indices, and, in the case of prediction regions in B slices, an identification of which reference picture list is associated with each index. As used herein, in some aspects, a “merge mode” may refer to deriving the motion information from spatially or temporally neighboring blocks.

[0068] The motion compensation unit 302 may produce motion compensated blocks, possibly performing interpolation based on interpolation filters. Identifiers for interpolation filters to be used with sub-pixel precision may be included in the syntax elements.

[0069] The motion compensation unit 302 may use the interpolation filters as used by the video encoder 200 during encoding of the video block to calculate interpolated values for sub-integer pixels of a reference block. The motion compensation unit 302 may determine the interpolation filters used by the video encoder 200 according to the received syntax information and use the interpolation filters to produce predictive blocks.

[0070] The motion compensation unit 302 may use at least part of the syntax information to determine sizes of blocks used to encode frame (s) and / or slice (s) of the encoded video sequence, partition information that describes how each macroblock of a picture of the encoded video sequence is partitioned, modes indicating how each partition is encoded, one or more reference frames (and reference frame lists) for each inter-encoded block, and other information to decode the encoded video sequence. As used herein, in some aspects, a “slice” may refer to a data structure that can be decoded independently from other slices of the same picture, in terms of entropy coding, signal prediction, and residual signal reconstruction. A slice can either be an entire picture or a region of a picture.

[0071] The intra prediction unit 303 may use intra prediction modes for example received in the bitstream to form a prediction block from spatially adjacent blocks. The inverse quantization unit 304 inverse quantizes, i.e., de-quantizes, the quantized video block coefficients provided in the bitstream and decoded by entropy decoding unit 301. The inverse transform unit 305 applies an inverse transform.

[0072] The reconstruction unit 306 may obtain the decoded blocks, e.g., by summing the residual blocks with the corresponding prediction blocks generated by the motion compensation unit 302 or intra-prediction unit 303. If desired, a deblocking filter may also be applied to filter the decoded blocks in order to remove blockiness artifacts. The decoded video blocks are then stored in the buffer 307, which provides reference blocks for subsequent motion compensation / intra prediction and also produces decoded video for presentation on a display device.

[0073] Some example 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 video codecs, the disclosed techniques are applicable to other video coding technologies also. Furthermore, while some embodiments describe video 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 video processing encompasses video coding or compression, video decoding or decompression and video transcoding in which video pixels are represented from one compressed format into another compressed format or at a different compressed bitrate. 1. Brief Summary

[0074] Embodiments of the present disclosure are related to implicit neural representation (INR) technology for image compression. Reparameterization technology is proposed to enhance the representation ability of simple network and improved context modelling is proposed for accurate estimation of probability. It may be applied to the existing End-to-End image compression methods. 2. Introduction

[0075] 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 improving, 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

[0076] Image / video compression 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.

[0077] 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.

[0078] 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.

[0079] Neural network-based image / video compression is not a new 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

[0080] 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

[0081] 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

[0082] According to Shannon’s information theory, the optimal method for lossless coding can reach the minimal coding rate -log2 p (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 -log2 p (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.

[0083] 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.

[0084] 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.

[0085] 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. The pixel probability is proposed for binary images, i.e., xi∈ {-1, +1} . The neural autoregressive distribution estimator (NADE) is designed for pixel probability modeling, where is a feed-forward network with a single hidden layer. A similar work is presented in [8] , where the feed-forward network also has connections skipping the hidden layer, and the parameters are also shared. Experiments have been performed on the binarized MNIST dataset. NADE is extended to a real-valued model RNADE, where the probability p (xi|x1, …, xi-1) is derived with a mixture of Gaussians. Their feed-forward network also has a single hidden layer, but the hidden layer is with rescaling to avoid saturation and uses rectified linear unit (ReLU) instead of sigmoid. NADE and RNADE are improved by using reorganizing the order of the pixels and with deeper neural networks.

[0086] Designing advanced neural networks plays an important role in improving pixel probability modeling. Multi-dimensional long short-term memory (LSTM) is proposed, which is working together with mixtures of conditional Gaussian scale mixtures for probability modeling. LSTM is a special kind of recurrent neural networks (RNNs) and is proven to be good at modeling sequential data. The spatial variant of LSTM is used for images later. Several different neural networks are studied, including RNNs and CNNs namely PixelRNN and PixelCNN, respectively. In PixelRNN, two variants of LSTM, called row LSTM and diagonal BiLSTM are proposed, where the latter is specifically designed for images. PixelRNN incorporates residual connections to help train deep neural networks with up to 12 layers. In PixelCNN, masked convolutions are used to suit for the shape of the context. Comparing with previous works, PixelRNN and PixelCNN are more dedicated to natural images: they consider pixels as discrete values (e.g., 0, 1, …, 255) and predict a multinomial distribution over the discrete values; they deal with color images in RGB color space; they work well on large-scale image dataset ImageNet. Gated PixelCNN is proposed to improve the PixelCNN and achieves comparable performance with PixelRNN but with much less complexity. PixelCNN++ is proposed with the following improvements upon PixelCNN: a discretized logistic mixture likelihood is used rather than a 256-way multinomial distribution; down-sampling is used to capture structures at multiple resolutions; additional short-cut connections are introduced to speed up training; dropout is adopted for regularization; RGB is combined for one pixel. PixelSNAIL is proposed, in which casual convolutions are combined with self-attention.

