Reference frame selection based on camera pose for video encoding

Abstract

A method of video encoding leverages camera pose information to enhance inter-frame prediction efficiency. The method includes obtaining a plurality of reference frames for a current frame, determining a camera pose for each of the plurality of reference frames and the current frame, selecting a subset of the plurality of reference frames based on the camera poses, and performing inter-frame prediction for the current frame using the selected subset of reference frames. This approach utilizes real-time motion data from inertial measurement units (IMUs) to identify reference frames with maximum temporal correlation to the current frame, thereby reducing the computational load required for inter-frame prediction. The method may include retrieving the reference frames from a reference frame buffer, using gyroscope data to calculate the camera poses, or representing the camera poses using quaternion data.

Description

REFERENCE FRAME SELECTION BASED ON CAMERA POSE FOR VIDEO ENCODINGTECHNICAL FIELD

[0001] This disclosure relates to video encoding and video decoding.BACKGROUND

[0002] Digital video capabilities can be incorporated into a wide range of devices, including digital televisions, digital direct broadcast systems, wireless broadcast systems, personal digital assistants (PDAs) , laptop or desktop computers, tablet computers, e-book readers, digital cameras, digital recording devices, digital media players, video gaming devices, video game consoles, cellular or satellite radio telephones, so-called “smart phones, ” video teleconferencing devices, video streaming devices, and the like. Digital video devices implement video coding techniques, such as those described in the standards defined by MPEG-2, MPEG-4, ITU-T H. 263, ITU-T H. 264 / MPEG-4, Part 10, Advanced Video Coding (AVC) , ITU-T H. 265 / High Efficiency Video Coding (HEVC) , ITU-T H. 266 / Versatile Video Coding (VVC) , and extensions of such standards, as well as proprietary video codecs / formats such as AOMedia Video 1 (AV1) that was developed by the Alliance for Open Media. The video devices may transmit, receive, encode, decode, and / or store digital video information more efficiently by implementing such video coding techniques.

[0003] Video coding techniques include spatial (intra-picture) prediction and / or temporal (inter-picture) prediction to reduce or remove redundancy inherent in video sequences. For block-based video coding, a video slice (e.g., a video picture or a portion of a video picture) may be partitioned into video blocks, which may also be referred to as coding tree units (CTUs) , coding units (CUs) and / or coding nodes. Video blocks in an intra-coded (I) slice of a picture are encoded using spatial prediction with respect to reference samples in neighboring blocks in the same picture. Video blocks in an inter-coded (P or B) slice of a picture may use spatial prediction with respect to reference samples in neighboring blocks in the same picture or temporal prediction with respect to reference samples in other reference pictures. Pictures may be referred to as frames, and reference pictures may be referred to as reference frames.SUMMARY

[0004] In general, this disclosure describes techniques for encoding video data. More particular, the techniques of the disclosure provide a method and apparatus for video encoding that leverages camera pose information to enhance inter-frame prediction efficiency. The techniques of this disclosure include obtaining a plurality of reference frames for a current frame, determining a camera pose for each of the plurality of reference frames and the current frame, selecting a subset of the plurality of reference frames based on the camera poses, and performing inter-frame prediction for the current frame using the selected subset of reference frames. This approach utilizes real-time motion data, e.g., from inertial measurement units (IMUs) , to identify reference frames with maximum temporal correlation to the current frame, thereby reducing the computational load required for inter-frame prediction.

[0005] In a more specific example of the disclosure, a video encoder may first determine reference frames for two reference frame lists (e.g., reference frame list 0 and reference frame list 1) . The video encoder may then determine one reference frame in each of the reference frame lists that has a maximum temporal correlation with the current frame based on the camera poses associated with each frame. The references frame from each list that has the maximum temporal correlation with the current frame are placed into reduced reference frame lists (e.g., reduced reference frame list 2 and reduced reference frame list 3) .

[0006] The video encoder may further test the reference frames in each list on a coding unit having a split depth of 1 (e.g., a 64x64 coding unit) to determine a reference frame in each list that has the best spatial correlation with the coding unit based on a rate-distortion test. The reference frames from each list are also placed into the reduced reference frame lists. The video encoder may then perform inter-prediction on coding units at a split depth of 2 of greater using the reduced reference frame lists.

[0007] At most, each of the reduced reference frame lists may have two reference frames. However, because the reference frame that has the maximum temporal correlation with the current frame is often the same reference frame as the reference frame that has the best spatial correlation with the coding unit at split depth 1, the reduced reference frame lists may only include a single reference frame in many instances. As such, in those instances, no rate-distortion testing of multiple reference frames is needed for inter-prediction encoding of coding units at a split depth of 2 or greater.

[0008] By reducing the number of reference frames that are tested, the techniques of this disclosure may significantly decrease the computational complexity of inter-frame prediction. This reduction in computational load can lead to faster encoding times and lower power consumption, which may be important for consumer devices such as smartphones and tablets. Additionally, the techniques of this disclosure maintain high compression efficiency, ensuring that the quality of the encoded video remains high while reducing the resources required for encoding. This makes the techniques of this disclosure advantageous for applications where both performance and efficiency are beneficial.

[0009] In one example, a method includes determining a plurality of reference frames for a current block of a current frame, determining a respective camera pose for each of the plurality of reference frames and the current frame, determining a subset of the plurality of reference frames based at least in part on the respective camera poses, and performing inter-prediction on the current block using the subset of the plurality of reference frames.

[0010] In another example, a device includes at least one memory, and processing circuitry in communication with the at least one memory, the processing circuitry configured to determine a plurality of reference frames for a current block of a current frame, determine a respective camera pose for each of the plurality of reference frames and the current frame, determine a subset of the plurality of reference frames based at least in part on the respective camera poses, and perform inter-prediction on the current block using the subset of the plurality of reference frames.

[0011] In another example, a device includes means for determining a plurality of reference frames for a current block of a current frame, means for determining a respective camera pose for each of the plurality of reference frames and the current frame, means for determining a subset of the plurality of reference frames based at least in part on the respective camera poses, and means for performing inter-prediction on the current block using the subset of the plurality of reference frames.

[0012] In another example, a computer-readable storage medium is encoded with instructions that, when executed, cause a programmable processor to determine a plurality of reference frames for a current block of a current frame, determine a respective camera pose for each of the plurality of reference frames and the current frame, determine a subset of the plurality of reference frames based at least in part on the respective camera poses, and perform inter-prediction on the current block using the subset of the plurality of reference frames.

[0013] The details of one or more examples are set forth in the accompanying drawings and the description below. Other features, objects, and advantages will be apparent from the description, drawings, and claims.BRIEF DESCRIPTION OF DRAWINGS

[0014] FIG. 1 is a block diagram illustrating an example video encoding and decoding system that may perform the techniques of this disclosure.

[0015] FIG. 2 is a block diagram illustrating an example video encoder that may perform the techniques of this disclosure.

[0016] FIG. 3 is a block diagram illustrating an example video decoder that may perform the techniques of this disclosure.

[0017] FIG. 4 is a flowchart illustrating an example method for encoding a current block in accordance with the techniques of this disclosure.

[0018] FIG. 5 is a flowchart illustrating an example method for decoding a current block in accordance with the techniques of this disclosure.

[0019] FIG. 6 is a flowchart showing an example process for encoding a coding unit (CU) of video data.

[0020] FIG. 7 is a flowchart showing an example process for encoding a CU of video data using inter-prediction.

[0021] FIG. 8 shows example inter-prediction reference frames for two reference frame lists.

[0022] FIG. 9 illustrates example components involved in the video encoding process according to one example of the disclosure.

[0023] FIG. 10 is a conceptual diagram illustrating camera pose information for a camera in a video encoding device.

[0024] FIG. 11 is a conceptual diagram illustrating how a images changes with camera rotation.

[0025] FIG. 12 is a conceptual diagram illustrating examples of image deformation due to camera rotation.

[0026] FIG. 13 illustrates an example process for selecting and utilizing reference frames during inter-frame prediction based on camera pose information.

[0027] FIG. 14 shows one example of determining a maximum temporal correlation between a current frame and multiple reference frames.

[0028] FIG. 15 shows an example partitioning for a coding tree unit.

[0029] FIG. 16 is a flowchart illustrating an example video encoding process of the disclosure.DETAILED DESCRIPTION

[0030] Video coding techniques have evolved to accommodate the increasing demand for high-quality video content. Standards such as H. 266 / VVC have been developed to provide superior compression efficiency compared to previous generations. These standards employ complex intra-prediction and inter-prediction methods to reduce redundancy in both spatial and temporal domains. However, the enhanced compression efficiency comes at the cost of increased computational complexity, which poses challenges for real-time video encoding applications.

[0031] Current inter-frame prediction processes in H. 266 encoders include evaluating multiple prediction modes, including merge mode, skip mode, merge mode with motion vector difference (MMVD) , advanced motion vector prediction (AMVP) mode, and others, across all reference frames for each coding unit (CU) . This search aims to identify the inter-prediction mode associated with the lowest rate-distortion (RD) cost. The process continues recursively, splitting the CU and repeating the RD cost calculation until the maximum split depth is reached. This approach, while thorough, results in significant computational overhead, making the process resource-intensive and time-consuming.

[0032] Existing solutions for inter-frame prediction in video encoding, such as those used in H. 265 / HEVC and H. 266 / VVC, suffer from several disadvantages. The primary issue is the extensive computational complexity associated with motion estimation and inter-frame prediction. Studies have shown that motion estimation alone can account for more than half of the total encoding complexity. Additionally, the need to iterate through multiple reference frames and prediction modes for each CU further exacerbates the computational burden. This complexity hinders the practical implementation of advanced video coding standards in real-time applications and limits their adoption in consumer devices.

[0033] The techniques of this disclosure address the computational complexity of inter-frame prediction in video encoding by leveraging camera pose information. The camera pose information may be obtained from inertial measurement units (IMUs) , as one example. By utilizing real-time motion data from a camera pose, the techniques of this disclosure may determine a subset of reference frames with maximum temporal correlation to the current frame, thereby reducing the number of reference frames that need to be evaluated. This approach decreases the computational load while maintaining high compression efficiency.

[0034] FIG. 1 is a block diagram illustrating an example video encoding and decoding system 100 that may perform the techniques of this disclosure. The techniques of this disclosure are generally directed to coding (encoding and / or decoding) video data. In general, video data includes any data for processing a video. Thus, video data may include raw, unencoded video, encoded video, decoded (e.g., reconstructed) video, and video metadata, such as signaling data.

[0035] As shown in FIG. 1, system 100 includes a source device 102 that provides encoded video data to be decoded and displayed by a destination device 116, in this example. In particular, source device 102 provides the video data to destination device 116 via a computer-readable medium 110. Source device 102 and destination device 116 may be or include any of a wide range of devices, such as desktop computers, notebook (i.e., laptop) computers, mobile devices, tablet computers, set-top boxes, telephone handsets such as smartphones, televisions, cameras, display devices, digital media players, video gaming consoles, video streaming device, broadcast receiver devices, or the like. In some cases, source device 102 and destination device 116 may be equipped for wireless communication, and thus may be referred to as wireless communication devices.

[0036] In the example of FIG. 1, source device 102 includes video source 104, memory 106, video encoder 200, and output interface 108. Destination device 116 includes input interface 122, video decoder 300, memory 120, and display device 118. In accordance with this disclosure, video encoder 200 of source device 102 and video decoder 300 of destination device 116 may be configured to apply the techniques for inter-prediction. Thus, source device 102 represents an example of a video encoding device, while destination device 116 represents an example of a video decoding device. In other examples, a source device and a destination device may include other components or arrangements. For example, source device 102 may receive video data from an external video source, such as an external camera. Likewise, destination device 116 may interface with an external display device, rather than include an integrated display device.

[0037] System 100 as shown in FIG. 1 is merely one example. In general, any digital video encoding and / or decoding device may perform techniques for inter-prediction. Source device 102 and destination device 116 are merely examples of such coding devices in which source device 102 generates coded video data for transmission to destination device 116. This disclosure refers to a “coding” device as a device that performs coding (encoding and / or decoding) of data. Thus, video encoder 200 and video decoder 300 represent examples of coding devices, in particular, a video encoder and a video decoder, respectively. In some examples, source device 102 and destination device 116 may operate in a substantially symmetrical manner such that each of source device 102 and destination device 116 includes video encoding and decoding components. Hence, system 100 may support one-way or two-way video transmission between source device 102 and destination device 116, e.g., for video streaming, video playback, video broadcasting, or video telephony.

[0038] In general, video source 104 represents a source of video data (i.e., raw, unencoded video data) and provides a sequential series of pictures (also referred to as “frames” ) of the video data to video encoder 200, which encodes data for the pictures. Video source 104 of source device 102 may include a video capture device, such as a video camera, a video archive containing previously captured raw video, and / or a video feed interface to receive video from a video content provider. As a further alternative, video source 104 may generate computer graphics-based data as the source video, or a combination of live video, archived video, and computer-generated video. In each case, video encoder 200 encodes the captured, pre-captured, or computer-generated video data. Video encoder 200 may rearrange the pictures from the received order (sometimes referred to as “display order” ) into a coding order for coding. Video encoder 200 may generate a bitstream including encoded video data. Source device 102 may then output the encoded video data via output interface 108 onto computer-readable medium 110 for reception and / or retrieval by, e.g., input interface 122 of destination device 116.

[0039] Memory 106 of source device 102 and memory 120 of destination device 116 represent general purpose memories. In some examples, memories 106, 120 may store raw video data, e.g., raw video from video source 104 and raw, decoded video data from video decoder 300. Additionally or alternatively, memories 106, 120 may store software instructions executable by, e.g., video encoder 200 and video decoder 300, respectively. Although memory 106 and memory 120 are shown separately from video encoder 200 and video decoder 300 in this example, it should be understood that video encoder 200 and video decoder 300 may also include internal memories for functionally similar or equivalent purposes. Furthermore, memories 106, 120 may store encoded video data, e.g., output from video encoder 200 and input to video decoder 300. In some examples, portions of memories 106, 120 may be allocated as one or more video buffers, e.g., to store raw, decoded, and / or encoded video data.

[0040] Computer-readable medium 110 may represent any type of medium or device capable of transporting the encoded video data from source device 102 to destination device 116. In one example, computer-readable medium 110 represents a communication medium to enable source device 102 to transmit encoded video data directly to destination device 116 in real-time, e.g., via a radio frequency network or computer-based network. Output interface 108 may modulate a transmission signal including the encoded video data, and input interface 122 may demodulate the received transmission signal, according to a communication standard, such as a wireless communication protocol. The communication medium may include any wireless or wired communication medium, such as a radio frequency (RF) spectrum or one or more physical transmission lines. The communication medium may form part of a packet-based network, such as a local area network, a wide-area network, or a global network such as the Internet. The communication medium may include routers, switches, base stations, or any other equipment that may be useful to facilitate communication from source device 102 to destination device 116.

[0041] In some examples, source device 102 may output encoded data from output interface 108 to storage device 112. Similarly, destination device 116 may access encoded data from storage device 112 via input interface 122. Storage device 112 may include any of a variety of distributed or locally accessed data storage media such as a hard drive, Blu-ray discs, DVDs, CD-ROMs, flash memory, volatile or non-volatile memory, or any other suitable digital storage media for storing encoded video data.

