KR20190090867A - Intra prediction mode based image processing method and apparatus therefor - Google Patents

Abstract

Translated fromKorean

본 발명에서는 인트라 예측 모드 기반 영상 처리 방법 및 이를 위한 장치가 개시된다. 구체적으로, 인트라 예측(intra prediction) 모드 기반으로 영상을 복호화하는 방법에 있어서, 이진 트리(binary tree) 구조를 가지는 결정 트리(decision tree)에서 각 노드에 저장된 분할 함수(split function)를 이용하여 자식 노드(child node)를 선택하는 과정을 루트 노드(root node)로부터 순차적으로 수행함으로써, 리프 노드(leaf node)를 탐색하는 단계; 상기 리프 노드와 하나 이상의 인트라 예측 모드가 매핑되는 클래스(class)를 선택하는 단계; 상기 클래스를 이용하여 현재 블록의 인트라 예측 모드를 도출하는 단계; 및 상기 인트라 예측 모드에 기반하여 상기 현재 블록의 예측 샘플을 생성하는 단계를 포함하고, 상기 분할 함수는 분할 파라미터(split parameter)로 구성되고, 상기 현재 블록에 이웃하는 참조 샘플을 입력으로 하여, 좌측 자식 노드(left child node) 또는 우측 자식 노드(right child node)에 대응되는 값을 출력할 수 있다.In the present invention, an intra prediction mode based image processing method and apparatus therefor are disclosed. Specifically, in a method of decoding an image based on an intra prediction mode, a child using a split function stored in each node in a decision tree having a binary tree structure Searching for leaf nodes by sequentially performing a process of selecting a child node from a root node; Selecting a class to which the leaf node and at least one intra prediction mode are mapped; Deriving an intra prediction mode of the current block using the class; And generating a predictive sample of the current block based on the intra prediction mode, wherein the splitting function is composed of a split parameter and receives a reference sample neighboring the current block as an input. A value corresponding to a left child node or a right child node may be output.

Description

Translated fromKorean

인트라 예측 모드 기반 영상 처리 방법 및 이를 위한 장치Intra prediction mode based image processing method and apparatus therefor

본 발명은 정지 영상 또는 동영상 처리 방법에 관한 것으로서, 보다 상세하게 인트라 예측 모드(intra prediction mode) 기반으로 정지 영상 또는 동영상을 인코딩/디코딩하는 방법 및 이를 지원하는 장치에 관한 것이다.The present invention relates to a still image or moving image processing method, and more particularly, to a method for encoding / decoding a still image or moving image based on an intra prediction mode and an apparatus supporting the same.

압축 부호화란 디지털화한 정보를 통신 회선을 통해 전송하거나, 저장 매체에 적합한 형태로 저장하기 위한 일련의 신호 처리 기술을 의미한다. 영상, 이미지, 음성 등의 미디어가 압축 부호화의 대상이 될 수 있으며, 특히 영상을 대상으로 압축 부호화를 수행하는 기술을 비디오 영상 압축이라고 일컫는다.Compression coding refers to a series of signal processing techniques for transmitting digitized information through a communication line or for storing in a form suitable for a storage medium. Media such as an image, an image, an audio, and the like may be a target of compression encoding. In particular, a technique of performing compression encoding on an image is called video image compression.

차세대 비디오 컨텐츠는 고해상도(high spatial resolution), 고프레임율(high frame rate) 및 영상 표현의 고차원화(high dimensionality of scene representation)라는 특징을 갖게 될 것이다. 그러한 컨텐츠를 처리하기 위해서는 메모리 저장(memory storage), 메모리 액세스율(memory access rate) 및 처리 전력(processing power) 측면에서 엄청난 증가를 가져올 것이다.Next-generation video content will be characterized by high spatial resolution, high frame rate and high dimensionality of scene representation. Processing such content would result in a tremendous increase in terms of memory storage, memory access rate, and processing power.

따라서, 차세대 비디오 컨텐츠를 보다 효율적으로 처리하기 위한 코딩 툴을 디자인할 필요가 있다.Accordingly, there is a need to design coding tools for more efficiently processing next generation video content.