[0087] Most of the above 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, we may estimate 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

[0088] 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.

[0089] Fig. 4 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.

[0090] It is intuitive to apply auto-encoder network to lossy image compression. We only need 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.

[0091] The prototype auto-encoder for image compression is in Fig. 4, 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.

[0092] In terms of network structure, RNNs and CNNs are the most widely used architectures. In the RNNs relevant category, a general framework was proposed for variable rate image compression using RNN. They use binary quantization to generate codes and do not consider rate during training. The framework indeed provides a scalable coding functionality, where RNN with convolutional and deconvolution layers is reported to perform decently. Then an improved version was proposed by upgrading the encoder with a neural network similar to PixelRNN to compress the binary codes. The performance is reportedly better than JPEG on Kodak image dataset using MS-SSIM evaluation metric. The RNN-based solution was further improved by introducing hidden-state priming. In addition, an SSIM-weighted loss function is also designed, and spatially adaptive bitrates mechanism is enabled. They achieve better results than BPG on Kodak image dataset using MS-SSIM as evaluation metric.

[0093] A general framework was designed for rate-distortion optimized image compression. They use multiary quantization to generate integer codes and consider the rate during training, i.e. the loss is the joint rate-distortion cost, which can be MSE or others. They add random uniform noise to stimulate the quantization during training and use the differential entropy of the noisy codes as a proxy for the rate. They use generalized divisive normalization (GDN) as the network structure, which consists of a linear mapping followed by a nonlinear parametric normalization. The effectiveness of GDN on image coding is verified. An improved version was proposed, where they use 3 convolutional layers each followed by a down-sampling layer and a GDN layer as the forward transform. Accordingly, they use 3 layers of inverse GDN each followed by an up-sampling layer and convolution layer to stimulate the inverse transform. In addition, an arithmetic coding method is devised to compress the integer codes. The performance is reportedly better than JPEG and JPEG 2000 on Kodak dataset in terms of MSE. Furthermore, it was further improved by devising a scale hyper-prior into the auto-encoder. They transform the latent representation y with a subnet ha to z=ha (y) and z will be quantized and transmitted as side information. Accordingly, the inverse transform is implemented with a subnet hs attempting to decode from the quantized side information to the standard deviation of the quantized which will be further used during the arithmetic coding of On the Kodak image set, their method is slightly worse than BPG in terms of PSNR. The structures were further explored in the residue space by introducing an autoregressive model to estimate both the standard deviation and the mean. In the latest work Gaussian mixture model was used to further remove redundancy in the residue. The reported performance is on par with VVC on the Kodak image set using PSNR as evaluation metric. 2.3.3. Hyper Prior Model

[0094] 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.

[0095] As evident from the middle left and middle right image of Fig. 5, 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 are introduced to capture the spatial dependencies and to further reduce the redundancies. In this case the image compression network is depicted in Fig. 6.

[0096] In Fig. 6, 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.

[0097] 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. 5 corresponds 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.

[0098] Fig. 5 illustrates images where Left: an image from the Kodak dataset. Middle left: visualization of the 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.

[0099] Fig. 6 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 gs, respectively. 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 bitstream and transmitted to the receiver (decoder) along with 2.3.4. Context Model

[0100] Although the hyperprior 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) .

[0101] 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.

[0102] A joint architecture was used where both hyperprior model subnetwork (hyper encoder and hyper decoder) and a context model subnetwork are utilized. The hyperprior 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. 7, 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.

[0103] Fig. 7 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.

[0104] Typically, the latent samples are modeled as gaussian distribution or gaussian mixture models (not limited to) . According to Fig. 7, 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 μand σ) . 2.3.5. The encoding process using joint auto-regressive hyper prior model

[0105] Fig. 7 corresponds to the state-of-the-art compression method. In this section and the next, the encoding and decoding processes will be described separately.

[0106] Fig. 8 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 obtained 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.

[0107] 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

[0108] The Entropy Parameters subnetwork generates the probability distribution estimations, that are used to encode the quantized latent The information that is generated by the Entropy Parameters typically include a mean μ and scale (or variance) σ parameters, that are together used to obtain a gaussian probability distribution. A gaussian distribution of a random variable x is defined as wherein the parameter μ is the mean or expectation of the distribution (and also its median and mode) , while the parameter σ is its standard deviation (or variance, or scale) . In order to define a gaussian distribution, the mean and the variance need to be determined. The entropy parameters module is used to estimate the mean and the variance values.

[0109] 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) .

[0110] Finally, the first and the second bitstream are transmitted to the decoder as result of the encoding process.

[0111] It is noted that the other names can be used for the modules described above.

[0112] In the above description, all of the elements in Fig. 8 are collectively called encoder. The analysis transform that converts the input image into latent representation is also called an encoder (or auto-encoder) . 2.3.6. The decoding process using joint auto-regressive hyper prior model

[0113] Fig. 9 illustrates a decoding process, for example, the state-of-the-art decoding process. 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.