[0042] In some examples, source device 102 may output encoded video data to file server 114 or another intermediate storage device that may store the encoded video data generated by source device 102. Destination device 116 may access stored video data from file server 114 via streaming or download.

[0043] File server 114 may be any type of server device capable of storing encoded video data and transmitting that encoded video data to the destination device 116. File server 114 may represent a web server (e.g., for a website) , a server configured to provide a file transfer protocol service (such as File Transfer Protocol (FTP) or File Delivery over Unidirectional Transport (FLUTE) protocol) , a content delivery network (CDN) device, a hypertext transfer protocol (HTTP) server, a Multimedia Broadcast Multicast Service (MBMS) or Enhanced MBMS (eMBMS) server, and / or a network attached storage (NAS) device. File server 114 may, additionally or alternatively, implement one or more HTTP streaming protocols, such as Dynamic Adaptive Streaming over HTTP (DASH) , HTTP Live Streaming (HLS) , Real Time Streaming Protocol (RTSP) , HTTP Dynamic Streaming, or the like.

[0044] Destination device 116 may access encoded video data from file server 114 through any standard data connection, including an Internet connection. This may include a wireless channel (e.g., a Wi-Fi connection) , a wired connection (e.g., digital subscriber line (DSL) , cable modem, etc. ) , or a combination of both that is suitable for accessing encoded video data stored on file server 114. Input interface 122 may be configured to operate according to any one or more of the various protocols discussed above for retrieving or receiving media data from file server 114, or other such protocols for retrieving media data.

[0045] Output interface 108 and input interface 122 may represent wireless transmitters / receivers, modems, wired networking components (e.g., Ethernet cards) , wireless communication components that operate according to any of a variety of IEEE 802.11 standards, or other physical components. In examples where output interface 108 and input interface 122 include wireless components, output interface 108 and input interface 122 may be configured to transfer data, such as encoded video data, according to a cellular communication standard, such as 4G, 4G-LTE (Long-Term Evolution) , LTE Advanced, 5G, or the like. In some examples where output interface 108 includes a wireless transmitter, output interface 108 and input interface 122 may be configured to transfer data, such as encoded video data, according to other wireless standards, such as an IEEE 802.11 specification, an IEEE 802.15 specification (e.g., ZigBeeTM) , a BluetoothTM standard, or the like. In some examples, source device 102 and / or destination device 116 may include respective system-on-a-chip (SoC) devices. For example, source device 102 may include an SoC device to perform the functionality attributed to video encoder 200 and / or output interface 108, and destination device 116 may include an SoC device to perform the functionality attributed to video decoder 300 and / or input interface 122.

[0046] The techniques of this disclosure may be applied to video coding in support of any of a variety of multimedia applications, such as over-the-air television broadcasts, cable television transmissions, satellite television transmissions, Internet streaming video transmissions, such as dynamic adaptive streaming over HTTP (DASH) , digital video that is encoded onto a data storage medium, decoding of digital video stored on a data storage medium, or other applications.

[0047] Input interface 122 of destination device 116 receives an encoded video bitstream from computer-readable medium 110 (e.g., a communication medium, storage device 112, file server 114, or the like) . The encoded video bitstream may include signaling information defined by video encoder 200, which is also used by video decoder 300, such as syntax elements having values that describe characteristics and / or processing of video blocks or other coded units (e.g., slices, pictures, groups of pictures, sequences, or the like) . Display device 118 displays decoded pictures of the decoded video data to a user. Display device 118 may represent any of a variety of display devices such as a liquid crystal display (LCD) , a plasma display, an organic light emitting diode (OLED) display, or another type of display device.

[0048] Although not shown in FIG. 1, in some examples, video encoder 200 and video decoder 300 may each be integrated with an audio encoder and / or audio decoder (e.g., audio codec) , and may include appropriate MUX-DEMUX units, or other hardware and / or software, to handle multiplexed streams including both audio and video in a common data stream. Example audio codecs may include AAC, AC-3, AC-4, ALAC, ALS, AMBE, AMR, AMR-WB (G. 722.2) , AMR-WB+, aptx (various versions) , ATRAC, BroadVoice (BV16, BV32) , CELT, Enhanced AC-3 (E-AC-3) , EVS, FLAC, G. 711, G. 722, G. 722.1, G. 722.2 (AMR-WB) . G. 723.1, G. 726, G. 728, G. 729, G. 729.1, GSM-FR, HE-AAC, iLBC, iSAC, LA Lyra, Monkey's Audio, MP1, MP2 (MPEG-1, 2 Audio Layer II), MP3, Musepack, Nellymoser Asao, OptimFROG, Opus, Sac, Satin, SBC, SILK, Siren 7, Speex, SVOPC, True Audio (TTA) , TwinVQ, USAC, Vorbis (Ogg) , WavPack, and Windows Media Aud.

[0049] Video encoder 200 and video decoder 300 each may be implemented as any of a variety of suitable encoder and / or decoder circuitry that includes a processing system, such as one or more microprocessors, digital signal processors (DSPs) , application specific integrated circuits (ASICs) , field programmable gate arrays (FPGAs) , discrete logic, software, hardware, firmware or any combinations thereof. When the techniques are implemented partially in software, a device may store instructions for the software in a suitable, non-transitory computer-readable medium and execute the instructions in hardware using one or more processors to perform the techniques of this disclosure. Each of video encoder 200 and video decoder 300 may be included in one or more encoders or decoders, either of which may be integrated as part of a combined encoder / decoder (CODEC) in a respective device. A device including video encoder 200 and / or video decoder 300 may implement video encoder 200 and / or video decoder 300 in processing circuitry such as an integrated circuit and / or a microprocessor. Such a device may be a wireless communication device, such as a cellular telephone, or any other type of device described herein.

[0050] Video encoder 200 and video decoder 300 may operate according to a video coding standard, such as ITU-T H. 265, also referred to as High Efficiency Video Coding (HEVC) or extensions thereto, such as the multi-view and / or scalable video coding extensions. Alternatively, video encoder 200 and video decoder 300 may operate according to other proprietary or industry standards, such as ITU-T H. 266, also referred to as Versatile Video Coding (VVC) . In other examples, video encoder 200 and video decoder 300 may operate according to a proprietary video codec / format, such as AOMedia Video 1 (AV1) , extensions of AV1, and / or successor versions of AV1 (e.g., AV2) . In other examples, video encoder 200 and video decoder 300 may operate according to other proprietary formats or industry standards. The techniques of this disclosure, however, are not limited to any particular coding standard or format. In general, video encoder 200 and video decoder 300 may be configured to perform the techniques of this disclosure in conjunction with any video coding techniques that use inter-prediction.

[0051] In general, video encoder 200 and video decoder 300 may perform block-based coding of pictures. The term “block” generally refers to a structure including data to be processed (e.g., encoded, decoded, or otherwise used in the encoding and / or decoding process) . For example, a block may include a two-dimensional matrix of samples of luminance and / or chrominance data. In general, video encoder 200 and video decoder 300 may code video data represented in a YUV (e.g., Y, Cb, Cr) format. That is, rather than coding red, green, and blue (RGB) data for samples of a picture, video encoder 200 and video decoder 300 may code luminance and chrominance components, where the chrominance components may include both red hue and blue hue chrominance components. In some examples, video encoder 200 converts received RGB formatted data to a YUV representation prior to encoding, and video decoder 300 converts the YUV representation to the RGB format. Alternatively, pre-and post-processing units (not shown) may perform these conversions.

[0052] This disclosure may generally refer to coding (e.g., encoding and decoding) of pictures to include the process of encoding or decoding data of the picture. Similarly, this disclosure may refer to coding of blocks of a picture to include the process of encoding or decoding data for the blocks, e.g., prediction and / or residual coding. An encoded video bitstream generally includes a series of values for syntax elements representative of coding decisions (e.g., coding modes) and partitioning of pictures into blocks. Thus, references to coding a picture or a block should generally be understood as coding values for syntax elements forming the picture or block.

[0053] HEVC defines various blocks, including coding units (CUs) , prediction units (PUs) , and transform units (TUs) . According to HEVC, a video coder (such as video encoder 200) partitions a coding tree unit (CTU) into CUs according to a quadtree structure. That is, the video coder partitions CTUs and CUs into four equal, non-overlapping squares, and each node of the quadtree has either zero or four child nodes. Nodes without child nodes may be referred to as “leaf nodes, ” and CUs of such leaf nodes may include one or more PUs and / or one or more TUs. The video coder may further partition PUs and TUs. For example, in HEVC, a residual quadtree (RQT) represents partitioning of TUs. In HEVC, PUs represent inter-prediction data, while TUs represent residual data. CUs that are intra-predicted include intra-prediction information, such as an intra-mode indication.

[0054] As another example, video encoder 200 and video decoder 300 may be configured to operate according to VVC. According to VVC, a video coder (such as video encoder 200) partitions a picture into a plurality of CTUs. Video encoder 200 may partition a CTU according to a tree structure, such as a quadtree-binary tree (QTBT) structure or Multi-Type Tree (MTT) structure. The QTBT structure removes the concepts of multiple partition types, such as the separation between CUs, PUs, and TUs of HEVC. A QTBT structure includes two levels: a first level partitioned according to quadtree partitioning, and a second level partitioned according to binary tree partitioning. A root node of the QTBT structure corresponds to a CTU. Leaf nodes of the binary trees correspond to CUs.

[0055] In an MTT partitioning structure, blocks may be partitioned using a quadtree (QT) partition, a binary tree (BT) partition, and one or more types of triple tree (TT) (also called ternary tree (TT) ) partitions. A triple or ternary tree partition is a partition where a block is split into three sub-blocks. In some examples, a triple or ternary tree partition divides a block into three sub-blocks without dividing the original block through the center. The partitioning types in MTT (e.g., QT, BT, and TT) , may be symmetrical or asymmetrical.

[0056] When operating according to the AV1 codec, video encoder 200 and video decoder 300 may be configured to code video data in blocks. In AV1, the largest coding block that can be processed is called a superblock. In AV1, a superblock can be either 128x128 luma samples or 64x64 luma samples. However, in successor video coding formats (e.g., AV2) , a superblock may be defined by different (e.g., larger) luma sample sizes. In some examples, a superblock is the top level of a block quadtree. Video encoder 200 may further partition a superblock into smaller coding blocks. Video encoder 200 may partition a superblock and other coding blocks into smaller blocks using square or non-square partitioning. Non-square blocks may include N / 2xN, NxN / 2, N / 4xN, and NxN / 4 blocks. Video encoder 200 and video decoder 300 may perform separate prediction and transform processes on each of the coding blocks.

[0057] AV1 also defines a tile of video data. A tile is a rectangular array of superblocks that may be coded independently of other tiles. That is, video encoder 200 and video decoder 300 may encode and decode, respectively, coding blocks within a tile without using video data from other tiles. However, video encoder 200 and video decoder 300 may perform filtering across tile boundaries. Tiles may be uniform or non-uniform in size. Tile-based coding may enable parallel processing and / or multi-threading for encoder and decoder implementations.

[0058] In some examples, video encoder 200 and video decoder 300 may use a single QTBT or MTT structure to represent each of the luminance and chrominance components, while in other examples, video encoder 200 and video decoder 300 may use two or more QTBT or MTT structures, such as one QTBT / MTT structure for the luminance component and another QTBT / MTT structure for both chrominance components (or two QTBT / MTT structures for respective chrominance components) .

[0059] Video encoder 200 and video decoder 300 may be configured to use quadtree partitioning, QTBT partitioning, MTT partitioning, superblock partitioning, or other partitioning structures.

[0060] In some examples, a CTU includes a coding tree block (CTB) of luma samples, two corresponding CTBs of chroma samples of a picture that has three sample arrays, or a CTB of samples of a monochrome picture or a picture that is coded using three separate color planes and syntax structures used to code the samples. A CTB may be an NxN block of samples for some value of N such that the division of a component into CTBs is a partitioning. A component is an array or single sample from one of the three arrays (luma and two chroma) that compose a picture in 4: 2: 0, 4: 2: 2, or 4: 4: 4 color format or the array or a single sample of the array that compose a picture in monochrome format. In some examples, a coding block is an MxN block of samples for some values of M and N such that a division of a CTB into coding blocks is a partitioning.

[0061] The blocks (e.g., CTUs or CUs) may be grouped in various ways in a picture. As one example, a brick may refer to a rectangular region of CTU rows within a particular tile in a picture. A tile may be a rectangular region of CTUs within a particular tile column and a particular tile row in a picture. A tile column refers to a rectangular region of CTUs having a height equal to the height of the picture and a width specified by syntax elements (e.g., such as in a picture parameter set) . A tile row refers to a rectangular region of CTUs having a height specified by syntax elements (e.g., such as in a picture parameter set) and a width equal to the width of the picture.

[0062] In some examples, a tile may be partitioned into multiple bricks, each of which may include one or more CTU rows within the tile. A tile that is not partitioned into multiple bricks may also be referred to as a brick. However, a brick that is a true subset of a tile may not be referred to as a tile. The bricks in a picture may also be arranged in a slice. A slice may be an integer number of bricks of a picture that may be exclusively contained in a single network abstraction layer (NAL) unit. In some examples, a slice includes either a number of complete tiles or only a consecutive sequence of complete bricks of one tile.

[0063] This disclosure may use “NxN” and “N by N” interchangeably to refer to the sample dimensions of a block (such as a CU or other video block) in terms of vertical and horizontal dimensions, e.g., 16x16 samples or 16 by 16 samples. In general, a 16x16 CU will have 16 samples in a vertical direction (y = 16) and 16 samples in a horizontal direction (x = 16) . Likewise, an NxN CU generally has N samples in a vertical direction and N samples in a horizontal direction, where N represents a nonnegative integer value. The samples in a CU may be arranged in rows and columns. Moreover, CUs need not necessarily have the same number of samples in the horizontal direction as in the vertical direction. For example, CUs may include NxM samples, where M is not necessarily equal to N.

[0064] Video encoder 200 encodes video data for CUs representing prediction and / or residual information, and other information. The prediction information indicates how the CU is to be predicted in order to form a prediction block for the CU. The residual information generally represents sample-by-sample differences between samples of the CU prior to encoding and the prediction block.

[0065] To predict a CU, video encoder 200 may generally form a prediction block for the CU through inter-prediction or intra-prediction. Inter-prediction generally refers to predicting the CU from data of a previously coded picture, whereas intra-prediction generally refers to predicting the CU from previously coded data of the same picture. To perform inter-prediction, video encoder 200 may generate the prediction block using one or more motion vectors. Video encoder 200 may generally perform a motion search to identify a reference block that closely matches the CU, e.g., in terms of differences between the CU and the reference block. Video encoder 200 may calculate a difference metric using a sum of absolute difference (SAD) , sum of squared differences (SSD) , mean absolute difference (MAD) , mean squared differences (MSD) , or other such difference calculations to determine whether a reference block closely matches the current CU. In some examples, video encoder 200 may predict the current CU using uni-directional prediction or bi-directional prediction.