본 발명의 목적은 머신 러닝(machine learning) 기술 중 하나인 랜덤 포레스트(Random Forest) 방법을 사용하여 화면 내 예측 모드의 시그널링을 최적화하여 부호화/복호화하는 방법을 제안한다.An object of the present invention is to propose a method of encoding / decoding by optimizing signaling of intra prediction mode using a random forest method, which is one of machine learning techniques.

또한, 본 발명의 목적은 화면 내 예측 모드의 시그널링 없이 랜덤 포레스트를 이용하여 화면 내 예측 모드를 도출하는 방법을 제안한다.Another object of the present invention is to propose a method of deriving an intra prediction mode using a random forest without signaling the intra prediction mode.

또한, 본 발명의 목적은 복수 개의 화면 내 예측 모드를 하나의 클래스로 구성하고, 랜덤 포레스트를 이용하여 클래스를 추정하는 방법을 제안한다.In addition, an object of the present invention is to propose a method for configuring a plurality of intra prediction modes into one class and estimating the class using a random forest.

본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.It is to be understood that both the foregoing general description and the following detailed description are exemplary and explanatory and are not restrictive of the invention, unless further departing from the spirit and scope of the invention as defined by the appended claims. It will be possible.

본 발명의 일 양상은, 인트라 예측(intra prediction) 모드 기반으로 영상을 복호화하는 방법에 있어서, 이진 트리(binary tree) 구조를 가지는 결정 트리(decision tree)에서 각 노드에 저장된 분할 함수(split function)를 이용하여 자식 노드(child node)를 선택하는 과정을 루트 노드(root node)로부터 순차적으로 수행함으로써, 리프 노드(leaf node)를 탐색하는 단계; 상기 리프 노드와 하나 이상의 인트라 예측 모드가 매핑되는 클래스(class)를 선택하는 단계; 상기 클래스를 이용하여 현재 블록의 인트라 예측 모드를 도출하는 단계; 및 상기 인트라 예측 모드에 기반하여 상기 현재 블록의 예측 샘플을 생성하는 단계를 포함하고, 상기 분할 함수는 분할 파라미터(split parameter)로 구성되고, 상기 현재 블록에 이웃하는 참조 샘플을 입력으로 하여, 좌측 자식 노드(left child node) 또는 우측 자식 노드(right child node)에 대응되는 값을 출력할 수 있다.An aspect of the present invention provides a method of decoding an image based on an intra prediction mode, comprising: a split function stored in each node in a decision tree having a binary tree structure Searching for a leaf node by sequentially performing a process of selecting a child node from a root node using; Selecting a class to which the leaf node and at least one intra prediction mode are mapped; Deriving an intra prediction mode of the current block using the class; And generating a predictive sample of the current block based on the intra prediction mode, wherein the splitting function is composed of a split parameter and receives a reference sample neighboring the current block as an input. A value corresponding to a left child node or a right child node may be output.

본 발명의 일 양상은, 인트라 예측(intra prediction) 모드 기반으로 영상을 복호화하는 장치에 있어서, 이진 트리(binary tree) 구조를 가지는 결정 트리(decision tree)에서 각 노드에 저장된 분할 함수(split function)를 이용하여 자식 노드(child node)를 선택하는 과정을 루트 노드(root node)로부터 순차적으로 수행함으로써, 리프 노드(leaf node)를 탐색하는 리프 노드 탐색부; 상기 리프 노드와 하나 이상의 인트라 예측 모드가 매핑되는 클래스(class)를 선택하는 클래스 선택부; 상기 클래스를 이용하여 현재 블록의 인트라 예측 모드를 도출하는 예측 모드 도출부; 및 상기 인트라 예측 모드에 기반하여 상기 현재 블록의 예측 샘플을 생성하는 예측 샘플 생성부를 포함하고, 상기 분할 함수는 분할 파라미터(split parameter)로 구성되고, 상기 현재 블록에 이웃하는 참조 샘플을 입력으로 하여, 좌측 자식 노드(left child node) 또는 우측 자식 노드(right child node)에 대응되는 값을 출력할 수 있다.An aspect of the present invention is an apparatus for decoding an image based on an intra prediction mode, comprising: a split function stored in each node in a decision tree having a binary tree structure A leaf node search unit for searching for a leaf node by sequentially performing a process of selecting a child node from a root node using a root node; A class selector configured to select a class to which the leaf node and at least one intra prediction mode are mapped; A prediction mode derivation unit for deriving an intra prediction mode of the current block by using the class; And a prediction sample generator configured to generate a prediction sample of the current block based on the intra prediction mode, wherein the splitting function includes a split parameter and receives a reference sample neighboring the current block as an input. A value corresponding to a left child node or a right child node may be output.