[0114] 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.

[0115] 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.

[0116] Finally, the fully reconstructed quantized latent is input to the synthesis transform (denoted as decoder in Fig. 9) module to obtain the reconstructed image.

[0117] In the above description, all of the elements in Fig. 9 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. Multistage Context model for entropy probability modeling

[0118] In 2.3.4, pixel CNN is employed as the context model to further build the relationship between different models, which provides better coding performance through the will designed context modeling. However, it limits the throughput of the probability prediction, because there is a strong dependence on the probability modeling of the elements, it needs to be decoded serially one by one, which might be a nightmare for high resolution images. To solve these issues, a multistage context model is proposed as the replacement of the context model, it provides better parallelism in GPU calculation and greatly reduces the decoding time of high-resolution images. Fig. 10A and Fig. 10B illustrate a structure of the multistage context model. Specifically, the Multistage Context model divided the latent information into 2 groups in channel dimension, as shown in Fig. 10A.

[0119] After splitting the channel dimension, for latent of each group, 4-stage context modeling will be applied to build context information for latent elements. The shape of the context modeling is provided in Fig. 10B.

[0120] Benefit from the design of the multistage context model, the times of the context prediction process is no longer dependent on the resolution of the input image, it comes to be a fixed number. In this design, we only need to perform the context prediction process 8 times, so that the decoding time is much faster than the original autoregressive context model. 2.5. Neural networks for video compression

[0121] 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.

[0122] 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. 2.5.1. Low-latency

[0123] The early work first splits the video sequence frames into blocks and each block will choose one from two available modes, either intra coding or inter coding. If intra coding is selected, there is an associated auto-encoder to compress the block. If inter coding is selected, motion estimation and compensation are performed with tradition methods and a trained neural network will be used for residue compression. The outputs of auto-encoders are directly quantized and coded by the Huffman method.

[0124] Another neural network-based video coding scheme with PixelMotionCNN was proposed. The frames are compressed in the temporal order, and each frame is split into blocks which are compressed in the raster scan order. Each frame will firstly be extrapolated with the preceding two reconstructed frames. When a block is to be compressed, the extrapolated frame along with the context of the current block are fed into the PixelMotionCNN to derive a latent representation. Then the residues are compressed by the variable rate image scheme. This scheme performs on par with H. 264.

[0125] Another end-to-end neural network-based video compression framework is then proposed, in which all the modules are implemented with neural networks. The scheme accepts current frame and the prior reconstructed frame as inputs and optical flow will be derived with a pre-trained neural network as the motion information. The motion information will be warped with the reference frame followed by a neural network generating the motion compensated frame. The residues and the motion information are compressed with two separate neural auto-encoders. The whole framework is trained with a single rate-distortion loss function. It achieves better performance than H. 264.

[0126] An advanced neural network-based video compression scheme is proposed. It inherits and extends traditional video coding schemes with neural networks with the following major features: 1) using only one auto-encoder to compress motion information and residues; 2) motion compensation with multiple frames and multiple optical flows; 3) an on-line state is learned and propagated through the following frames over time. This scheme achieves better performance in MS-SSIM than HEVC reference software.

[0127] An extended end-to-end neural network-based video compression framework is proposed afterwards. In this solution, multiple frames are used as references. It is thereby able to provide more accurate prediction of current frame by using multiple reference frames and associated motion information. In addition, motion field prediction is deployed to remove motion redundancy along temporal channel. Postprocessing networks are also introduced in this work to remove reconstruction artifacts from previous processes. The performance is better than H. 265 by a noticeable margin in terms of both PSNR and MS-SSIM.

[0128] The scale-space flow is then proposed to replace commonly used optical flow by adding a scale parameter. It is reportedly achieving better performance than H. 264.

[0129] A multi-resolution representation for optical flows is proposed. Concretely, the motion estimation network produces multiple optical flows with different resolutions and let the network to learn which one to choose under the loss function. The performance is better than H. 265. 2.5.2. Random access

[0130] A frame interpolation based method was initially designed. The key frames are first compressed with a neural image compressor and the remaining frames are compressed in a hierarchical order. They perform motion compensation in the perceptual domain, i.e. deriving the feature maps at multiple spatial scales of the original frame and using motion to warp the feature maps, which will be used for the image compressor. The method is reportedly on par with H. 264.

[0131] Another interpolation-based video compression is then proposed, wherein the interpolation model combines motion information compression and image synthesis, and the same auto-encoder is used for image and residual.

[0132] Afterwards, a neural network-based video compression method based on variational auto-encoders with a deterministic encoder is proposed. Concretely, the model consists of an auto-encoder and an auto-regressive prior. Different from previous methods, this method accepts a group of pictures (GOP) as inputs and incorporates a 3D autoregressive prior by taking into account of the temporal correlation while coding the laten representations. It provides comparative performance as H. 265. 2.6. Preliminaries

[0133] 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.

[0134] 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.

[0135] 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.

[0136] 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.

[0137] 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) .