[0066] Some examples of VVC also provide an affine motion compensation mode, which may be considered an inter-prediction mode. In affine motion compensation mode, video encoder 200 may determine two or more motion vectors that represent non-translational motion, such as zoom in or out, rotation, perspective motion, or other irregular motion types.

[0067] To perform intra-prediction, video encoder 200 may select an intra-prediction mode to generate the prediction block. Some examples of VVC provide sixty-seven intra-prediction modes, including various directional modes, as well as planar mode and DC mode. In general, video encoder 200 selects an intra-prediction mode that describes neighboring samples to a current block (e.g., a block of a CU) from which to predict samples of the current block. Such samples may generally be above, above and to the left, or to the left of the current block in the same picture as the current block, assuming video encoder 200 codes CTUs and CUs in raster scan order (left to right, top to bottom) .

[0068] Video encoder 200 encodes data representing the prediction mode for a current block. For example, for inter-prediction modes, video encoder 200 may encode data representing which of the various available inter-prediction modes is used, as well as motion information for the corresponding mode. For uni-directional or bi-directional inter-prediction, for example, video encoder 200 may encode motion vectors using advanced motion vector prediction (AMVP) or merge mode. Video encoder 200 may use similar modes to encode motion vectors for affine motion compensation mode.

[0069] AV1 includes two general techniques for encoding and decoding a coding block of video data. The two general techniques are intra prediction (e.g., intra frame prediction or spatial prediction) and inter prediction (e.g., inter frame prediction or temporal prediction) . In the context of AV1, when predicting blocks of a current frame of video data using an intra prediction mode, video encoder 200 and video decoder 300 do not use video data from other frames of video data. For most intra prediction modes, video encoder 200 encodes blocks of a current frame based on the difference between sample values in the current block and predicted values generated from reference samples in the same frame. Video encoder 200 determines predicted values generated from the reference samples based on the intra prediction mode.

[0070] Following prediction, such as intra-prediction or inter-prediction of a block, video encoder 200 may calculate residual data for the block. The residual data, such as a residual block, represents sample by sample differences between the block and a prediction block for the block, formed using the corresponding prediction mode. Video encoder 200 may apply one or more transforms to the residual block, to produce transformed data in a transform domain instead of the sample domain. For example, video encoder 200 may apply a discrete cosine transform (DCT) , an integer transform, a wavelet transform, or a conceptually similar transform to residual video data. Additionally, video encoder 200 may apply a secondary transform following the first transform, such as a mode-dependent non-separable secondary transform (MDNSST) , a signal dependent transform, a Karhunen-Loeve transform (KLT) , or the like. Video encoder 200 produces transform coefficients following application of the one or more transforms.

[0071] As noted above, following any transforms to produce transform coefficients, video encoder 200 may perform quantization of the transform coefficients. Quantization generally refers to a process in which transform coefficients are quantized to possibly reduce the amount of data used to represent the transform coefficients, providing further compression. By performing the quantization process, video encoder 200 may reduce the bit depth associated with some or all of the transform coefficients. For example, video encoder 200 may round an n-bit value down to an m-bit value during quantization, where n is greater than m. In some examples, to perform quantization, video encoder 200 may perform a bitwise right-shift of the value to be quantized.

[0072] Following quantization, video encoder 200 may scan the transform coefficients, producing a one-dimensional vector from the two-dimensional matrix including the quantized transform coefficients. The scan may be designed to place higher energy (and therefore lower frequency) transform coefficients at the front of the vector and to place lower energy (and therefore higher frequency) transform coefficients at the back of the vector. In some examples, video encoder 200 may utilize a predefined scan order to scan the quantized transform coefficients to produce a serialized vector, and then entropy encode the quantized transform coefficients of the vector. In other examples, video encoder 200 may perform an adaptive scan. After scanning the quantized transform coefficients to form the one-dimensional vector, video encoder 200 may entropy encode the one-dimensional vector, e.g., according to context-adaptive binary arithmetic coding (CABAC) . Video encoder 200 may also entropy encode values for syntax elements describing metadata associated with the encoded video data for use by video decoder 300 in decoding the video data.

[0073] To perform CABAC, video encoder 200 may assign a context within a context model to a symbol to be transmitted. The context may relate to, for example, whether neighboring values of the symbol are zero-valued or not. The probability determination may be based on a context assigned to the symbol.

[0074] Video encoder 200 may further generate syntax data, such as block-based syntax data, picture-based syntax data, and sequence-based syntax data, to video decoder 300, e.g., in a picture header, a block header, a slice header, or other syntax data, such as a sequence parameter set (SPS) , picture parameter set (PPS) , or video parameter set (VPS) . Video decoder 300 may likewise decode such syntax data to determine how to decode corresponding video data.

[0075] In this manner, video encoder 200 may generate a bitstream including encoded video data, e.g., syntax elements describing partitioning of a picture into blocks (e.g., CUs) and prediction and / or residual information for the blocks. Ultimately, video decoder 300 may receive the bitstream and decode the encoded video data.

[0076] In general, video decoder 300 performs a reciprocal process to that performed by video encoder 200 to decode the encoded video data of the bitstream. For example, video decoder 300 may decode values for syntax elements of the bitstream using CABAC in a manner substantially similar to, albeit reciprocal to, the CABAC encoding process of video encoder 200. The syntax elements may define partitioning information for partitioning of a picture into CTUs, and partitioning of each CTU according to a corresponding partition structure, such as a QTBT structure, to define CUs of the CTU. The syntax elements may further define prediction and residual information for blocks (e.g., CUs) of video data.

[0077] The residual information may be represented by, for example, quantized transform coefficients. Video decoder 300 may inverse quantize and inverse transform the quantized transform coefficients of a block to reproduce a residual block for the block. Video decoder 300 uses a signaled prediction mode (intra-or inter-prediction) and related prediction information (e.g., motion information for inter-prediction) to form a prediction block for the block. Video decoder 300 may then combine the prediction block and the residual block (on a sample-by-sample basis) to reproduce the original block. Video decoder 300 may perform additional processing, such as performing a deblocking process to reduce visual artifacts along boundaries of the block.

[0078] Any of the video encoding or video decoding processes described above may be performed using a neural network (NN) . Additionally or alternatively, a neural network may be trained to efficiently compress video data without necessarily separately performing prediction and residual coding. Studies have shown that embedding neural networks into the hybrid video coding framework of video encoder 200 and video decoder 300 can improve compression efficiency. Neural networks may be used for intra prediction and inter prediction to improve the prediction efficiency. NN-based in-loop filtering and / or post-filtering have also performed well in heuristic testing.

[0079] For example, video encoder 200 and video decoder may use one or more NN-based filters for existing filters, such as deblocking filters, sample adaptive offset (SAO) , and / or adaptive loop filtering (ALF) . NN-based filters can also be applied exclusively, where NN-based filters are designed to replace all of the existing filters. Additionally or alternatively, NN-based filters may be designed to supplement, enhance, or replace any or all of the other filters.

[0080] In some examples, an NN-based filter may be a convolutional neural network (CNN) -based filter with multiple layers. An NN-based filtering process may take reconstructed samples as inputs, and may add the intermediate outputs back to the inputs to refine the input samples. The NN-based filter may use all color components (e.g., Y, U, and V, or Y, Cb, and Cr) as inputs 172 to exploit cross-component correlations. Different color components may share the same filters (including network structure and model parameters) or each component may have its own specific filters.

[0081] The filtering process can also be generalized as follows: R′ (i, j) =R (i, j) +NN_filter_residual_ouput (R) Here, R (i, j) represents a reconstructed sample at position (i, j) in the picture, R’ (i,  j) represents the filtered version of the reconstructed sample, and NN_filter_residaul_output (R) represents the intermediate samples discussed above that are calculated by the NN filter. The model structure and model parameters of NN-based filter (s) can be pre-defined and be stored at video encoder 200 and video decoder 300. The filters can also be signalled in the bitstream.

[0082] In some examples, an NN-based filter may include a series of feature extraction layers, followed by an output convolution. The feature extraction layers may include a 3x3 convolution (conv) layer followed by a parametric rectified linear unit (PReLU) layer. The convolutional layer applies a convolution operation to the input data, which involves a filter or kernel processing the input data (e.g., the reconstruction samples) in a sliding window fashion and computing dot products at each position. The convolution operation essentially captures local patterns within the input data. For example, in the context of image processing, these patterns could be edges, textures, or other visual features. The filter or kernel is a small matrix of weights that gets updated during the training process. By sliding this filter across the input data (or feature map from a previous layer) and computing the dot product at each position, the convolutional layer creates a feature map that encodes spatial hierarchies and patterns detected in the input. The output of a convolutional layer is a set of feature maps, each corresponding to one filter, capturing different aspects of the input data. This layer helps the neural network to learn increasingly complex and abstract features as the data passes through deeper layers of the network.

[0083] The PReLU layer is an activation function used in neural networks, and is a variant of the ReLU (Rectified Linear Unit) activation function. As described above, the convolution layer outputs feature maps, each corresponding to one filter, representing detected features in the input. Following the convolution layer, the PReLU layer applies the PReLU activation function to each element of the feature maps produced by the convolution layer. For positive values, the PReLU layer acts like a standard ReLU, passing the value through. For negative values, instead of setting them to zero (e.g., as ReLU does) , the PReLU layer allows a small, linear, negative output. This keeps neurons of the NN active and maintains the gradient flow, which can be beneficial for learning in deep networks.

[0084] When NN-based filtering is applied in video coding, the whole video signal (pixel data) may be split into multiple processing units (e.g., 2D blocks) , and each processing unit can be processed separately or be combined with other information associated with this block of pixels. For example, a processing unit may be a frame, a slice / tile, a CTU, or any pre-defined or signaled shapes and sizes. Typically, NN-based filtering is performed on reconstructed blocks of video data. Here, reconstructed blocks and samples may refer to both decoded blocks produced by video decoder 300, as well blocks reconstructed in a reconstruction loop of video encoder 200.

[0085] To further improve the performance of NN-based filtering, different types of input data can be processed jointly to produce the filtered output. Input data may include, but is not limited to, reconstruction pixels / samples, prediction pixels / samples, pixels / samples after the loop filter (s) , partitioning structure information, deblocking parameters (e.g., boundary strength (BS) ) , quantization parameter (QP) values, slice or picture types, or a filters applicability or coding modes map. Input data can be provided at different granularities. Luma reconstruction and prediction samples may be provided at the original resolution, whereas chroma samples may be provided at lower resolution, e.g. for 4: 2: 0 representation, or can be up-sampled to the Luma resolution to achieve per-pixel representation. Similarly, QP, BS, partitioning, or coding mode information can be provided at lower resolution, including cases with a single value per frame, slice or processing block (e.g. QP) . In other examples, QP, BS, partitioning, or coding mode information can be expanded (e.g., replicated) to achieve per-pixel / sample representation.

[0086] To further improve the performance of NN-based filtering, multi-mode solutions can be used. For example, for each processing unit, video encoder 200 may select a mode from a set of modes based on rate-distortion optimization and signal the selected mode in the bit-stream. The different modes may include different NN models, different values that may be used as the input information of the NN models, etc. In one example, video encoder 200 and video decoder 300 may use an NN-based filtering solution with multiple modes based on a single NN model by using different QP values as input to the NN model for different modes.

[0087] This disclosure may generally refer to “signaling” certain information, such as syntax elements. The term “signaling” may generally refer to the communication of values for syntax elements and / or other data used to decode encoded video data. That is, video encoder 200 may signal values for syntax elements in the bitstream. In general, signaling refers to generating a value in the bitstream. As noted above, source device 102 may transport the bitstream to destination device 116 substantially in real time, or not in real time, such as might occur when storing syntax elements to storage device 112 for later retrieval by destination device 116.

[0088] In accordance with the techniques of this disclosure, as will be explained in more detail below, video encoder 200 may be configured to leverage camera pose information to enhance inter-frame prediction efficiency. For example, video encoder 200 may be configured to obtain a plurality of reference frames for a current frame, determine a camera pose for each of the plurality of reference frames and the current frame, select a subset of the plurality of reference frames based on the camera poses, and perform inter-frame prediction for the current frame using the selected subset of reference frames. This approach utilizes real-time motion data, e.g., from inertial measurement units (IMUs) , to identify reference frames with maximum temporal correlation to the current frame, thereby reducing the computational load required for inter-frame prediction.

[0089] In a more specific example of the disclosure, video encoder 200 may first determine reference frames for two reference frame lists (e.g., reference frame list 0 and reference frame list 1) . Video encoder 200 may then determine one reference frame in each of the reference frame lists that has a maximum temporal correlation with the current frame based on the camera poses associated with each frame. Video encoder 200 may store the references frame from each list that has the maximum temporal correlation with the current frame into reduced reference frame lists (e.g., reduced reference frame list 2 and reduced reference frame list 3) .

[0090] Video encoder 200 may further test the reference frames in each list on a coding unit having a split depth of 1 (e.g., a 64x64 coding unit) to determine a reference frame in each list that has the best spatial correlation with the coding unit based on a rate-distortion test. Video encoder 200 stores the reference frames from each list into the reduced reference frame lists. Video encoder 200 may then perform inter-prediction on coding units at a split depth of 2 of greater using the reduced reference frame lists.

[0091] At most, each of the reduced reference frame lists may have two reference frames. However, because the reference frame that has the maximum temporal correlation with the current frame is often the same reference frame as the reference frame that has the best spatial correlation with the coding unit at split depth 1, the reduced reference frame lists may only include a single reference frame in many instances. As such, in those instances, no rate-distortion testing of multiple reference frames is needed for inter-prediction encoding of coding units at a split depth of 2 or greater.

[0092] By reducing the number of reference frames that are tested, the techniques of this disclosure may significantly decrease the computational complexity of inter-frame prediction. This reduction in computational load can lead to faster encoding times and lower power consumption, which may be important for consumer devices such as smartphones and tablets. Additionally, the techniques of this disclosure maintain high compression efficiency, ensuring that the quality of the encoded video remains high while reducing the resources required for encoding. This makes the techniques of this disclosure advantageous for applications where both performance and efficiency are beneficial.

[0093] FIG. 2 is a block diagram illustrating an example video encoder 200 that may perform the techniques of this disclosure. FIG. 2 is provided for purposes of explanation and should not be considered limiting of the techniques as broadly exemplified and described in this disclosure. For purposes of explanation, this disclosure describes video encoder 200 according to the techniques of VVC and HEVC. However, the techniques of this disclosure may be performed by video encoding devices that are configured to other video coding standards and video coding formats, such as AV1 and successors to the AV1 video coding format.

[0094] In the example of FIG. 2, video encoder 200 includes video data memory 230, mode selection unit 202, residual generation unit 204, transform processing unit 206, quantization unit 208, inverse quantization unit 210, inverse transform processing unit 212, reconstruction unit 214, filter unit 216, decoded picture buffer (DPB) 218, and entropy encoding unit 220. Any or all of video data memory 230, mode selection unit 202, residual generation unit 204, transform processing unit 206, quantization unit 208, inverse quantization unit 210, inverse transform processing unit 212, reconstruction unit 214, filter unit 216, DPB 218, and entropy encoding unit 220 may be implemented in one or more processors or in processing circuitry. For instance, the units of video encoder 200 may be implemented as one or more circuits or logic elements as part of hardware circuitry, or as part of a processor, ASIC, or FPGA. Moreover, video encoder 200 may include additional or alternative processors or processing circuitry to perform these and other functions.