바람직하게, 상기 분할 파라미터는 상기 결정 트리의 각 노드에서 좌측 자식 노드 또는 우측 자식 노드로 분할하였을 때 계산되는 불확실성의 감소를 최대화하는 방향으로 학습될 수 있다.Preferably, the partitioning parameter may be learned in a direction that maximizes the reduction in uncertainty calculated when the node is split into a left child node or a right child node at each node of the decision tree.

바람직하게, 복수 개의 결정 트리로 구성된 랜덤 포레스트(random forest)에서 각 결정 트리의 리프 노드를 탐색하여 복수 개의 클래스가 선택되는 경우, 상기 복수 개의 클래스 중에서 가장 많이 선택되는 클래스를 상기 랜덤 포레스트의 클래스로 결정하는 단계를 더 포함하고, 상기 현재 블록의 인트라 예측 모드는 상기 랜덤 포레스트의 클래스를 이용하여 도출될 수 있다.Preferably, when a plurality of classes are selected by searching for leaf nodes of each decision tree in a random forest composed of a plurality of decision trees, the most selected class among the plurality of classes is defined as a class of the random forest. The method may further include determining, and an intra prediction mode of the current block may be derived using a class of the random forest.

바람직하게, 상기 분할 파라미터는 상기 현재 블록에 이웃하는 참조 샘플 중 2개의 참조 샘플을 이용하여 결정될 수 있다.Preferably, the partitioning parameter may be determined using two reference samples of reference samples neighboring the current block.

바람직하게, 상기 현재 블록의 예측 샘플을 생성하기 위해 다중 참조 샘플 라인을 참조하는 경우, 상기 분할 파라미터는 상기 다중 참조 샘플 라인 중에서 복수 개의 참조 샘플을 이용하여 결정될 수 있다.Preferably, when referring to multiple reference sample lines to generate a predictive sample of the current block, the splitting parameter may be determined using a plurality of reference samples among the multiple reference sample lines.

바람직하게, 상기 현재 블록의 예측 샘플을 생성하기 위해 다중 참조 샘플 라인을 참조하는 경우, 상기 분할 파라미터는 상기 다중 참조 샘플 라인 중 상기 현재 블록에 인접한 2개의 참조 샘플 라인의 복수 개의 참조 샘플을 이용하여 결정될 수 있다.Preferably, when referring to a multi-reference sample line to generate a predictive sample of the current block, the splitting parameter may be obtained by using a plurality of reference samples of two reference sample lines adjacent to the current block among the multi-reference sample lines. Can be determined.

바람직하게, 상기 현재 블록의 예측 샘플을 생성하기 위해 다중 참조 샘플 라인을 참조하는 경우, 상기 분할 파라미터는 상기 다중 참조 샘플 라인의 특정 참조 샘플의 샘플값과 수평 방향으로 상기 특정 참조 샘플의 우측에 인접한 참조 샘플의 샘플값과의 차이값과, 상기 특정 참조 샘플의 샘플값과 수직 방향으로 상기 특정 참조 샘플의 하단에 인접한 참조 샘플의 샘플값과의 차이값을 이용하여 결정될 수 있다.Preferably, when referring to a multi-reference sample line to generate a prediction sample of the current block, the splitting parameter is adjacent to the right side of the specific reference sample in a horizontal direction with the sample value of the specific reference sample of the multi-reference sample line. The difference value between the sample value of the reference sample and the sample value of the reference sample adjacent to the lower end of the specific reference sample in the vertical direction with the sample value of the specific reference sample may be determined.

바람직하게, 상기 현재 블록의 예측 샘플을 생성하기 위해 다중 참조 샘플 라인을 참조하는 경우, 상기 분할 파라미터는 상기 다중 참조 샘플 라인의 각 참조 샘플의 샘플값과 특정 각도 방향으로 인접한 참조 샘플의 샘플값과의 차이값의 합을 이용하여 결정될 수 있다.Preferably, when referring to a multi-reference sample line to generate a prediction sample of the current block, the splitting parameter is equal to the sample value of each reference sample of the multi-reference sample line and the sample value of adjacent reference samples in a specific angular direction. It can be determined using the sum of difference values of.