[0138] 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. 3. Problems

[0139] The existing implicit neural representation-based (INR-based) image compression have the following problems: a) Simple neural network structure is usually used in INR-based image compression, which has limited representation ability. However, it is desired that the neural network in INR could show strong repre-sentation ability with as a smaller number of parameters as possible. b) For different resolution latent, same number of inputs are extracted for the context model. However, it is desired that latent with different resolution may have different number of inputs. c) Single Laplace distribution is used for estimating the probability of latent representations. However, the mixture of distribution, e.g. Laplace Mixture Model (LMM) , may be used for further improving the coding performance. d) The color distortion is observed for the images compressed by INR-based image compression meth-ods. It is proposed to use quality enhance module to remove this kind of distortion. e) the encoding process of INR-based image compression is time consuming and it requires to encode multiple times to achieve different bitrates. Thus, the progressive compression is highly desired which makes the variable-rate ability within a single bitstream. Specifically, by encoding once, it can gener-ate a single bitstream and it can generate reconstructed images by using partial bits of bitstreams. 4. Detailed description

[0140] To solve the above problems and some other problems not mentioned, methods as summarized below are disclosed. The detailed description should be considered as examples to explain the general concepts and should not be interpreted in a narrow way. Furthermore, the embodiments can be applied individually or combined in any manner. 1) To solve problem 1, The reparameterization technology may be proposed to enhance the ability of sim-ple network while keep the number of network parameters not increased. a. In one example, a basic neural network structure is consisted of 1x1 convolution, 3x3 convo-lution, and identity connection during training stage. After training is finished, the network parameters of 1x1 convolution and 3x3 convolution could be extracted and merged into a new 3x3 convolution. Thus, in the inference stage, a basic neural network structure is consisted of 3x3 convolution and identity connection. i. In one example, furthermore, the 1x1 convolution kernel is expended to 3x3 convolu-tion kernel where zero padding is used. Then it could be merged with other 3x3 con-volution kernel by element-wise adding operation. 2) To solve problem 2, masks for the input of context model are proposed: a. In one example, a single mask is used to element-wise multiplication with the extracted latent context inputs. The mask is binary mask which only includes number 1 or 0. b. In one example, a single mask is used to element-wise multiplication with the extracted latent context inputs. The values in the mask are floating number and values are in the range of 0 to 1. c. In one example, multiple masks are used to element-wise multiplication with the extracted la-tent context inputs. Latent context input with different resolution may use different masks. The masks are binary mask which only includes number 1 or 0. d. In one example, multiple masks are used to element-wise multiplication with the extracted la-tent context inputs. Latent context input with different resolution may use different masks. The values in the masks are floating number and values are in the range of 0 to 1. 3) To solve problem 3, the mixture of probability distribution may be used for modeling the probability distribution of latent representation. a. In one example, the Laplace Mixture Model is used. b. In one example, the Gaussian Mixture Model is used. 4) To solve problem 4, quality enhance module is proposed as post processing for removing the distortion of compressed images. a. In one example, the input of quality enhance module is compressed images and the output of the module is quality refined images. 5) To solve problem 5, progressive compression ability is added. a. In one example, the Discrete Wavelet Transform is used for measuring the energy of latent representation. b. In one example, the Fast Fourier Transform transform is used for measuring the energy of latent representation. c. In one example, attention mechanism is applied to make the energy concentrates on partial channels of the latent representation. i. In one example, the channel attention mechanism is applied to latent for making some channels more informative. d. In one example, after training is finished, the channels of latent will be sorted in the decreas-ing order of energy. The latent channel which includes the largest energy will be encoded firstly. i. In one example, the original order of latent will be signaled. ii. In one example, the decoder needs to restore the correct channel order before gener-ating final reconstructed image. 5. Embodiments Embodiment 1 Overview of encoding process

[0141] The proposed method is built on top of Cool-chic and the overall framework is illustrated in Fig. 11. The encoding process is consisted of 4 module: (i) N learnable latent grids at different spatial resolution z = (z1, z2, ..., zN) , (ii) auto-regressive module arm (z) which is used to extract the con-text information of each latent grids elements and estimate the probability distribution of the latent representation and entropy encoding the latent grids into a latent bitstream, (iii) synthesis transform to transform the latent grids into an RGB image, (iv) the trained networks parameters are quantized and compressed into Network bitstream. Latent grids

[0142] The latent grids z = (z1, z2, ..., zN) are consisted of N latent representations in different spatial resolution, which are designed to capture the structure information at different spatial frequencies. In this paper, the shape of latent zi is defined as [H / 2i-1, W / 2i-1] where i denotes the i-th latent representation in the latent grids and H and W denotes the height and width of compressed image, respectively. In this paper, N = 7 latents are used which is the de-fault configuration of Cool-Chic. However, it is found that for different target bitrates during compression, the configuration of z may be different. For example, in the low-bitrates condition, using the configuration z = (z2, z3, ..., z7) by re-moving the largest resolution latent z1 usually shows coding efficiency improvements due to the largely reduced bitrates consumption. Thus, in this paper, we try encoding every image with different configuration of z and choose the best configurations according to the rate-distortion cost RDcost =MSE (x, x^) +λ×R (z) . Reparameterization-based synthesis transform

[0143] The synthesis transform is utilized to transform the latent grids into the reconstructed RGB images. In the Cool-Chic synthesis transform module, stack of Plain ConvNets and residual networks is used. An explanation for the success of ResNets is that such a multi-branch architecture y = f (x) + x makes the model an implicit ensemble of numerous shallower models. Specifically, with K blocks, the model can be interpreted as an ensemble of 2K models, since every block branches the flow into two paths. Using more branches, e.g. M branches, means MK models are implicitly ensemble, which may further improve the performance.