[0095] Video data memory 230 is an example of a memory system that may store video data to be encoded by the components of video encoder 200. Video encoder 200 may receive the video data stored in video data memory 230 from, for example, video source 104 (FIG. 1) . DPB 218 is an example of a memory system that may act as a reference picture memory that stores reference video data for use in prediction of subsequent video data by video encoder 200. Video data memory 230 and DPB 218 may each be formed by any of a variety of one or more memory devices or memory units, such as dynamic random access memory (DRAM) , including synchronous DRAM (SDRAM) , magnetoresistive RAM (MRAM) , resistive RAM (RRAM) , or other types of memory devices. Video data memory 230 and DPB 218 may be provided by the same memory device or separate memory devices. In various examples, video data memory 230 may be on-chip with other components of video encoder 200, as illustrated, or off-chip relative to those components.

[0096] In this disclosure, reference to video data memory 230 should not be interpreted as being limited to memory internal to video encoder 200, unless specifically described as such, or memory external to video encoder 200, unless specifically described as such. Rather, reference to video data memory 230 should be understood as reference memory that stores video data that video encoder 200 receives for encoding (e.g., video data for a current block that is to be encoded) . Memory 106 of FIG. 1 may also provide temporary storage of outputs from the various units of video encoder 200.

[0097] The various units of FIG. 2 are illustrated to assist with understanding the operations performed by video encoder 200. The units may be implemented as fixed-function circuits, programmable circuits, or a combination thereof. Fixed-function circuits refer to circuits that provide particular functionality, and are preset on the operations that can be performed. Programmable circuits refer to circuits that can be programmed to perform various tasks, and provide flexible functionality in the operations that can be performed. For instance, programmable circuits may execute software or firmware that cause the programmable circuits to operate in the manner defined by instructions of the software or firmware. Fixed-function circuits may execute software instructions (e.g., to receive parameters or output parameters) , but the types of operations that the fixed-function circuits perform are generally immutable. In some examples, one or more of the units may be distinct circuit blocks (fixed-function or programmable) , and in some examples, one or more of the units may be integrated circuits.

[0098] Video encoder 200 may include arithmetic logic units (ALUs) , elementary function units (EFUs) , digital circuits, analog circuits, and / or programmable cores, formed from programmable circuits. In examples where the operations of video encoder 200 are performed using software executed by the programmable circuits, memory 106 (FIG. 1) may store the instructions (e.g., object code) of the software that video encoder 200 receives and executes, or another memory within video encoder 200 (not shown) may store such instructions.

[0099] Video data memory 230 is configured to store received video data. Video encoder 200 may retrieve a picture of the video data from video data memory 230 and provide the video data to residual generation unit 204 and mode selection unit 202. Video data in video data memory 230 may be raw video data that is to be encoded.

[0100] Mode selection unit 202 includes a motion estimation unit 222, a motion compensation unit 224, and an intra-prediction unit 226. Mode selection unit 202 may include additional functional units to perform video prediction in accordance with other prediction modes. As examples, mode selection unit 202 may include a palette unit, an intra-block copy unit (which may be part of motion estimation unit 222 and / or motion compensation unit 224) , an affine unit, a linear model (LM) unit, or the like.

[0101] Mode selection unit 202 generally coordinates multiple encoding passes to test combinations of encoding parameters and resulting rate-distortion values for such combinations. The encoding parameters may include partitioning of CTUs into CUs, prediction modes for the CUs, transform types for residual data of the CUs, quantization parameters for residual data of the CUs, and so on. Mode selection unit 202 may ultimately select the combination of encoding parameters having rate-distortion values that are better than the other tested combinations.

[0102] Video encoder 200 may partition a picture retrieved from video data memory 230 into a series of CTUs, and encapsulate one or more CTUs within a slice. Mode selection unit 202 may partition a CTU of the picture in accordance with a tree structure, such as the MTT structure, QTBT structure. superblock structure, or the quad-tree structure described above. As described above, video encoder 200 may form one or more CUs from partitioning a CTU according to the tree structure. Such a CU may also be referred to generally as a “video block” or “block. ”

[0103] In general, mode selection unit 202 also controls the components thereof (e.g., motion estimation unit 222, motion compensation unit 224, and intra-prediction unit 226) to generate a prediction block for a current block (e.g., a current CU, or in HEVC, the overlapping portion of a PU and a TU) . For inter-prediction of a current block, motion estimation unit 222 may perform a motion search to identify one or more closely matching reference blocks in one or more reference pictures (e.g., one or more previously coded pictures stored in DPB 218) . In particular, motion estimation unit 222 may calculate a value representative of how similar a potential reference block is to the current block, e.g., according to sum of absolute difference (SAD) , sum of squared differences (SSD) , mean absolute difference (MAD) , mean squared differences (MSD) , or the like. Motion estimation unit 222 may generally perform these calculations using sample-by-sample differences between the current block and the reference block being considered. Motion estimation unit 222 may identify a reference block having a lowest value resulting from these calculations, indicating a reference block that most closely matches the current block.

[0104] Motion estimation unit 222 may form one or more motion vectors (MVs) that defines the positions of the reference blocks in the reference pictures relative to the position of the current block in a current picture. Motion estimation unit 222 may then provide the motion vectors to motion compensation unit 224. For example, for uni-directional inter-prediction, motion estimation unit 222 may provide a single motion vector, whereas for bi-directional inter-prediction, motion estimation unit 222 may provide two motion vectors. Motion compensation unit 224 may then generate a prediction block using the motion vectors. For example, motion compensation unit 224 may retrieve data of the reference block using the motion vector. As another example, if the motion vector has fractional sample precision, motion compensation unit 224 may interpolate values for the prediction block according to one or more interpolation filters. Moreover, for bi-directional inter-prediction, motion compensation unit 224 may retrieve data for two reference blocks identified by respective motion vectors and combine the retrieved data, e.g., through sample-by-sample averaging or weighted averaging.

[0105] When operating according to the AV1 video coding format, motion estimation unit 222 and motion compensation unit 224 may be configured to encode coding blocks of video data (e.g., both luma and chroma coding blocks) using translational motion compensation, affine motion compensation, overlapped block motion compensation (OBMC) , and / or compound inter-intra prediction.

[0106] As will be explained in more detail below, motion estimation unit 222 and motion compensation unit 224 may be configured to perform any of the techniques of this disclosure for reducing the number of reference frames for inter-prediction based on camera pose information. In addition, motion estimation unit 222 and motion compensation unit 224 may also be configured to perform the techniques of this disclosure for reducing the number of reference frames for inter-prediction based on determining a reference frame with the maximum spatial correlation at a split depth of 1.

[0107] As another example, for intra-prediction, or intra-prediction coding, intra-prediction unit 226 may generate the prediction block from samples neighboring the current block. For example, for directional modes, intra-prediction unit 226 may generally mathematically combine values of neighboring samples and populate these calculated values in the defined direction across the current block to produce the prediction block. As another example, for DC mode, intra-prediction unit 226 may calculate an average of the neighboring samples to the current block and generate the prediction block to include this resulting average for each sample of the prediction block.

[0108] When operating according to the AV1 video coding format, intra-prediction unit 226 may be configured to encode coding blocks of video data (e.g., both luma and chroma coding blocks) using directional intra prediction, non-directional intra prediction, recursive filter intra prediction, chroma-from-luma (CFL) prediction, intra block copy (IBC) , and / or color palette mode. Mode selection unit 202 may include additional functional units to perform video prediction in accordance with other prediction modes.

[0109] Mode selection unit 202 provides the prediction block to residual generation unit 204. Residual generation unit 204 receives a raw, unencoded version of the current block from video data memory 230 and the prediction block from mode selection unit 202. Residual generation unit 204 calculates sample-by-sample differences between the current block and the prediction block. The resulting sample-by-sample differences define a residual block for the current block. In some examples, residual generation unit 204 may also determine differences between sample values in the residual block to generate a residual block using residual differential pulse code modulation (RDPCM) . In some examples, residual generation unit 204 may be formed using one or more subtractor circuits that perform binary subtraction.

[0110] In examples where mode selection unit 202 partitions CUs into PUs, each PU may be associated with a luma prediction unit and corresponding chroma prediction units. Video encoder 200 and video decoder 300 may support PUs having various sizes. As indicated above, the size of a CU may refer to the size of the luma coding block of the CU and the size of a PU may refer to the size of a luma prediction unit of the PU. Assuming that the size of a particular CU is 2Nx2N, video encoder 200 may support PU sizes of 2Nx2N or NxN for intra prediction, and symmetric PU sizes of 2Nx2N, 2NxN, Nx2N, NxN, or similar for inter prediction. Video encoder 200 and video decoder 300 may also support asymmetric partitioning for PU sizes of 2NxnU, 2NxnD, nLx2N, and nRx2N for inter prediction.

[0111] In examples where mode selection unit 202 does not further partition a CU into PUs, each CU may be associated with a luma coding block and corresponding chroma coding blocks. As above, the size of a CU may refer to the size of the luma coding block of the CU. The video encoder 200 and video decoder 300 may support CU sizes of 2Nx2N, 2NxN, or Nx2N.

[0112] For other video coding techniques such as an intra-block copy mode coding, an affine-mode coding, and linear model (LM) mode coding, as some examples, mode selection unit 202, via respective units associated with the coding techniques, generates a prediction block for the current block being encoded. In some examples, such as palette mode coding, mode selection unit 202 may not generate a prediction block, and instead generate syntax elements that indicate the manner in which to reconstruct the block based on a selected palette. In such modes, mode selection unit 202 may provide these syntax elements to entropy encoding unit 220 to be encoded.

[0113] As described above, residual generation unit 204 receives the video data for the current block and the corresponding prediction block. Residual generation unit 204 then generates a residual block for the current block. To generate the residual block, residual generation unit 204 calculates sample-by-sample differences between the prediction block and the current block.

[0114] Transform processing unit 206 applies one or more transforms to the residual block to generate a block of transform coefficients (referred to herein as a “transform coefficient block” ) . Transform processing unit 206 may apply various transforms to a residual block to form the transform coefficient block. For example, transform processing unit 206 may apply a discrete cosine transform (DCT) , a directional transform, a Karhunen-Loeve transform (KLT) , or a conceptually similar transform to a residual block. In some examples, transform processing unit 206 may perform multiple transforms to a residual block, e.g., a primary transform and a secondary transform, such as a rotational transform. In some examples, transform processing unit 206 does not apply transforms to a residual block.

[0115] When operating according to AV1, transform processing unit 206 may apply one or more transforms to the residual block to generate a block of transform coefficients (referred to herein as a “transform coefficient block” ) . Transform processing unit 206 may apply various transforms to a residual block to form the transform coefficient block. For example, transform processing unit 206 may apply a horizontal / vertical transform combination that may include a discrete cosine transform (DCT) , an asymmetric discrete sine transform (ADST) , a flipped ADST (e.g., an ADST in reverse order) , and an identity transform (IDTX) . When using an identity transform, the transform is skipped in one of the vertical or horizontal directions. In some examples, transform processing may be skipped.

[0116] Quantization unit 208 may quantize the transform coefficients in a transform coefficient block, to produce a quantized transform coefficient block. Quantization unit 208 may quantize transform coefficients of a transform coefficient block according to a quantization parameter (QP) value associated with the current block. Video encoder 200 (e.g., via mode selection unit 202) may adjust the degree of quantization applied to the transform coefficient blocks associated with the current block by adjusting the QP value associated with the CU. Quantization may introduce loss of information, and thus, quantized transform coefficients may have lower precision than the original transform coefficients produced by transform processing unit 206.

[0117] Inverse quantization unit 210 and inverse transform processing unit 212 may apply inverse quantization and inverse transforms to a quantized transform coefficient block, respectively, to reconstruct a residual block from the transform coefficient block. Reconstruction unit 214 may produce a reconstructed block corresponding to the current block (albeit potentially with some degree of distortion) based on the reconstructed residual block and a prediction block generated by mode selection unit 202. For example, reconstruction unit 214 may add samples of the reconstructed residual block to corresponding samples from the prediction block generated by mode selection unit 202 to produce the reconstructed block.

[0118] Filter unit 216 may perform one or more filter operations on reconstructed blocks. For example, filter unit 216 may perform deblocking operations to reduce blockiness artifacts along edges of CUs. Operations of filter unit 216 may be skipped, in some examples.

[0119] When operating according to AV1, filter unit 216 may perform one or more filter operations on reconstructed blocks. For example, filter unit 216 may perform deblocking operations to reduce blockiness artifacts along edges of CUs. In other examples, filter unit 216 may apply a constrained directional enhancement filter (CDEF) , which may be applied after deblocking, and may include the application of non-separable, non-linear, low-pass directional filters based on estimated edge directions. Filter unit 216 may also include a loop restoration filter, which is applied after CDEF, and may include a separable symmetric normalized Wiener filter or a dual self-guided filter.

[0120] Video encoder 200 stores reconstructed blocks in DPB 218. For instance, in examples where operations of filter unit 216 are not performed, reconstruction unit 214 may store reconstructed blocks to DPB 218. In examples where operations of filter unit 216 are performed, filter unit 216 may store the filtered reconstructed blocks to DPB 218. Motion estimation unit 222 and motion compensation unit 224 may retrieve a reference picture from DPB 218, formed from the reconstructed (and potentially filtered) blocks, to inter-predict blocks of subsequently encoded pictures. In addition, intra-prediction unit 226 may use reconstructed blocks in DPB 218 of a current picture to intra-predict other blocks in the current picture.

[0121] In general, entropy encoding unit 220 may entropy encode syntax elements received from other functional components of video encoder 200. For example, entropy encoding unit 220 may entropy encode quantized transform coefficient blocks from quantization unit 208. As another example, entropy encoding unit 220 may entropy encode prediction syntax elements (e.g., motion information for inter-prediction or intra-mode information for intra-prediction) from mode selection unit 202. Entropy encoding unit 220 may perform one or more entropy encoding operations on the syntax elements, which are another example of video data, to generate entropy-encoded data. For example, entropy encoding unit 220 may perform a context-adaptive variable length coding (CAVLC) operation, a CABAC operation, a variable-to-variable (V2V) length coding operation, a syntax-based context-adaptive binary arithmetic coding (SBAC) operation, a Probability Interval Partitioning Entropy (PIPE) coding operation, an Exponential-Golomb encoding operation, or another type of entropy encoding operation on the data. In some examples, entropy encoding unit 220 may operate in bypass mode where syntax elements are not entropy encoded.

[0122] Video encoder 200 may output a bitstream that includes the entropy encoded syntax elements needed to reconstruct blocks of a slice or picture. In particular, entropy encoding unit 220 may output the bitstream.

[0123] In accordance with AV1, entropy encoding unit 220 may be configured as a symbol-to-symbol adaptive multi-symbol arithmetic coder. A syntax element in AV1 includes an alphabet of N elements, and a context (e.g., probability model) includes a set of N probabilities. Entropy encoding unit 220 may store the probabilities as n-bit (e.g., 15-bit) cumulative distribution functions (CDFs) . Entropy encoding unit 220 may perform recursive scaling, with an update factor based on the alphabet size, to update the contexts.