바람직하게, 상기 클래스에 복수 개의 인트라 예측 모드가 매핑되는 경우, 상기 클래스 내에서 상기 현재 블록의 인트라 예측 모드를 지시하는 인덱스(index) 정보를 복호화하는 단계를 더 포함하고, 상기 현재 블록의 인트라 예측 모드는 상기 클래스 및 상기 인덱스 정보를 이용하여 도출될 수 있다.Preferably, when a plurality of intra prediction modes are mapped to the class, the method further includes decoding index information indicating an intra prediction mode of the current block in the class, and intra prediction of the current block. The mode may be derived using the class and the index information.

바람직하게, 상기 하나 이상의 인트라 예측 모드가 매핑되는 클래스를 선택하는 단계는, 제 1 결정 트리에서 리프 노드를 탐색하여 상기 현재 블록에 적용될 수 있는 복수 개의 인트라 예측 모드로 구성된 인트라 예측 모드 그룹을 결정하는 단계를 더 포함하고, 상기 인트라 예측 모드 그룹에 따라 정해지는 제 2 결정 트리에서 리프 노드를 탐색하여 상기 인트라 예측 모드 그룹 내에서 하나 이상의 인트라 예측 모드가 매핑되는 클래스를 선택할 수 있다.Preferably, selecting a class to which the one or more intra prediction modes are mapped comprises: searching for leaf nodes in a first decision tree to determine an intra prediction mode group consisting of a plurality of intra prediction modes that can be applied to the current block. The method may further include searching for a leaf node in a second decision tree determined according to the intra prediction mode group, and selecting a class to which one or more intra prediction modes are mapped in the intra prediction mode group.

본 발명의 일 양상은, 인트라 예측(intra prediction) 모드 기반으로 영상을 부호화하는 방법에 있어서, 이진 트리(binary tree) 구조를 가지는 결정 트리(decision tree)에서 각 노드에 저장된 분할 함수(split function)를 이용하여 자식 노드(child node)를 선택하는 과정을 루트 노드(root node)로부터 순차적으로 수행함으로써, 리프 노드(leaf node)를 탐색하는 단계; 상기 리프 노드와 하나 이상의 인트라 예측 모드가 매핑되는 클래스(class)를 선택하는 단계; 및 상기 클래스를 이용하여 현재 블록의 인트라 예측 모드를 부호화하는 단계를 포함하고, 상기 분할 함수는 분할 파라미터(split parameter)로 구성되고, 상기 현재 블록에 이웃하는 참조 샘플을 입력으로 하여, 좌측 자식 노드(left child node) 또는 우측 자식 노드(right child node)에 대응되는 값을 출력할 수 있다.An aspect of the present invention provides a method of encoding an image based on an intra prediction mode, comprising: a split function stored in each node in a decision tree having a binary tree structure Searching for a leaf node by sequentially performing a process of selecting a child node from a root node using; Selecting a class to which the leaf node and at least one intra prediction mode are mapped; And encoding the intra prediction mode of the current block by using the class, wherein the splitting function is composed of a split parameter and receives a reference sample neighboring the current block as a left child node. A value corresponding to (left child node) or right child node may be output.

바람직하게, 상기 분할 파라미터는 상기 결정 트리의 각 노드에서 좌측 자식 노드 또는 우측 자식 노드로 분할하였을 때 계산되는 불확실성의 감소를 최대화하는 방향으로 학습될 수 있다.Preferably, the partitioning parameter may be learned in a direction that maximizes the reduction in uncertainty calculated when the node is split into a left child node or a right child node at each node of the decision tree.

바람직하게, 상기 분할 파라미터는 상기 현재 블록에 이웃하는 참조 샘플 중에서 1개의 참조 샘플과 상기 현재 블록의 예측 샘플 중에서 1개의 예측 샘플을 이용하여 결정될 수 있다.Preferably, the partitioning parameter may be determined using one reference sample among reference samples neighboring the current block and one prediction sample among prediction samples of the current block.