[0144] Multi-branch Architecture for Training. The network structure used in training stage is illustrated in the left of 2. We use three branches: identity mapping, 1 × 1, and 3 × 3 convolution branches so that the training-time information flow of a building block is y = x + f1 (x) + f3 (x) where fi (x) denotes the convolution of x with kernel size i. We simply stack several such blocks to construct the training-time model.

[0145] Reparameterazion for Inference. The network structure used in inference stage is illustrated in the right of Fig. 12. In this subsection, we describe the reparameterazion technology which converts a trained block y = x + f1 (x) + f3 (x) into a single convolution layer y = f3 (x) for inference. The detailed conversion process is illustrated in Fig. 13 where input channel and output channel are set to 2. Firstly, extract all the convolution kernels and bias vector. Secondly, the kernel of 1 × 1 convolution f1 (x) could be zero-padded into a 3 × 3 convolution where only the middle parameters are effective and other parameters are zeros. This transformation could also be applied to the identity branch because an identity can be viewed as a 3 × 3 convolution with an identity matrix as the kernel. After such transformations, we will have three 3 × 3 kernel. The final 3 × 3 kernel is constructed by adding up the 3 × 3 kernels. The final bias is simply addition results of the three extracted bias vectors because the shape of extracted bias vector is exactly the same. Auto-regressive module

[0146] The auto-regressive module takes latent grids z as input and extract the context information. Then it generates estimated probability of all the elements of z by auto-regressive model. The estimated probability will later be used for lossless entropy coding of latent grids and generate a latent bitstream. Masked context. Firstly, the context information of each element of latent representation at spatial position (x, y) is extracted. The raster-scan order is used for encoding, hence only these elements before the zxiy (the grids positioned above and to the left of (x, y) in the Fig. 11) will be selected as context information. In the Cool-Chic, all the latent will use the size of 40 for context regardless its spatial resolution. However, it may lead to uncorrelated elements in the latent representation being extracted as context. Especially for the low resolution latent representation, where the most of context input is observed uncorrelated to the current element. Therefore, it is proposed to use a predefined binary context masks for each resolution latent. The binary context masks will element-wise times the extracted context information to generate the masked context zC.

[0147] Laplace Mixture Model After masked context is extracted, the probability of each elements of latent grids will be estimated. In Cool-Chic, the Laplace distribution is used for modeling the probability distribution of latent representation z. The Gaussian Mixture Model is proved more effective than single Gaussian distribution for E2E image compression. Thus, we propose to use the Laplace Mixture Model (LMM) for better capture the spatial redundancy and more accurate estimation of probability. where M denotes the number of Laplace distributions. The weighting coefficient ωk and mean μk and standards deviation σk of the k-th Laplace distributions are estimated by the auto-regressive networks: ωk, μk, σk=arm (zC) . Quality Enhancement Module

[0148] The color distortion is observed for the compressed image by Cool-Chic. It can be observed that the color in com-pressed images is lighter than the original image. To remove the distortion for a better subjective quality, the quality enhancement module is proposed on top of the compressed images. The EDSR is used as the basic network structure of quality enhancement module where the upsampling layer in EDSR is removed. The input of this module is the compressed images and the output is the refined image. It is designed to learn the mapping from the degradation representation of the compressed image to the original uncompressed image. It is worth noting that this module is used as post processing module therefore the network parameters of this module will not be compressed and entropy encoded. Network optimization and quantization

[0149] Different with E2E image compression methods which are trained on top of large training dataset, the proposed method is overfitted for each single images and the network parameters and latent elements should be encoded into bitstreams. The Rate-Distortion loss is used as loss function for training: L = MSE (x, x^) + λ × R (z) where R (z) denotes the bitrates of latent grids z and it is measured by the entropy of latent grids. The λ denotes the Lagrange multiplier to control the rate-distortion trade-off.

[0150] After training is finished, the networks will be quantized and entropy encoded. As used herein, the same quantization methods as Cool-Chic may be used. Best quantization steps for convolution kernel and bias are chosen by exhaustive search in a pre-defined number sets, respectively. Embodiment 2 DWT Guided Progressive Compression

[0151] This embodiment could be combined with Embodiment 1. The progressive compression desires to compress the latent in the order of importance. Thus, in the decoder side, the most important partial of bitstream may be decoded firstly and generate a reconstructed image with visual acceptable quality.