[0124] The operations described above are described with respect to a block. Such description should be understood as being operations for a luma coding block and / or chroma coding blocks. As described above, in some examples, the luma coding block and chroma coding blocks are luma and chroma components of a CU. In some examples, the luma coding block and the chroma coding blocks are luma and chroma components of a PU.

[0125] In some examples, operations performed with respect to a luma coding block need not be repeated for the chroma coding blocks. As one example, operations to identify a motion vector (MV) and reference picture for a luma coding block need not be repeated for identifying a MV and reference picture for the chroma blocks. Rather, the MV for the luma coding block may be scaled to determine the MV for the chroma blocks, and the reference picture may be the same. As another example, the intra-prediction process may be the same for the luma coding block and the chroma coding blocks.

[0126] Video encoder 200 represents an example of a device configured to encode video data including a memory configured to store video data, and one or more processing units implemented in circuitry and configured to determine a plurality of reference frames for a current block of a current frame, determine a respective camera pose for each of the plurality of reference frames and the current frame, determine a subset of the plurality of reference frames based at least in part on the respective camera poses, and perform inter-prediction on the current block using the subset of the plurality of reference frames.

[0127] FIG. 3 is a block diagram illustrating an example video decoder 300 that may perform the techniques of this disclosure. FIG. 3 is provided for purposes of explanation and is not limiting on the techniques as broadly exemplified and described in this disclosure. For purposes of explanation, this disclosure describes video decoder 300 according to the techniques of VVC and HEVC. However, the techniques of this disclosure may be performed by video coding devices that are configured to other video coding standards.

[0128] In the example of FIG. 3, video decoder 300 includes coded picture buffer (CPB) memory 320, entropy decoding unit 302, prediction processing unit 304, inverse quantization unit 306, inverse transform processing unit 308, reconstruction unit 310, filter unit 312, and DPB 314. Any or all of CPB memory 320, entropy decoding unit 302, prediction processing unit 304, inverse quantization unit 306, inverse transform processing unit 308, reconstruction unit 310, filter unit 312, and DPB 314 may be implemented in one or more processors or in processing circuitry. For instance, the units of video decoder 300 may be implemented as one or more circuits or logic elements as part of hardware circuitry, or as part of a processor, ASIC, or FPGA. Moreover, video decoder 300 may include additional or alternative processors or processing circuitry to perform these and other functions.

[0129] Prediction processing unit 304 includes motion compensation unit 316 and intra-prediction unit 318. Prediction processing unit 304 may include additional units to perform prediction in accordance with other prediction modes. As examples, prediction processing unit 304 may include a palette unit, an intra-block copy unit (which may form part of motion compensation unit 316) , an affine unit, a linear model (LM) unit, or the like. In other examples, video decoder 300 may include more, fewer, or different functional components.

[0130] When operating according to AV1, motion compensation unit 316 may be configured to decode coding blocks of video data (e.g., both luma and chroma coding blocks) using translational motion compensation, affine motion compensation, OBMC, and / or compound inter-intra prediction, as described above. Intra-prediction unit 318 may be configured to decode coding blocks of video data (e.g., both luma and chroma coding blocks) using directional intra prediction, non-directional intra prediction, recursive filter intra prediction, CFL, IBC, and / or color palette mode, as described above.

[0131] CPB memory 320 is an example of a memory system that may store video data, such as an encoded video bitstream, to be decoded by the components of video decoder 300. The video data stored in CPB memory 320 may be obtained, for example, from computer-readable medium 110 (FIG. 1) . CPB memory 320 may include a CPB that stores encoded video data (e.g., syntax elements) from an encoded video bitstream. Also, CPB memory 320 may store video data other than syntax elements of a coded picture, such as temporary data representing outputs from the various units of video decoder 300. DPB 314 is an example of a memory system that generally stores decoded pictures, which video decoder 300 may output and / or use as reference video data when decoding subsequent data or pictures of the encoded video bitstream. CPB memory 320 and DPB 314 may each be formed by any of a variety of memory devices or memory units, such as DRAM, including SDRAM, MRAM, RRAM, or other types of memory devices. CPB memory 320 and DPB 314 may be provided by the same memory device or separate memory devices. In various examples, CPB memory 320 may be on-chip with other components of video decoder 300, or off-chip relative to those components.

[0132] Additionally or alternatively, in some examples, video decoder 300 may retrieve coded video data from memory 120 (FIG. 1) . That is, memory 120 may store data as discussed above with CPB memory 320. Likewise, memory 120 may store instructions to be executed by video decoder 300, when some or all of the functionality of video decoder 300 is implemented in software to be executed by processing circuitry of video decoder 300.

[0133] The various units shown in FIG. 3 are illustrated to assist with understanding the operations performed by video decoder 300. The units may be implemented as fixed-function circuits, programmable circuits, or a combination thereof. Similar to FIG. 2, fixed-function circuits refer to circuits that provide particular functionality, and are preset on the operations that can be performed. Programmable circuits refer to circuits that can be programmed to perform various tasks, and provide flexible functionality in the operations that can be performed. For instance, programmable circuits may execute software or firmware that cause the programmable circuits to operate in the manner defined by instructions of the software or firmware. Fixed-function circuits may execute software instructions (e.g., to receive parameters or output parameters) , but the types of operations that the fixed-function circuits perform are generally immutable. In some examples, one or more of the units may be distinct circuit blocks (fixed-function or programmable) , and in some examples, one or more of the units may be integrated circuits.

[0134] Video decoder 300 may include ALUs, EFUs, digital circuits, analog circuits, and / or programmable cores formed from programmable circuits. In examples where the operations of video decoder 300 are performed by software executing on the programmable circuits, on-chip or off-chip memory may store instructions (e.g., object code) of the software that video decoder 300 receives and executes.

[0135] Entropy decoding unit 302 may receive encoded video data from the CPB and entropy decode the video data to reproduce syntax elements. Prediction processing unit 304, inverse quantization unit 306, inverse transform processing unit 308, reconstruction unit 310, and filter unit 312 may generate decoded video data based on the syntax elements extracted from the bitstream.

[0136] In general, video decoder 300 reconstructs a picture on a block-by-block basis. Video decoder 300 may perform a reconstruction operation on each block individually (where the block currently being reconstructed, i.e., decoded, may be referred to as a “current block” ) .

[0137] Entropy decoding unit 302 may entropy decode syntax elements defining quantized transform coefficients of a quantized transform coefficient block, as well as transform information, such as a quantization parameter (QP) and / or transform mode indication (s) . Inverse quantization unit 306 may use the QP associated with the quantized transform coefficient block to determine a degree of quantization and, likewise, a degree of inverse quantization for inverse quantization unit 306 to apply. Inverse quantization unit 306 may, for example, perform a bitwise left-shift operation to inverse quantize the quantized transform coefficients. Inverse quantization unit 306 may thereby form a transform coefficient block including transform coefficients.

[0138] After inverse quantization unit 306 forms the transform coefficient block, inverse transform processing unit 308 may apply one or more inverse transforms to the transform coefficient block to generate a residual block associated with the current block. For example, inverse transform processing unit 308 may apply an inverse DCT, an inverse integer transform, an inverse Karhunen-Loeve transform (KLT) , an inverse rotational transform, an inverse directional transform, or another inverse transform to the transform coefficient block.

[0139] Furthermore, prediction processing unit 304 generates a prediction block according to prediction information syntax elements that were entropy decoded by entropy decoding unit 302. For example, if the prediction information syntax elements indicate that the current block is inter-predicted, motion compensation unit 316 may generate the prediction block. In this case, the prediction information syntax elements may indicate a reference picture in DPB 314 from which to retrieve a reference block, as well as a motion vector identifying a location of the reference block in the reference picture relative to the location of the current block in the current picture. Motion compensation unit 316 may generally perform the inter-prediction process in a manner that is substantially similar to that described with respect to motion compensation unit 224 (FIG. 2) .

[0140] As another example, if the prediction information syntax elements indicate that the current block is intra-predicted, intra-prediction unit 318 may generate the prediction block according to an intra-prediction mode indicated by the prediction information syntax elements. Again, intra-prediction unit 318 may generally perform the intra-prediction process in a manner that is substantially similar to that described with respect to intra-prediction unit 226 (FIG. 2) . Intra-prediction unit 318 may retrieve data of neighboring samples to the current block from DPB 314.

[0141] Reconstruction unit 310 may reconstruct the current block using the prediction block and the residual block. For example, reconstruction unit 310 may add samples of the residual block to corresponding samples of the prediction block to reconstruct the current block.

[0142] Filter unit 312 may perform one or more filter operations on reconstructed blocks. For example, filter unit 312 may perform deblocking operations to reduce blockiness artifacts along edges of the reconstructed blocks. Operations of filter unit 312 are not necessarily performed in all examples.

[0143] Video decoder 300 may store the reconstructed blocks in DPB 314. For instance, in examples where operations of filter unit 312 are not performed, reconstruction unit 310 may store reconstructed blocks to DPB 314. In examples where operations of filter unit 312 are performed, filter unit 312 may store the filtered reconstructed blocks to DPB 314. As discussed above, DPB 314 may provide reference information, such as samples of a current picture for intra-prediction and previously decoded pictures for subsequent motion compensation, to prediction processing unit 304. Moreover, video decoder 300 may output decoded pictures (e.g., decoded video) from DPB 314 for subsequent presentation on a display device, such as display device 118 of FIG. 1.

[0144] FIG. 4 is a flowchart illustrating an example method for encoding a current block in accordance with the techniques of this disclosure. The current block may be or include a current CU. Although described with respect to video encoder 200 (FIGS. 1 and 2) , it should be understood that other devices may be configured to perform a method similar to that of FIG. 4.

[0145] In this example, video encoder 200 initially predicts the current block (400) . For example, video encoder 200 may form a prediction block for the current block. Video encoder 200 may then calculate a residual block for the current block (402) . To calculate the residual block, video encoder 200 may calculate a difference between the original, unencoded block and the prediction block for the current block. Video encoder 200 may then transform the residual block and quantize transform coefficients of the residual block (404) . Next, video encoder 200 may scan the quantized transform coefficients of the residual block (406) . During the scan, or following the scan, video encoder 200 may entropy encode the transform coefficients (408) . For example, video encoder 200 may encode the transform coefficients using CAVLC or CABAC. Video encoder 200 may then output the entropy encoded data of the block (410) .

[0146] FIG. 5 is a flowchart illustrating an example method for decoding a current block of video data in accordance with the techniques of this disclosure. The current block may be or include a current CU. Although described with respect to video decoder 300 (FIGS. 1 and 3) , it should be understood that other devices may be configured to perform a method similar to that of FIG. 5.

[0147] Video decoder 300 may receive entropy encoded data for the current block, such as entropy encoded prediction information and entropy encoded data for transform coefficients of a residual block corresponding to the current block (500) . Video decoder 300 may entropy decode the entropy encoded data to determine prediction information for the current block and to reproduce transform coefficients of the residual block (502) . Video decoder 300 may predict the current block (504) , e.g., using an intra-or inter-prediction mode as indicated by the prediction information for the current block, to calculate a prediction block for the current block. Video decoder 300 may then inverse scan the reproduced transform coefficients (506) , to create a block of quantized transform coefficients. Video decoder 300 may then inverse quantize the transform coefficients and apply an inverse transform to the transform coefficients to produce a residual block (508) . Video decoder 300 may ultimately decode the current block by combining the prediction block and the residual block (510) .

[0148] Current inter-frame prediction processes, e.g., in H. 266 encoders, include evaluating multiple prediction modes across all reference frames for each coding unit (CU) . This thorough search aims to identify the prediction mode and reference frame associated with the lowest rate-distortion (RD) cost. However, this inter-frame prediction process results in significant computational overhead, making the process resource-intensive and time-consuming. Motion estimation alone can account for more than half of the total encoding complexity, further exacerbating the computational burden. This complexity hinders the practical implementation of advanced video coding standards in real-time applications and limits their adoption in consumer devices.

[0149] FIG. 6 is a flowchart showing an example process for encoding a CU of video data. Video encoder 200 begins by receiving a coding unit (CU) of video data (602) . Video encoder 200 may test both intra-prediction modes (604) , and inter-prediction modes (606) . For example, video encoder 200 may determine a rate-distortion (RD) cost associated with each of the possible intra-prediction modes and inter-prediction modes. Intra-prediction (604) includes predicting the CU based on spatial information from neighboring blocks within the same frame, while inter-prediction (606) includes predicting the CU based on temporal information from reference frames in other pictures. As will discussed below, testing the inter-prediction modes to determine RD costs may include testing each of a plurality of possible references frames in two reference frame lists (e.g., List 0 and List 1) .

[0150] Video encoder 200 may use the RD cost to determine the best way to encode a block of video data by evaluating the trade-off between the bitrate (rate) and the quality loss (distortion) . To determine the RD cost for a particular coding mode, video encoder 200 may predict the current block of video data using either intra-prediction, which relies on data from the same frame, or inter-prediction, which uses data from other frames. This prediction generates a prediction block that approximates the current block.

[0151] Video encoder 200 may calculate the residual block by finding the difference between the original block and the prediction block. This residual block represents the error or difference that needs to be encoded to correct the prediction. Video encoder 200 then applies a mathematical transform, such as a Discrete Cosine Transform (DCT) , to the residual block to convert it into a set of transform coefficients. These coefficients are subsequently quantized, reducing their precision to achieve compression.

[0152] Video encoder 200 may entropy encode the quantized transform coefficients, which further compresses the data by removing redundancies. Entropy encoding generates the encoded bitstream for the residual block. Video encoder 200 calculates the bitrate, which is the number of bits required to encode the residual block and the associated prediction information. This represents the "rate"part of the RD cost.

[0153] Video encoder 200 reconstructs the block by performing inverse quantization and inverse transform on the quantized coefficients, and then adding the prediction block to the reconstructed residual block. Video encoder 200 calculates the distortion as the difference between the original block and the reconstructed block, often measured using metrics like Mean Squared Error (MSE) or Sum of Differences (SAD) . This represents the "distortion"part of the RD cost.

[0154] Video encoder 200 combines the bitrate and distortion into a single metric called the RD cost. The RD cost may be computed using a formula similar to the following: RD_cost=Distortion+λ×Rate, where λ is a Lagrange multiplier that balances the trade-off between rate and distortion.  Video encoder 200 may repeat the above process for different coding modes, such as different prediction modes and block sizes, and calculates the RD cost for each mode.

[0155] After performing either intra-prediction (604) or inter-prediction (606) and determining the associated RD costs, as described above, video encoder 200 calculates the best prediction mode and RD cost (608) for the CU.

[0156] Video encoder 200 then checks whether the CU split depth is equal to 4 (610 no) . If the CU split depth is not equal to 4, video encoder 200 proceeds to split the CU using quadtree (QT) or multi-type tree (MTT) partitioning methods (612) . The process then iterates, with video encoder 200 performing prediction and RD cost calculation for the newly split sub-CUs. If the CU split depth is equal to 4 (610 yes) , video encoder 200 concludes the splitting process for that CU, as further splitting is not required.