바람직하게, 상기 분할 파라미터는 상기 현재 블록에 이웃하는 참조 샘플 중에서 하나 이상의 참조 샘플과 상기 현재 블록의 예측 샘플 중에서 하나 이상의 예측 샘플을 이용하여 결정될 수 있다.Preferably, the partitioning parameter may be determined using one or more reference samples among reference samples neighboring the current block and one or more prediction samples among the prediction samples of the current block.

바람직하게, 상기 분할 파라미터는 상기 현재 블록의 예측 샘플 중, 특정 예측 샘플의 샘플값과 수평 방향으로 상기 특정 예측 샘플의 우측에 인접한 예측 샘플의 샘플값간의 차이값과, 상기 특정 예측 샘플의 샘플값과 수직 방향으로 상기 특정 예측 샘플의 하단에 인접한 예측 샘플의 샘플값간의 차이값을 이용하여 결정될 수 있다.Preferably, the splitting parameter is a difference value between a sample value of a specific prediction sample among the prediction samples of the current block and a sample value of a prediction sample adjacent to the right side of the specific prediction sample in a horizontal direction, and a sample value of the specific prediction sample. And a difference value between the sample values of the prediction sample adjacent to the bottom of the specific prediction sample in the vertical direction.

바람직하게, 상기 분할 파라미터는 상기 현재 블록의 각 예측 샘플의 샘플값과 특정 각도 방향으로 인접한 예측 샘플의 샘플값과의 차이값의 합을 이용하여 결정될 수 있다.Preferably, the splitting parameter may be determined using a sum of a difference value between a sample value of each prediction sample of the current block and a sample value of adjacent prediction samples in a specific angular direction.

본 발명의 실시예에 따르면, 랜덤 포레스트 방법을 사용함으로써 화면 내 예측 모드를 표현하기 위해 사용되는 비트 수를 줄일 수 있고, 이를 통해 부호화 효율을 향상시킬 수 있다.According to an embodiment of the present invention, by using the random forest method, the number of bits used to express the intra prediction mode may be reduced, thereby improving coding efficiency.

또한, 본 발명의 실시예에 따르면, 랜덤 포레스트를 통해 결정되는 클래스에 하나의 화면 내 예측 모드를 대응시킴으로써 화면 내 예측 모드를 시그널링하지 않고도 화면 내 예측 모드를 복호화할 수 있고, 이를 통해 화면 내 예측 모드를 표현하기 위해 사용되는 비트를 대폭 절약할 수 있다.In addition, according to an embodiment of the present invention, the intra prediction mode may be decoded without signaling the intra prediction mode by correlating one intra prediction mode to a class determined through the random forest. The bits used to represent the mode can be greatly saved.

또한, 본 발명의 실시예에 따르면, 랜덤 포레스트를 통해 결정되는 클래스에 복수 개의 예측 모드들의 집합을 대응시킴으로써, 화면 내 예측 모드 추정의 정확도를 높일 수 있고, 이를 통해 부호화 효율을 향상시킬 수 있다.In addition, according to an embodiment of the present invention, by matching a set of a plurality of prediction modes to a class determined through a random forest, the accuracy of intra prediction prediction may be increased, thereby improving coding efficiency.

본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The effects obtained in the present invention are not limited to the effects mentioned above, and other effects not mentioned can be clearly understood by those skilled in the art from the following description .