[0152] In this paper, discrete wavelet transform (DWT) guided progressive compression (DWT-GPC) is proposed to make sure that most energy concentrates on specific channels of latent representation z. The diagram of DWT-GPC is illustrated in Fig. 14. The DWT is firstly applied to each channel of input tensor to generate 4 subbands as LL, LH, HL, and HH. Then the L2-norm of LL subbands is calculated as pooling operation and the input tensor X will be weighted by sigmoid function.

[0153] After training is finished, the compression of latent representations will be performed and it is illustrated in Fig. 15. The DWT is applied for each channel of latent z and the energy is calculated by L2-norm of the LL subband images. The channels of latent will be reordered and compressed in the order of monotonically decreasing energy. It is worth noting that the hyper latent is compressed before latent and this reordering operation is only applied for latent representation.

[0154] Further example embodiments will be described with respect to Fig. 16, which illustrates a flowchart of a method 1600 for visual data processing in accordance with embodiments of the present disclosure. The method 1600 is implemented during a conversion between a visual data and a bitstream of the visual data. The visual data may be a video, an image, a unit or representation of the video or image, and the like.

[0155] At block 1610, for a conversion between at least one bitstream of visual data and the visual data, at least one latent representation of the visual data is determined according to a neural network. The neural network may be a neural network-based image or video compression network or module.

[0156] At block 1620, a progressive compression is applied to the at least one latent representation. For example, the progressive compression ability is added.

[0157] At block 1630, the conversion is performed based on the applying. For example, for the encoding process, the encoding may be based on the applying of the progressive compression to the at least one latent representation.

[0158] The method 1600 enables applying the progressive compression to the latent representation.

[0159] In some embodiments, applying the progressive compression comprises: applying a discrete wavelet transform (DWT) to the at least one latent representation for measuring energy of the at least one latent representation. The progressive compression may make the variable-rate ability within a single bitstream. Specifically, by encoding once, it may generate a single bitstream and it may generate reconstructed images by using partial bits of bitstreams.

[0160] In some embodiments, applying the progressive compression comprises: applying a fast Fourier transform (FFT) to the at least one latent representation for mearing energy of the at least one latent representation.

[0161] In some embodiments, applying the progressive compression comprises: applying an attention mechanism to the at least one latent representation to make energy concentrate on partial channels of the at least one latent representation. For example, the attention mechanism may include a channel attention mechanism for making at least one channel of the at least one latent representation more informative than at least one further channel of the at least one latent representation.

[0162] In some embodiments, performing the conversion comprises: sorting a plurality of channels of the at least one latent representation in a decreasing order of energy; and performing the conversion for the plurality of channels based on the sorting. For example, after training is finished, a first channel of the at least one latent representation with a largest energy is coded first. In an example, after training of the neural network is finished, the channels of latent may be sorted in the decreasing order of energy. The latent channel which includes the largest energy will be encoded firstly.

[0163] In some embodiments, an original order of the at least one latent presentation is indicated in the bitstream. For example, the original order of latent may be signaled.

[0164] In some embodiments, the method 1600 further comprises: restoring a correct channel order of the plurality of channels; and generating a reconstructed image based on the correct channel order. For example, the decoder may need to restore the correct channel order before generating a final reconstructed image.

[0165] In some embodiments, applying the progressive compression comprises: compressing the at least one latent representation based on an order of importance.

[0166] In some embodiments, applying the progressive compression comprises: after training the neural network, applying a discrete wavelet transform (DWT) guided progressive compression (DWT-GPC) to a plurality of channels of an input tensor of the at least one latent representation to generate a plurality of subbands; determining a Euclidean norm of a subband of the plurality of subbands as pooling operation, the Euclidean norm reflecting energy of the at least one latent representation; applying a weighting to the input tensor by a sigmoid function; reordering the plurality of channels based on a decreasing order of energy; and compressing the plurality of reordered channels.

[0167] In some embodiments, a hyper latent of the visual data is compressed before the at least one latent representation, and the reordering is applied to the at least one latent representation without applying to the hyper latent.

[0168] In some embodiments, the at least one bitstream includes a first bitstream and a second bitstream. The first bitstream includes arithmetic information of the visual data, and the second bitstream includes probability distribution information of the visual data.

[0169] In some embodiments, the conversion includes encoding the visual data into the at least one bitstream. Alternatively, or in addition, in some embodiments, the conversion includes decoding the visual data from the at least one bitstream.

[0170] According to further embodiments of the present disclosure, a non-transitory computer-readable recording medium is provided. The non-transitory computer-readable recording medium stores a bitstream of visual data which is generated by a method performed by an apparatus for visual data processing. In the method, at least one latent representation of the visual data is determined according to a neural network. A progressive compression is applied to the at least one latent representation. The at least one bitstream is generated based on the applying.

[0171] According to still further embodiments of the present disclosure, a method for storing bitstream of visual data is provided. In the method, at least one latent representation of the visual data is determined according to a neural network. A progressive compression is applied to the at least one latent representation. The at least one bitstream is generated based on the applying. The at least one bitstream is stored in a non-transitory computer-readable recording medium.

[0172] 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.

[0173] Clause 1. A method for visual data processing, comprising: determining, for a conversion between at least one bitstream of visual data and the visual data, at least one latent representation of the visual data according to a neural network; applying a progressive compression to the at least one latent representation; and performing the conversion based on the applying.