[0157] In the context of H. 266 / VVC, split depth refers to the hierarchical partitioning of a CTU (sometimes called a largest coding unit (LCU) ) into smaller CUs to achieve efficient video compression. The split depth indicates the level of subdivision applied to the CTU, with each level providing finer granularity. This hierarchical structure allows video encoder 200 to adaptively choose the best partitioning scheme based on the video content, optimizing the balance between compression efficiency and computational complexity.

[0158] At split depth 0, the CTU is at its largest size, e.g., 128x128 pixels, treated as a single coding unit suitable for large, homogeneous regions. At split depth 1, the CTU can be divided using quadtree (QT) , quadtree-binary tree (QTBT) , or multi-type tree (MTT) partitioning. QT partitioning divides the CTU into four equal-sized CUs of 64x64 pixels. QTBT partitioning first uses a quadtree structure and then binary tree splits, providing more flexibility. MTT partitioning extends this by allowing quadtree, binary tree, and ternary tree splits.

[0159] At split depth 2, a 64x64 CU from depth 1 can be further divided into 32x32 pixel units, useful for regions with higher complexity. QT, QTBT, and MTT partitioning methods can all be applied at this depth. At split depth 3, a 32x32 CU may be subdivided into 16x16 pixel units, beneficial for encoding areas with even greater detail and complexity. The increased number of smaller CUs allows precise adaptation to local characteristics of the video content. At split depth 4, a 16x16 CU may be divided into 8x8 pixels, the smallest units, employed for regions with the highest complexity to capture fine details.

[0160] By utilizing different split depths and partitioning methods, video encoder 200 dynamically adjusts the partitioning of the CTU to match the complexity of the video content, better ensuring high compression efficiency while preserving visual quality.

[0161] FIG. 7 is a flowchart showing an example process for encoding a CU of video data using inter-prediction. In particular, FIG. 7 shows a more detailed process 700 for determining RD costs for the inter-prediction process (606) of FIG. 6.

[0162] Video encoder 200 initializes two reference frame lists (e.g., List 0 and List 1) (702) . These lists contain multiple reference frames that may be used for inter-prediction. Video encoder 200 then selects a reference frame to test (704) .

[0163] Video encoder 200 then tests various prediction modes, including Merge, Skip, MMVD, and / or AMVP, to determine the best mode for the current coding unit (CU) given the selected reference frame. Following this, video encoder 200 calculates the best motion vector (MV) and rate-distortion (RD) cost for the selected reference frame (708) .

[0164] Video encoder 200 then checks whether there are more frames to iterate within the current list (710) . If there are more frames, video encoder 200 selects a new reference frame (704) and repeats the process. If there are no more frames in the list, video encoder 200 stores the reference frame associated with the best MV and RD cost for the reference frame list (714) .

[0165] Video encoder 200 checks whether there are more lists to iterate (716) . For example, if video encoder 200 has tested all reference frames in List 0, video encoder 200 may now proceed to test reference frames in List 1. If there are more lists, video encoder 200 selects the reference frame in the next reference frame list (704) and repeat the process for the next list. If there are no more lists, video encoder 200 proceeds to output the reference frame associated with the best MV and RD cost for all reference frame lists (718) .

[0166] Finally, video encoder 200 concludes the process, having determined the best reference frame, MV, and RD cost for inter-prediction, thereby optimizing the encoding process by reducing computational complexity while maintaining high compression efficiency.

[0167] FIG. 8 shows example inter-prediction reference frames for two reference frame lists. FIG. 8 illustrates a sequence of frames in a video stream, including I, P, and B frames, with their respective reference picture IDs marked. The sequence 800 includes frames 0 through 16, with frame 3 highlighted as the current frame 802 for which inter-prediction is being performed.

[0168] The reference frame lists for the B frame at frame 3 are as follows: List 0: 2, 0 and List 1: 4, 6. FIG. 8 demonstrates how the reference frames are selected from the two lists for the current frame 802. The arrows indicate the reference frames used for inter-prediction: - From List 0, frames 2 and 0 are selected. - From List 1, frames 4 and 6 are selected.

[0169] In the context of H. 266 / VVC inter-frame prediction, each CU split method and inter-frame prediction will iterate through the reference frames in both List 0 and List 1. This process involves evaluating multiple prediction modes, such as Merge, Skip, AMVP, and MMVD, across all reference frames to determine the rate-distortion (RD) cost and prediction mode for each CU. The iteration through these reference frames leads to significant computational complexity.

[0170] Further in this regard, research has shown that the extensive complexity of VVC encoding and decoding is 5 times and 1.5 times that of HEVC in Low-Delay (LD) conditions, and 31 times and 1.8 times in All-Intra (AI) conditions. The analyses were performed for six video sequences of 720p, 1080p, and 2160p, under LD, Random-Access (RA) , and AI conditions. The detailed analysis of coding tools reveals that, on average, in Low Delay, motion estimation in inter-frame prediction accounts for 53%of the encoding complexity, transformation and quantization account for 22%of the encoding complexity, and entropy coding accounts for 7%of the encoding complexity.

[0171] The total complexity of VVC encoding may be broken down into six categories: Motion Estimation (ME) , Intra Prediction (IP) , Transform and Quantization (T / Q) , Entropy Coding (EC) , Loop-Filters (LF) , and Memory (Mem) operations. For LD conditions and a quantization parameter (QP) of 22, each category accounts for 47%, 6%, 28%, 10%, 2%, and 3%, respectively of the total encoding complexity. For a QP of 37, this breakdown is 57%, 4%, 17%, 5%, 9%, and 3%. From the above results, it is evident that motion estimation in inter-frame prediction consumes more than half of the computational resources in both VVC and HEVC standards.

[0172] As will be described in more detail below, the techniques of this disclosure address the computational complexity of inter-frame prediction by leveraging camera pose information obtained from inertial measurement units (IMUs) . Video encoder 200 determines a plurality of reference frames for a current block of a current frame and determines a respective camera pose for each of the plurality of reference frames and the current frame. Video encoder 200 then determines a subset of the plurality of reference frames based at least in part on the respective camera poses and performs inter-prediction on the current block using the subset of the plurality of reference frames. This approach reduces the number of reference frames that need to be evaluated, significantly decreasing the computational load while maintaining high compression efficiency.

[0173] FIG. 9 illustrates example components involved in the video encoding process according to one example of the disclosure. The example of FIG. 9 leverages camera pose information 913 to reduce the complexity of inter-frame prediction.

[0174] Camera sensor 900 captures raw data 901, e.g., in the form of Color Filter Array (CFA) raw data. Raw data 901 is then processed by the image signal processor 902. The image signal processor 902 converts the raw data 901 into YUV data 903, which represents the luminance and chrominance components of the captured image. YUV data 903 is forwarded to video encoder 200.

[0175] Video encoder 200 encodes the YUV data into encoded bitstream 915. During this process, video encoder 200 may perform inter-frame prediction, which includes selecting reference frames to predict the current frame. To optimize this selection, video encoder 200 may be configured to use camera pose information 913 obtained from IMU sensor processing block 912.

[0176] IMU sensor processing block 912 processes data from the IMU sensor 910, which includes acceleration and gyroscope data 911. Acceleration and gyroscope data 911provides information about the camera's rotation and motion. The IMU sensor processing block 912 calculates the camera pose, which is then used by the video encoder 200 to determine the temporal correlation between frames. IMU sensor 910 collects acceleration and gyroscope data 911, which may be used by IMU sensor processing block 912 to determine movement and orientation (e.g., the camera pose) of camera sensor 900.

[0177] IMU sensor 910 may be configured to measure and report an object’s (e.g., a camera sensor or device including the camera) specific force, angular rate, and sometimes the magnetic field surrounding the object, using a combination of accelerometers, gyroscopes, and sometimes magnetometers. These sensors are commonly used in various applications, including smartphones, drones, and cameras, to provide information about the orientation and movement of the device.

[0178] IMU sensor 910 may use accelerometers to measure linear acceleration along multiple axes (typically three: x, y, and z) . These accelerometers detect changes in velocity and can determine the direction and magnitude of the acceleration. Gyroscopes, on the other hand, measure the rate of rotation around these axes. By detecting angular velocity, gyroscopes provide information about how the device is rotating over time.

[0179] To convert the raw acceleration and gyroscope data into camera pose information, IMU sensor processing block 912 may use accelerometer data to determine the direction of gravity, which helps in understanding the device's orientation relative to the Earth's surface. This information is used for establishing a reference frame.

[0180] Next, IMU sensor processing block 912 may integrate the gyroscope data over time to calculate the change in orientation. This integration process may include summing the angular velocities measured by the gyroscopes to determine the total rotation that has occurred. The result is a set of Euler angles or a quaternion that represents the device's orientation in three-dimensional space.

[0181] A quaternion is a mathematical representation that provides a convenient way to encode the orientation of an object in 3D space without suffering from the gimbal lock problem that can occur with Euler angles. Quaternions include four components and can be used to efficiently compute rotations and transformations.

[0182] By combining the information from the accelerometers and gyroscopes, IMU sensor processing block 912 can provide a comprehensive picture of the device's motion and orientation. This combined data is referred to as the camera pose information 913, which includes both the rotation and the translational movement of the device.

[0183] In the context of a camera, the camera pose information is indicative of how the camera is moving and rotating. This information can be used to enhance various applications, such as video stabilization, augmented reality, and inter-frame prediction in video encoding. For example, in video encoding, the camera pose information can help identify reference frames with maximum temporal correlation to the current frame, thereby reducing the computational load required for inter-frame prediction and improving the overall efficiency of the encoding process.

[0184] The acceleration and gyroscope data 911 may be continuously fed to the IMU sensor processing block 912, ensuring that the video encoder 200 has up-to-date information about the camera pose. As will be described in more detail below, video encoder 200 may determine a plurality of reference frames for a current block of a current frame, determine a respective camera pose for each of the plurality of reference frames and the current frame, determines a subset of the plurality of reference frames based at least in part on the respective camera poses, and performs inter-prediction on the current block using the subset of the plurality of reference frames.

[0185] FIG. 10 is a conceptual diagram illustrating camera pose information for a camera in a video encoding device. In the example of FIG. 10, the video encoding device is a mobile device 1000, such as a smartphone. The example of FIG. 10 is described with the assumption that a user is holding mobile device 1000 in front of the user and is watching the display vertically. The Y-axis is straight up, the X-axis is pointed to right side, and the Z-axis point backwards. The camera sensor is in the back of mobile device 1000.

[0186] When a user moves mobile device 1000 to capture a video recording of a scene, the objects and field-of-view in an image is directly related to the camera movement. Typically, the distance of a recorded object is much larger than the focal length of the camera. As such, the camera rotation is more likely to affect the image than translation. Accordingly, rotation of mobile device 1000 may be the more important aspect of the camera pose information.

[0187] The rotation of mobile device 1000 can be described by Euler angles  and a quaternion  or [s, a, b, c] . A quaternion is a mathematical representation used to describe rotations in three-dimensional space. A quaternion is a four-dimensional complex number that extends the concept of complex numbers and provides an efficient way to encode and compute rotations without suffering from some of the limitations of other representations, such as Euler angles.

[0188] As shown in rotation diagram 1002, two quaternions may be defined as q1=[s1, a1, b1, c1] and q1= [s2, a2, b2, c2] , which point two rotation A and B. Given these two quaternions, mobile device 1000 (e.g., video encoder 200 or IMU sensor processing block 912) may be configured to measure the angle between q1 and q2 by their dot product, as follows: A (q1, q2) =q1·q2=s1s2+a1a2+b1b2+c1c2                (1)

[0189] The larger the value of A, the smaller the angle between q1 and q2.

[0190] When a user records video while rotating mobile device 1000, mobile device 1000 may be configured to determine a rotation amplitude A (q1, q2) from position A in rotation diagram 1002 to position B in rotation diagram 1002.

[0191] Gyroscope sensors in mobile device 1000 can report angular velocity in a fixed sample rate (e.g., 200Hz, 400Hz or 512Hz) . Mobile device 1000 may determine the rotation amplitude in real-time when we are recording scenery and scanning objects.

[0192] FIG. 11 is a conceptual diagram illustrating how a images changes with camera rotation. As shown in FIG. 11 ω is rotation angle, 2θ is the field-of-view (FOV) of the camera, f is the focal length of the camera, L is the image field, VL is the overlapping image before and after the camera is rotated / moved, and H is the distance between camera and subject.

[0193] For the continuous picture while rotating and / or moving camera, it can be assumed that the distance H is a constant. Based on the above, the following functions are defined:

[0194] The 2θ is a constant for a camera, then the larger value of rotation angle ω the smaller of overlap V.

[0195] In a static environment, considering equations (1) and (3) , t the larger of value A, the smaller value of camera rotation amplitude. In this situation, the overlap VL of the two frames will be larger.

[0196] In addition, when a camera is rotated camera, there may be deformation and pixel displacement in different pictures due to the image distortion in the camera.

[0197] FIG. 12 is a conceptual diagram illustrating examples of image deformation due to camera rotation. Scenario 1200 shows an example of image deformation when a camera is rotated around the y-axis. Scenario 1202 shows an example of image deformation a when camera is rotated around the x-axis and the y-axis. P0 is the image when the camera is aligned. P1 and P2 are the images when camera rotated. As can be seen in FIG. 12, the temporal correlation between two picture may quickly weaken as rotation angles get larger.

[0198] For example, as a camera is rotated clockwise while recording video, there are 3 continuous pictures (P1, P2, P3) captured with respective camera poses q1, q2, q3. The rotation amplitude between qi, qj is A (qi, qj) . When A (q2, q3) >A (q1, q2) , the temporary correlation between (P2, P3) is greater than (P1, P2) . As such, when performing inter-prediction in P2, P3 is the best reference frame as P3 has a higher temporal correlcation with P2.

[0199] FIG. 13 illustrates an example process for selecting and utilizing reference frames during inter-frame prediction based on camera pose information. The techniques of FIG. 13 may be performed by video encoder 200. In general, video encoder 200 may be configured to determine a plurality of reference frames for a current block of a current frame, determine a respective camera pose for each of the plurality of reference frames and the current frame, determine a subset of the plurality of reference frames based at least in part on the respective camera poses, and perform inter-prediction on the current block using the subset of the plurality of reference frames. As discussed above, calculating the RD cost and selecting best MV in each reference frame leads to a high resource. As such, reducing the number of reference frames used for inter-prediction may reduce compute complexity.

[0200] The techniques below will be described with reference to two reference frame lists. More particularly, video encoder 200 may be configured to determine reduced reference frame lists (e.g., list L2 and list L3) that are reduced from the original reference frame lists (e.g., list L0 and L1) . However, the techniques of this disclosure are applicable for use with any number reference frames and any number of reference frames lists.

[0201] Video encoder 200 may determine a plurality of reference frames for a current block of a current frame. In one example, the plurality of reference frames include a first plurality of reference frames in a first reference frame list (e.g., list L0) and a second plurality of reference frames in a second reference frame list (e.g., L1) . In the example of FIG. 13, video encoder 200 may initialize the reference frame list (1302) . For example, for the current coding frame F, video encoder 200 may obtain list L0 and list L1, each list including multiple reference frames (F′1, F′2, F′3…; F"1, F"2, F"3…) , where reference frames F′n are list L0 and reference frames F"n are in list L1. Video encoder 200 may initialize the reduced reference frame lists L2 and L3 (e.g., the subset of reference frames) as empty.

[0202] Video encoder 200 may be further configured to determine a respective camera pose for each of the plurality of reference frames and the current frame, as described above. Video encoder 200 may further determine reference frames with a maximum temporal correlation, based on the respective camera poses, with the current frame in each of list L0 and list L1 (1304) . Video encoder 200 may place the determined reference frames with maximum correlation in reduced reference frame list L2 and list L3. That is, video encoder 200 may determine a reference frame from each of list L0 and list L1 that has the maximum temporal correlation with current F, and add these reference frames into list L2 and list L3 (e.g., , L2=F′i; L3=F"i) . Adding a reference frame to the list may include adding a reference frame index to the list that specifies a particular reference frame.

[0203] In general, to determine the subset of the plurality of reference frames based at least in part on the respective camera poses, video encoder 200 is configured to determine a first reference frame (F′i) in the first reference frame list (list L0) that has a maximum temporal correlation with the current frame based on the respective camera poses, and add the first reference frame to a first reduced reference frame list (list L2) . Video encoder 200 may also determine a second reference frame (F"i) in the second reference frame list (list L1) that has the maximum temporal correlation with the current frame based on the respective camera poses and add the second reference frame to a second reduced reference frame list (list L3) . More specifically, as will be described below, video encoder 200 may determine, for each reference frame in the first reference frame list, a first respective rotation amplitude between the respective camera pose of each reference frame and the respective camera pose of the current frame, and determine the first reference frame to be the reference frame in the first reference frame list that is associated with a smallest first respective rotation amplitude. Likewise, video encoder 200 may determine, for each reference frame in the second reference frame list, a second respective rotation amplitude between the respective camera pose of each reference frame and the respective camera pose of the current frame, and determine the second reference frame to be the reference frame in the second reference frame list that is associated with the smallest second respective rotation amplitude.

[0204] FIG. 14 shows one example of determining a maximum temporal correlation between a current frame and multiple reference frames. FIG. 14 shows a prediction structure 1400, where current frame 1402 (frame 5) may be predicted from reference frames in list 0 (reference frame 4, reference frame 2, and reference frame 0) and / or from reference frames in list 1 (reference frame 6 and reference frame 8) . Each of the current frame and a reference frame has associated camera pose information represented as a quaternion qi. Every time a camera sensor obtains a raw image, a device operating video encoder 200 may obtain the camera pose quaternion from gyroscope data or other data from an IMU with a timestamp. As shown in FIG. 14, the device may add the quaternion information as metadata or other associated data for each of the frames.

[0205] As one example of determining the maximum temporal correlation between a reference frame and the current frame, video encoder 200 may be configured to determine the quaternion qi that makes the minimum rotation amplitude between q5 (e.g., the quaternion of current frame 1402) and a quaternion qi, qi ∈ {q0, q2, q4} for a reference frame in list L0 or a quaternion qi ∈ {q6, q8} for a reference frame in list L1. Images frames associated with the best quaternion qi will be the best frame to be added to lists L2 and L3.

[0206] Returning to FIG. 13, video encoder 200 may be further configured to determine a third reference frame from the first reference frame list that has a maximum spatial correlation with the current block, and add the third reference frame to the first reduced reference frame list. Likewise, video encoder 200 may also be configured to determine a fourth reference frame from the second reference frame list that has the maximum spatial correlation with the current block, and add the fourth reference frame to the second reduced reference frame list.

[0207] More specifically, video encoder 200 may be further configured to split a block (e.g., a CTU) into a CU at split depth 1 (1306) . As one example, a CU at split depth 1 may be 64x64 samples / pixels. For a CU with split depth 1, video encoder 200 may perform inter-prediction testing using list L0 and list L1 (1308) , as described above. For example, video encoder 200 may iterate all frames in list L0 and list L1 and perform inter-prediction testing to determine the associated RD costs and motion vector, and determine the best reference frame (1310) . This reference frame is considered the reference frame to have the best spatial correlation with the current block at split depth 1.

[0208] FIG. 15 shows an example partitioning 1500 for a CTU 1502 (e.g., a 128 x 128 CTU) . At split depth 0, CTU 1502 may be quadtree split to four CUs (64×64) . A 64x64 CU (e.g., split depth 1) can be coded at that size, or may be be split as quadtree, binary tree, or ternary tree sub-CUs.

[0209] Returning to FIG. 13, research has shown that the best reference frames for a block at split depth 1 has a high likelihood of also being the best reference frames for blocks at larger split depths. Video encoder 200 adds these reference frames (e.g., one reference frame for each of list L0 and L1) into lists L2 and L3 (1312) . Then, list L2=F′i, F′m; list L3=F"i, F"m. In some examples, F′i and F′m may be the same reference frame. As such, one of the reference frame indices may be removed from the list.

[0210] In a more detailed example, for a 64×64 CU at split depth 1, video encoder 200 may iterate all inter-prediction modes in all reference frames of two original list (e.g., list L0 and list L1) . Video encoder 200 may determine the best MV, RD cost, reference frame list, and reference frame index F′j and F′′j . As discussed above, there is high likelihood that video encoder 200 would determine the same reference frame for sub-CUs at larger split dephts than split depth 1. As such, testing is limited to split depth 1, and the reference frames detemrined at that split depth (e.g., reference frames F′j and F"j may selected for all CUs at split dephts greater than 1. As such, video encoder 200 may add F′j and F"j into list L2 and list L3. Then, lists L2 and L3 will contain, at most two reference frames each.

[0211] Video encoder 200 may then split the CU at split depth 1 (e.g., using QTBT, QT, or MTT partitioning) into coding units of greater split depths (1314) . Video encoder 200 may perform inter-prediction on the sub-CUs of a current 64×64 CU using list L2 and list L3 instead of original list L0 and list L1 (1316) . If the 64×64 CU uses only one list of L0 or L1 (e.g., single direction) , the associated sub-CU may also use the same prediction direction. Video encoder 200 then determines if the current CU (e.g., at split depth 2) is to be further split (1318) . If yes, the process repeats at 1314 and 1316. If no, the process ends.

[0212] In summary, the subset of reference frames (e.g., list L2 and list L3) determined using the techniques of this disclosure may include, at most, two elements:

[0213] The reference frame has the largest temporal correlation with current frame. In general, the structure and texture properties of frame are closest to current frame. The reference frame is determined from testing a CU at split depth 1. Reference frame is the most spatially correlated with the CU at split depth and its sub-CUs. From testing, the reference frames F′i and F′j (as well as F"i and F"j) are likely to be same. So, in most cases, list L2 and list L3 will include only one reference frame. Since the length of the new reference lists will be shorter than the original lists, the iteration time in inter prediction will be greatly reduced for CUs at split depth 2 or greater.

[0214] A summary of one example process of the disclosure is described below. Testing has shown that this process may reduce half of the complexity relative to VVC inter-prediction, while experiencing minimal increases to bit rate.

[0215] Before encoding the current frame, video encoder 200 may determine the reference frame indices (e.g., from list L0 and list L1) by camera pose that have the maximum temporal correlation with the current frame. Video encoder adds the reference frame indices for these frames into list L2 and list L3, respectively. Then for a 64×64 CU (e.g., a CU at split depth 1) , video encoder 200 may inter-prediction testing in reference lists L0 and L1. Video encoder 200 may determine the best frame index for each reference frame list, and add those reference frame indices to list L2 and list L3. If these reference frame indices are the same as the reference frame indices already in list L2 and L3, adding may be skipped. Video encoder 200 may then perform inter-prediction for each sub-CU of the 64x64 CU using reference frame lists L2 and L3.

[0216] FIG. 16 is a flowchart illustrating an example video encoding process of the disclosure. The techniques of FIG. 16 may be performed by video encoder 200.

[0217] Video encoder 200 may be configured to determine a plurality of reference frames for a current block of a current frame (1600) , and determine a respective camera pose for each of the plurality of reference frames and the current frame (1602) . Video encoder 200 may be furhter conifgured to determine a subset of the plurality of reference frames based at least in part on the respective camera poses (1604) , and perform inter-prediction on the current block using the subset of the plurality of reference frames (1606) .

[0218] In one example, the plurality of reference frames include a first plurality of reference frames in a first reference frame list and a second plurality of reference frames in a second reference frame list. In this example, to determine the subset of the plurality of reference frames based at least in part on the respective camera poses, video encoder 200 is configured to determine a first reference frame in the first reference frame list that has a maximum temporal correlation with the current frame based on the respective camera poses, add the first reference frame to a first reduced reference frame list, determine a second reference frame in the second reference frame list that has the maximum temporal correlation with the current frame based on the respective camera poses, and add the second reference frame to a second reduced reference frame list.

[0219] In another example, to determine the first reference frame in the first reference frame list that has the maximum temporal correlation with the current frame based on the respective camera poses, video encoder 200 is configured to determine, for each reference frame in the first reference frame list, a first respective rotation amplitude between the respective camera pose of each reference frame and the respective camera pose of the current frame, and determine the first reference frame to be the reference frame in the first reference frame list that is associated with a smallest first respective rotation amplitude. Likewise, to determine the second reference frame in the second reference frame list that has the maximum temporal correlation with the current frame based on the respective camera poses, video encoder 200 is configured to determine, for each reference frame in the second reference frame list, a second respective rotation amplitude between the respective camera pose of each reference frame and the respective camera pose of the current frame, and determine the second reference frame to be the reference frame in the second reference frame list that is associated with the smallest second respective rotation amplitude.

[0220] In a further example of the disclosure, video encoder 200 is configured to determine a third reference frame from the first reference frame list that has a maximum spatial correlation with the current block, add the third reference frame to the first reduced reference frame list, determine a fourth reference frame from the second reference frame list that has the maximum spatial correlation with the current block, and add the fourth reference frame to the second reduced reference frame list.

[0221] In one example, the current block is a largest coding unit, and video encoder 200 is configured to split the largest coding unit into first coding units having a split depth of 1.In this example, to determine the third reference frame from the first reference frame list that has the maximum spatial correlation with the current block, video encoder 200 is configured to determine, for the first coding units, a first respective rate-distortion cost for each reference frame in the first reference frame list, and determine the third reference frame to be the reference frame associated with a smallest first respective rate-distortion cost. Likewise, to determine the fourth reference frame from the second reference frame list that has the maximum spatial correlation with the current block, video encoder 200 is configured to determine, for the first coding units, a second respective rate-distortion cost for each reference frame in the first reference frame list, and determine the third reference frame to be the reference frame associated with a smallest second respective rate-distortion cost.

[0222] To perform inter-prediction on the current block using the subset of the plurality of reference frames, video encoder 200 is configured to perform inter-prediction on the first coding units of the current block at the split depth of 1 using the first reference frame list and the second reference frame list, and perform inter-prediction on one or more second coding units of the current block, the second coding unit having a split depth of 2 or greater, using the first reduced reference frame list and the second reduced reference frame list.

[0223] The following numbered clauses illustrate one or more aspects of the devices and techniques described in this disclosure.

[0224] Aspect 1. An apparatus for encoding video data, the apparatus comprising: at least one memory; and processing circuitry in communication with the at least one memory, the processing circuitry configured to: determine a plurality of reference frames for a current block of a current frame; determine a respective camera pose for each of the plurality of reference frames and the current frame; determine a subset of the plurality of reference frames based at least in part on the respective camera poses; and perform inter-prediction on the current block using the subset of the plurality of reference frames.

[0225] Aspect 2. The apparatus of Aspect 1, wherein the plurality of reference frames include a first plurality of reference frames in a first reference frame list and a second plurality of reference frames in a second reference frame list, and wherein to determine the subset of the plurality of reference frames based at least in part on the respective camera poses, the processing circuitry is further configured to: determine a first reference frame in the first reference frame list that has a maximum temporal correlation with the current frame based on the respective camera poses; add the first reference frame to a first reduced reference frame list; determine a second reference frame in the second reference frame list that has the maximum temporal correlation with the current frame based on the respective camera poses; and add the second reference frame to a second reduced reference frame list.

[0226] Aspect 3. The apparatus of Aspect 2, wherein to determine the first reference frame in the first reference frame list that has the maximum temporal correlation with the current frame based on the respective camera poses, the processing circuitry is configured to:determine, for each reference frame in the first reference frame list, a first respective rotation amplitude between the respective camera pose of each reference frame and the respective camera pose of the current frame; and determine the first reference frame to be the reference frame in the first reference frame list that is associated with a smallest first respective rotation amplitude; and wherein to determine the second reference frame in the second reference frame list that has the maximum temporal correlation with the current frame based on the respective camera poses, the processing circuitry is configured to: determine, for each reference frame in the second reference frame list, a second respective rotation amplitude between the respective camera pose of each reference frame and the respective camera pose of the current frame; and determine the second reference frame to be the reference frame in the second reference frame list that is associated with the smallest second respective rotation amplitude.

[0227] Aspect 4. The apparatus of Aspect 3, wherein the respective camera poses are represented as a quaternion.

[0228] Aspect 5. The apparatus of Aspect 2, wherein the processing circuitry is further configured to: determine a third reference frame from the first reference frame list that has a maximum spatial correlation with the current block; add the third reference frame to the first reduced reference frame list; determine a fourth reference frame from the second reference frame list that has the maximum spatial correlation with the current block; and add the fourth reference frame to the second reduced reference frame list.

[0229] Aspect 6. The apparatus of Aspect 5, wherein the current block is a largest coding unit, and wherein the processing circuitry is configured to split the largest coding unit into first coding units having a split depth of 1, and wherein to determine the third reference frame from the first reference frame list that has the maximum spatial correlation with the current block, the processing circuitry is further configured to: determine, for the first coding units, a first respective rate-distortion cost for each reference frame in the first reference frame list; and determine the third reference frame to be the reference frame associated with a smallest first respective rate-distortion cost; and wherein to determine the fourth reference frame from the second reference frame list that has the maximum spatial correlation with the current block, the processing circuitry is further configured to: determine, for the first coding units, a second respective rate-distortion cost for each reference frame in the first reference frame list; and determine the third reference frame to be the reference frame associated with a smallest second respective rate-distortion cost.

[0230] Aspect 7. The apparatus of Aspect 6, wherein to perform inter-prediction on the current block using the subset of the plurality of reference frames, the processing circuitry is further configured to: perform inter-prediction on the first coding units of the current block at the split depth of 1 using the first reference frame list and the second reference frame list; and perform inter-prediction on one or more second coding units of the current block, the second coding unit having a split depth of 2 or greater, using the first reduced reference frame list and the second reduced reference frame list.

[0231] Aspect 8. The apparatus of Aspect 1, wherein the respective camera poses represent rotation and motion of the apparatus.

[0232] Aspect 9. The apparatus of Aspect 1, wherein to determine a respective camera pose for each of the plurality of reference frames and the current frame, the processing circuitry is configured to: receive the respective camera pose for each of the plurality of reference frames and the current frame from an inertial measurement unit (IMU) sensor.

[0233] Aspect 10. The apparatus of Aspect 9, wherein the apparatus is a mobile communications device, and wherein the apparatus further comprises: a camera configured to capture the current frame and the plurality of reference frames; and the IMU sensor.