[0174] Clause 2. The method of clause 1, wherein applying the progressive compression comprises: applying a discrete wavelet transform (DWT) to the at least one latent representation for measuring energy of the at least one latent representation.

[0175] Clause 3. The method of clause 1, wherein applying the progressive compression comprises: applying a fast Fourier transform (FFT) to the at least one latent representation for mearing energy of the at least one latent representation.

[0176] Clause 4. The method of any of clauses 1 to 3, wherein applying the progressive compression comprises: applying an attention mechanism to the at least one latent representation to make energy concentrate on partial channels of the at least one latent representation.

[0177] Clause 5. The method of clause 4, wherein the attention mechanism comprises a channel attention mechanism for making at least one channel of the at least one latent representation more informative than at least one further channel of the at least one latent representation.

[0178] Clause 6. The method of any of clauses 1 to 5, wherein performing the conversion comprises: sorting a plurality of channels of the at least one latent representation in a decreasing order of energy; and performing the conversion for the plurality of channels based on the sorting.

[0179] Clause 7. The method of clause 6, wherein after training is finished, a first channel of the at least one latent representation with a largest energy is coded first.

[0180] Clause 8. The method of clause 6 or 7, wherein an original order of the at least one latent presentation is indicated in the bitstream.

[0181] Clause 9. The method of any of clauses 6 to 8, further comprising: restoring a correct channel order of the plurality of channels; and generating a reconstructed image based on the correct channel order.

[0182] Clause 10. The method of any of clauses 1 to 9, wherein applying the progressive compression comprises: compressing the at least one latent representation based on an order of importance.

[0183] Clause 11. The method of any of clauses 1 to 10, wherein applying the progressive compression comprises: after training the neural network, applying a discrete wavelet transform (DWT) guided progressive compression (DWT-GPC) to a plurality of channels of an input tensor of the at least one latent representation to generate a plurality of subbands; determining a Euclidean norm of a subband of the plurality of subbands as pooling operation, the Euclidean norm reflecting energy of the at least one latent representation; applying a weighting to the input tensor by a sigmoid function; reordering the plurality of channels based on a decreasing order of energy; and compressing the plurality of reordered channels.

[0184] Clause 12. The method of clause 11, wherein a hyper latent of the visual data is compressed before the at least one latent representation, and the reordering is applied to the at least one latent representation without applying to the hyper latent.

[0185] Clause 13. The method of any of clauses 1 to 12, wherein the at least one bitstream comprises a first bitstream and a second bitstream, the first bitstream comprising arithmetic information of the visual data, the second bitstream comprising probability distribution information of the visual data.

[0186] Clause 14. The method of any of clauses 1 to 13, wherein the conversion includes encoding the visual data into the at least one bitstream.

[0187] Clause 15. The method of any of clauses 1 to 13, wherein the conversion includes decoding the visual data from the at least one bitstream.

[0188] Clause 16. 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 1-15.

[0189] Clause 17. A non-transitory computer-readable storage medium storing instructions that cause a processor to perform a method in accordance with any of clauses 1-15.

[0190] Clause 18. A non-transitory computer-readable recording medium storing at least one bitstream of visual data which is generated by a method performed by an apparatus for visual data processing, wherein the method comprises: determining at least one latent representation of the visual data according to a neural network; applying a progressive compression to the at least one latent representation; and generating the at least one bitstream based on the applying.

[0191] Clause 19. A method for storing a bitstream of visual data, comprising: determining at least one latent representation of the visual data according to a neural network; applying a progressive compression to the at least one latent representation; generating the at least one bitstream based on the applying; and storing the at least one bitstream in a non-transitory computer-readable recording medium. Example Device

[0192] Fig. 17 illustrates a block diagram of a computing device 1700 in which various embodiments of the present disclosure can be implemented. The computing device 1700 may be implemented as or included in the source device 110 (or the video encoder 114 or 200) or the destination device 120 (or the video decoder 124 or 300) .

[0193] It would be appreciated that the computing device 1700 shown in Fig. 17 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.

[0194] As shown in Fig. 17, the computing device 1700 includes a general-purpose computing device 1700. The computing device 1700 may at least comprise one or more processors or processing units 1710, a memory 1720, a storage unit 1730, one or more communication units 1740, one or more input devices 1750, and one or more output devices 1760.

[0195] In some embodiments, the computing device 1700 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 1700 can support any type of interface to a user (such as “wearable” circuitry and the like) .

[0196] The processing unit 1710 may be a physical or virtual processor and can implement various processes based on programs stored in the memory 1720. 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 1700. The processing unit 1710 may also be referred to as a central processing unit (CPU) , a microprocessor, a controller or a microcontroller.

[0197] The computing device 1700 typically includes various computer storage medium. Such medium can be any medium accessible by the computing device 1700, including, but not limited to, volatile and non-volatile medium, or detachable and non-detachable medium. The memory 1720 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 1730 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 data and can be accessed in the computing device 1700.