[0234] Aspect 11. A method of encoding video data, the method comprising: determining a plurality of reference frames for a current block of a current frame; determining a respective camera pose for each of the plurality of reference frames and the current frame; determining a subset of the plurality of reference frames based at least in part on the respective camera poses; and performing inter-prediction on the current block using the subset of the plurality of reference frames.

[0235] Aspect 12. The method of Aspect 11, wherein the plurality of reference frames include a first plurality of reference frames in a first reference frame list and a second plurality of reference frames in a second reference frame list, and wherein determining the subset of the plurality of reference frames based at least in part on the respective camera poses comprises: determining a first reference frame in the first reference frame list that has a maximum temporal correlation with the current frame based on the respective camera poses; adding the first reference frame to a first reduced reference frame list; determining a second reference frame in the second reference frame list that has the maximum temporal correlation with the current frame based on the respective camera poses; and adding the second reference frame to a second reduced reference frame list.

[0236] Aspect 13. The method of Aspect 12, wherein determining the first reference frame in the first reference frame list that has the maximum temporal correlation with the current frame based on the respective camera poses comprises: determining, for each reference frame in the first reference frame list, a first respective rotation amplitude between the respective camera pose of each reference frame and the respective camera pose of the current frame; and determining the first reference frame to be the reference frame in the first reference frame list that is associated with a smallest first respective rotation amplitude; and wherein determining the second reference frame in the second reference frame list that has the maximum temporal correlation with the current frame based on the respective camera poses comprises: determining, for each reference frame in the second reference frame list, a second respective rotation amplitude between the respective camera pose of each reference frame and the respective camera pose of the current frame; and determining the second reference frame to be the reference frame in the second reference frame list that is associated with the smallest second respective rotation amplitude.

[0237] Aspect 14. The method of Aspect 13, wherein the respective camera poses are represented as a quaternion.

[0238] Aspect 15. The method of Aspect 12, further comprising: determining a third reference frame from the first reference frame list that has a maximum spatial correlation with the current block; adding the third reference frame to the first reduced reference frame list; determining a fourth reference frame from the second reference frame list that has the maximum spatial correlation with the current block; and adding the fourth reference frame to the second reduced reference frame list.

[0239] Aspect 16. The method of Aspect 15, wherein the current block is a largest coding unit, and wherein the method further comprises splitting the largest coding unit into first coding units having a split depth of 1, and wherein determining the third reference frame from the first reference frame list that has the maximum spatial correlation with the current block comprises: determining, for the first coding units, a first respective rate-distortion cost for each reference frame in the first reference frame list; and determining the third reference frame to be the reference frame associated with a smallest first respective rate-distortion cost; and wherein determining the fourth reference frame from the second reference frame list that has the maximum spatial correlation with the current block comprises: determining, for the first coding units, a second respective rate-distortion cost for each reference frame in the first reference frame list; and determining the third reference frame to be the reference frame associated with a smallest second respective rate-distortion cost.

[0240] Aspect 17. The method of Aspect 16, wherein performing inter-prediction on the current block using the subset of the plurality of reference frames comprises: performing inter-prediction on the first coding units of the current block at the split depth of 1 using the first reference frame list and the second reference frame list; and performing inter-prediction on one or more second coding units of the current block, the second coding unit having a split depth of 2 or greater, using the first reduced reference frame list and the second reduced reference frame list.

[0241] Aspect 18. The method of Aspect 11, wherein the respective camera poses represent rotation and motion of a camera configured to capture the current frame and the plurality of reference frames.

[0242] Aspect 19. The method of Aspect 11, wherein determining a respective camera pose for each of the plurality of reference frames and the current frame comprises: receiving the respective camera pose for each of the plurality of reference frames and the current frame from an inertial measurement unit (IMU) sensor.

[0243] Aspect 20. A non-transitory computer-readable medium storing instructions that, when executed, cause one or more processors of a device configured to encode video data to:determine a plurality of reference frames for a current block of a current frame; determine a respective camera pose for each of the plurality of reference frames and the current frame; determine a subset of the plurality of reference frames based at least in part on the respective camera poses; and perform inter-prediction on the current block using the subset of the plurality of reference frames.

[0244] It is to be recognized that depending on the example, certain acts or events of any of the techniques described herein can be performed in a different sequence, may be added, merged, or left out altogether (e.g., not all described acts or events are necessary for the practice of the techniques) . Moreover, in certain examples, acts or events may be performed concurrently, e.g., through multi-threaded processing, interrupt processing, or multiple processors, rather than sequentially.

[0245] In one or more examples, the functions described may be implemented in hardware, software, firmware, or any combination thereof. If implemented in software, the functions may be stored on or transmitted over as one or more instructions or code on a computer-readable medium and executed by a hardware-based processing unit. Computer-readable media may include computer-readable storage media, which corresponds to a tangible medium such as data storage media, or communication media including any medium that facilitates transfer of a computer program from one place to another, e.g., according to a communication protocol. In this manner, computer-readable media generally may correspond to (1) tangible computer-readable storage media which is non-transitory or (2) a communication medium such as a signal or carrier wave. Data storage media may be any available media that can be accessed by one or more computers or one or more processors to retrieve instructions, code and / or data structures for implementation of the techniques described in this disclosure. A computer program product may include a computer-readable medium.

[0246] By way of example, and not limitation, such computer-readable storage media may include one or more of RAM, ROM, EEPROM, CD-ROM or other optical disk storage, magnetic disk storage, or other magnetic storage devices, flash memory, or any other medium that can be used to store desired program code in the form of instructions or data structures and that can be accessed by a computer. Also, any connection is properly termed a computer-readable medium. For example, if instructions are transmitted from a website, server, or other remote source using a coaxial cable, fiber optic cable, twisted pair, digital subscriber line (DSL) , or wireless technologies such as infrared, radio, and microwave, then the coaxial cable, fiber optic cable, twisted pair, DSL, or wireless technologies such as infrared, radio, and microwave are included in the definition of medium. It should be understood, however, that computer-readable storage media and data storage media do not include connections, carrier waves, signals, or other transitory media, but are instead directed to non-transitory, tangible storage media. Disk and disc, as used herein, includes compact disc (CD) , laser disc, optical disc, digital versatile disc (DVD) , floppy disk and Blu-ray disc, where disks usually reproduce data magnetically, while discs reproduce data optically with lasers. Combinations of the above should also be included within the scope of computer-readable media.

[0247] Instructions may be executed by one or more processors, such as one or more DSPs, general purpose microprocessors, ASICs, FPGAs, or other equivalent integrated or discrete logic circuitry. Accordingly, the terms “processor” and “processing circuitry, ” as used herein may refer to any of the foregoing structures or any other structure suitable for implementation of the techniques described herein. In addition, in some aspects, the functionality described herein may be provided within dedicated hardware and / or software modules configured for encoding and decoding, or incorporated in a combined codec. Also, the techniques could be fully implemented in one or more circuits or logic elements.

[0248] The techniques of this disclosure may be implemented in a wide variety of devices or apparatuses, including a wireless handset, an integrated circuit (IC) or a set of ICs (e.g., a chip set) . Various components, modules, or units are described in this disclosure to emphasize functional aspects of devices configured to perform the disclosed techniques, but do not necessarily require realization by different hardware units. Rather, as described above, various units may be combined in a codec hardware unit or provided by a collection of interoperative hardware units, including one or more processors as described above, in conjunction with suitable software and / or firmware.

[0249] Various examples have been described. These and other examples are within the scope of the following claims.

Claims

1.An apparatus for encoding video data, the apparatus comprising:at least one memory; andprocessing circuitry in communication with the at least one memory, the processing circuitry configured to:determine a plurality of reference frames for a current block of a current frame;determine a respective camera pose for each of the plurality of reference frames and the current frame;determine a subset of the plurality of reference frames based at least in part on the respective camera poses; andperform inter-prediction on the current block using the subset of the plurality of reference frames.2.The apparatus of claim 1, wherein the plurality of reference frames include a first plurality of reference frames in a first reference frame list and a second plurality of reference frames in a second reference frame list, and wherein to determine the subset of the plurality of reference frames based at least in part on the respective camera poses, the processing circuitry is further configured to:determine a first reference frame in the first reference frame list that has a maximum temporal correlation with the current frame based on the respective camera poses;add the first reference frame to a first reduced reference frame list;determine a second reference frame in the second reference frame list that has the maximum temporal correlation with the current frame based on the respective camera poses; andadd the second reference frame to a second reduced reference frame list.3.The apparatus of claim 2,wherein to determine the first reference frame in the first reference frame list that has the maximum temporal correlation with the current frame based on the respective camera poses, the processing circuitry is configured to:determine, for each reference frame in the first reference frame list, a first respective rotation amplitude between the respective camera pose of each reference frame and the respective camera pose of the current frame; anddetermine the first reference frame to be the reference frame in the first reference frame list that is associated with a smallest first respective rotation amplitude; andwherein to determine the second reference frame in the second reference frame list that has the maximum temporal correlation with the current frame based on the respective camera poses, the processing circuitry is configured to:determine, for each reference frame in the second reference frame list, a second respective rotation amplitude between the respective camera pose of each reference frame and the respective camera pose of the current frame; anddetermine the second reference frame to be the reference frame in the second reference frame list that is associated with the smallest second respective rotation amplitude.4.The apparatus of claim 3, wherein the respective camera poses are represented as a quaternion.5.The apparatus of claim 2, wherein the processing circuitry is further configured to:determine a third reference frame from the first reference frame list that has a maximum spatial correlation with the current block;add the third reference frame to the first reduced reference frame list;determine a fourth reference frame from the second reference frame list that has the maximum spatial correlation with the current block; andadd the fourth reference frame to the second reduced reference frame list.6.The apparatus of claim 5, wherein the current block is a largest coding unit, and wherein the processing circuitry is configured to split the largest coding unit into first coding units having a split depth of 1, andwherein to determine the third reference frame from the first reference frame list that has the maximum spatial correlation with the current block, the processing circuitry is further configured to:determine, for the first coding units, a first respective rate-distortion cost for each reference frame in the first reference frame list; anddetermine the third reference frame to be the reference frame associated with a smallest first respective rate-distortion cost; andwherein to determine the fourth reference frame from the second reference frame list that has the maximum spatial correlation with the current block, the processing circuitry is further configured to:determine, for the first coding units, a second respective rate-distortion cost for each reference frame in the first reference frame list; anddetermine the third reference frame to be the reference frame associated with a smallest second respective rate-distortion cost.7.The apparatus of claim 6, wherein to perform inter-prediction on the current block using the subset of the plurality of reference frames, the processing circuitry is further configured to:perform inter-prediction on the first coding units of the current block at the split depth of 1 using the first reference frame list and the second reference frame list; andperform inter-prediction on one or more second coding units of the current block, the second coding unit having a split depth of 2 or greater, using the first reduced reference frame list and the second reduced reference frame list.8.The apparatus of claim 1, wherein the respective camera poses represent rotation and motion of the apparatus.9.The apparatus of claim 1, wherein to determine a respective camera pose for each of the plurality of reference frames and the current frame, the processing circuitry is configured to:receive the respective camera pose for each of the plurality of reference frames and the current frame from an inertial measurement unit (IMU) sensor.10.The apparatus of claim 9, wherein the apparatus is a mobile communications device, and wherein the apparatus further comprises:a camera configured to capture the current frame and the plurality of reference frames; andthe IMU sensor.11.A method of encoding video data, the method comprising:determining a plurality of reference frames for a current block of a current frame;determining a respective camera pose for each of the plurality of reference frames and the current frame;determining a subset of the plurality of reference frames based at least in part on the respective camera poses; andperforming inter-prediction on the current block using the subset of the plurality of reference frames.12.The method of claim 11, wherein the plurality of reference frames include a first plurality of reference frames in a first reference frame list and a second plurality of reference frames in a second reference frame list, and wherein determining the subset of the plurality of reference frames based at least in part on the respective camera poses comprises:determining a first reference frame in the first reference frame list that has a maximum temporal correlation with the current frame based on the respective camera poses;adding the first reference frame to a first reduced reference frame list;determining a second reference frame in the second reference frame list that has the maximum temporal correlation with the current frame based on the respective camera poses; andadding the second reference frame to a second reduced reference frame list.13.The method of claim 12,wherein determining the first reference frame in the first reference frame list that has the maximum temporal correlation with the current frame based on the respective camera poses comprises:determining, for each reference frame in the first reference frame list, a first respective rotation amplitude between the respective camera pose of each reference frame and the respective camera pose of the current frame; anddetermining the first reference frame to be the reference frame in the first reference frame list that is associated with a smallest first respective rotation amplitude; andwherein determining the second reference frame in the second reference frame list that has the maximum temporal correlation with the current frame based on the respective camera poses comprises:determining, for each reference frame in the second reference frame list, a second respective rotation amplitude between the respective camera pose of each reference frame and the respective camera pose of the current frame; anddetermining the second reference frame to be the reference frame in the second reference frame list that is associated with the smallest second respective rotation amplitude.14.The method of claim 13, wherein the respective camera poses are represented as a quaternion.15.The method of claim 12, further comprising:determining a third reference frame from the first reference frame list that has a maximum spatial correlation with the current block;adding the third reference frame to the first reduced reference frame list;determining a fourth reference frame from the second reference frame list that has the maximum spatial correlation with the current block; andadding the fourth reference frame to the second reduced reference frame list.16.The method of claim 15, wherein the current block is a largest coding unit, and wherein the method further comprises splitting the largest coding unit into first coding units having a split depth of 1, andwherein determining the third reference frame from the first reference frame list that has the maximum spatial correlation with the current block comprises:determining, for the first coding units, a first respective rate-distortion cost for each reference frame in the first reference frame list; anddetermining the third reference frame to be the reference frame associated with a smallest first respective rate-distortion cost; andwherein determining the fourth reference frame from the second reference frame list that has the maximum spatial correlation with the current block comprises:determining, for the first coding units, a second respective rate-distortion cost for each reference frame in the first reference frame list; anddetermining the third reference frame to be the reference frame associated with a smallest second respective rate-distortion cost.17.The method of claim 16, wherein performing inter-prediction on the current block using the subset of the plurality of reference frames comprises:performing inter-prediction on the first coding units of the current block at the split depth of 1 using the first reference frame list and the second reference frame list; andperforming inter-prediction on one or more second coding units of the current block, the second coding unit having a split depth of 2 or greater, using the first reduced reference frame list and the second reduced reference frame list.18.The method of claim 11, wherein the respective camera poses represent rotation and motion of a camera configured to capture the current frame and the plurality of reference frames.19.The method of claim 11, wherein determining a respective camera pose for each of the plurality of reference frames and the current frame comprises:receiving the respective camera pose for each of the plurality of reference frames and the current frame from an inertial measurement unit (IMU) sensor.20.A non-transitory computer-readable medium storing instructions that, when executed, cause one or more processors of a device configured to encode video data to:determine a plurality of reference frames for a current block of a current frame;determine a respective camera pose for each of the plurality of reference frames and the current frame;determine a subset of the plurality of reference frames based at least in part on the respective camera poses; andperform inter-prediction on the current block using the subset of the plurality of reference frames.

Images