[0198] The computing device 1700 may further include additional detachable / non-detachable, volatile / non-volatile memory medium. Although not shown in Fig. 17, 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 data medium interfaces.

[0199] The communication unit 1740 communicates with a further computing device via the communication medium. In addition, the functions of the components in the computing device 1700 can be implemented by a single computing cluster or multiple computing machines that can communicate via communication connections. Therefore, the computing device 1700 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.

[0200] The input device 1750 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 1760 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 1740, the computing device 1700 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 1700, or any devices (such as a network card, a modem and the like) enabling the computing device 1700 to communicate with one or more other computing devices, if required. Such communication can be performed via input / output (I / O) interfaces (not shown) .

[0201] In some embodiments, instead of being integrated in a single device, some or all components of the computing device 1700 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, 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 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 data center. Cloud computing infrastructures may provide the services through a shared 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.

[0202] The computing device 1700 may be used to implement video encoding / decoding in embodiments of the present disclosure. The memory 1720 may include one or more visual data coding modules 1725 having one or more program instructions. These modules are accessible and executable by the processing unit 1710 to perform the functionalities of the various embodiments described herein.

[0203] In the example embodiments of performing video encoding, the input device 1750 may receive video data as an input 1770 to be encoded. The video data may be processed, for example, by the visual data coding module 1725, to generate an encoded bitstream. The encoded bitstream may be provided via the output device 1760 as an output 1780.

[0204] In the example embodiments of performing video decoding, the input device 1750 may receive an encoded bitstream as the input 1770. The encoded bitstream may be processed, for example, by the visual data coding module 1725, to generate decoded video data. The decoded video data may be provided via the output device 1760 as the output 1780.

[0205] While this disclosure has been particularly shown and described with references to example 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:determining, for a conversion between at least one bitstream of visual data and the visual data, at least one latent representation of the visual data according to a neural network;applying a progressive compression to the at least one latent representation; andperforming the conversion based on the applying.2.The method of claim 1, wherein applying the progressive compression comprises:applying a discrete wavelet transform (DWT) to the at least one latent representation for measuring energy of the at least one latent representation.3.The method of claim 1, wherein applying the progressive compression comprises:applying a fast Fourier transform (FFT) to the at least one latent representation for mearing energy of the at least one latent representation.4.The method of any of claims 1 to 3, wherein applying the progressive compression comprises:applying an attention mechanism to the at least one latent representation to make energy concentrate on partial channels of the at least one latent representation.5.The method of claim 4, wherein the attention mechanism comprises a channel attention mechanism for making at least one channel of the at least one latent representation more informative than at least one further channel of the at least one latent representation.6.The method of any of claims 1 to 5, wherein performing the conversion comprises:sorting a plurality of channels of the at least one latent representation in a decreasing order of energy; andperforming the conversion for the plurality of channels based on the sorting.7.The method of claim 6, wherein after training is finished, a first channel of the at least one latent representation with a largest energy is coded first.8.The method of claim 6 or 7, wherein an original order of the at least one latent presentation is indicated in the bitstream.9.The method of any of claims 6 to 8, further comprising:restoring a correct channel order of the plurality of channels; andgenerating a reconstructed image based on the correct channel order.10.The method of any of claims 1 to 9, wherein applying the progressive compression comprises: compressing the at least one latent representation based on an order of importance.11.The method of any of claims 1 to 10, wherein applying the progressive compression comprises:after training the neural network, applying a discrete wavelet transform (DWT) guided progressive compression (DWT-GPC) to a plurality of channels of an input tensor of the at least one latent representation to generate a plurality of subbands;determining a Euclidean norm of a subband of the plurality of subbands as pooling operation, the Euclidean norm reflecting energy of the at least one latent representation;applying a weighting to the input tensor by a sigmoid function;reordering the plurality of channels based on a decreasing order of energy; andcompressing the plurality of reordered channels.12.The method of claim 11, wherein a hyper latent of the visual data is compressed before the at least one latent representation, and the reordering is applied to the at least one latent representation without applying to the hyper latent.13.The method of any of claims 1 to 12, wherein the at least one bitstream comprises a first bitstream and a second bitstream, the first bitstream comprising arithmetic information of the visual data, the second bitstream comprising probability distribution information of the visual data.14.The method of any of claims 1 to 13, wherein the conversion includes encoding the visual data into the at least one bitstream.15.The method of any of claims 1 to 13, wherein the conversion includes decoding the visual data from the at least one bitstream.16.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 to 15.17.A non-transitory computer-readable storage medium storing instructions that cause a processor to perform a method in accordance with any of claims 1 to 15.18.A non-transitory computer-readable recording medium storing at least one bitstream of visual data which is generated by a method performed by an apparatus for visual data processing, wherein the method comprises:determining at least one latent representation of the visual data according to a neural network;applying a progressive compression to the at least one latent representation; andgenerating the at least one bitstream based on the applying.19.A method for storing at least one bitstream of visual data, comprising:determining at least one latent representation of the visual data according to a neural network;applying a progressive compression to the at least one latent representation;generating the at least one bitstream based on the applying; andstoring the at least one bitstream in a non-transitory computer-readable recording medium.

Images