본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 특징을 설명한다.
도 1은 본 발명이 적용되는 실시예로서, 정지 영상 또는 동영상 신호의 인코딩이 수행되는 인코더의 개략적인 블록도를 나타낸다.
도 2는 본 발명이 적용되는 실시예로서, 정지 영상 또는 동영상 신호의 인코딩이 수행되는 디코더의 개략적인 블록도를 나타낸다.
도 3은 본 발명에 적용될 수 있는 코딩 유닛의 분할 구조를 설명하기 위한 도면이다.
도 4는 본 발명에 적용될 수 있는 예측 유닛을 설명하기 위한 도면이다.
도 5는 본 발명이 적용되는 실시예로서, 인트라 예측 방법을 예시하는 도면이다.
도 6은 인트라 예측 모드에 따른 예측 방향을 예시한다.
도 7은 본 발명이 적용되는 실시예로서, 화면 내 예측 모드를 복호화하는 방법을 나타내는 흐름도이다.
도 8은 본 발명이 적용되는 실시예로서, MPM 모드를 결정하는 방법을 설명하기 위한 도면이다.
도 9는 본 발명이 적용되는 실시예로서, 랜덤 포레스트 및 결정 트리를 설명하기 위한 도면이다.
도 10 내지 도 22는 본 발명이 적용되는 실시예로서, 분할 함수를 결정하는 방법을 예시하는 도면이다.
도 23은 본 발명이 적용될 수 있는 실시예로서, 클래스에 복수 개의 화면 내 예측 모드를 매핑하는 방법을 예시하는 도면이다.
도 24는 본 발명의 일 실시예에 따른 랜덤 포레스트에 기반한 계층 구조의 화면 내 예측 모드의 결정 방법을 예시하는 도면이다.
도 25는 본 발명이 적용될 수 있는 실시예로서, 화면 내 예측 모드 별 확률값을 결정하는 방법을 예시하는 도면이다.
도 26은 본 발명의 일 실시예에 따른 인트라 예측 방법을 예시하는 도면이다.
도 27은 본 발명의 일 실시예에 따른 인트라 예측부를 예시하는 도면이다.The accompanying drawings, which are included to provide a further understanding of the invention and are incorporated in and constitute a part of the specification, illustrate embodiments of the invention and, together with the description, serve to explain the technical features of the invention.
1 is a schematic block diagram of an encoder in which encoding of a still image or video signal is performed according to an embodiment to which the present invention is applied.
2 is a schematic block diagram of a decoder in which encoding of a still image or video signal is performed according to an embodiment to which the present invention is applied.
3 is a diagram for describing a partition structure of a coding unit that may be applied to the present invention.
4 is a diagram for explaining a prediction unit applicable to the present invention.
5 is a diagram illustrating an intra prediction method as an embodiment to which the present invention is applied.
6 illustrates a prediction direction according to an intra prediction mode.
7 is a flowchart illustrating a method of decoding an intra prediction mode according to an embodiment to which the present invention is applied.
8 is a diagram for describing a method of determining an MPM mode according to an embodiment to which the present invention is applied.
9 is a diagram for describing a random forest and a decision tree as an embodiment to which the present invention is applied.
10 to 22 are diagrams illustrating a method of determining a division function as an embodiment to which the present invention is applied.
FIG. 23 is a diagram illustrating a method of mapping a plurality of intra prediction modes to a class according to an embodiment to which the present invention may be applied.
24 is a diagram illustrating a method of determining an intra prediction mode of a hierarchical structure based on a random forest according to an embodiment of the present invention.
FIG. 25 is a diagram for describing a method of determining probability values for intra prediction modes according to an embodiment to which the present invention may be applied.
26 is a diagram illustrating an intra prediction method according to an embodiment of the present invention.
27 is a diagram illustrating an intra prediction unit according to an embodiment of the present invention.

이하, 본 발명에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 발명의 예시적인 실시형태를 설명하고자 하는 것이며, 본 발명이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다. 이하의 상세한 설명은 본 발명의 완전한 이해를 제공하기 위해서 구체적 세부사항을 포함한다. 그러나, 당업자는 본 발명이 이러한 구체적 세부사항 없이도 실시될 수 있음을 안다.Hereinafter, preferred embodiments according to the present invention will be described in detail with reference to the accompanying drawings. DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS The following detailed description, together with the accompanying drawings, is intended to illustrate exemplary embodiments of the invention and is not intended to represent the only embodiments in which the invention may be practiced. The following detailed description includes specific details in order to provide a thorough understanding of the present invention. However, those skilled in the art will appreciate that the present invention may be practiced without these specific details.

몇몇 경우, 본 발명의 개념이 모호해지는 것을 피하기 위하여 공지의 구조 및 장치는 생략되거나, 각 구조 및 장치의 핵심기능을 중심으로 한 블록도 형식으로 도시될 수 있다.In some instances, well-known structures and devices may be omitted or may be shown in block diagram form, centering on the core functionality of each structure and device, to avoid obscuring the concepts of the present invention.

아울러, 본 발명에서 사용되는 용어는 가능한 한 현재 널리 사용되는 일반적인 용어를 선택하였으나, 특정한 경우는 출원인이 임의로 선정한 용어를 사용하여 설명한다. 그러한 경우에는 해당 부분의 상세 설명에서 그 의미를 명확히 기재하므로, 본 발명의 설명에서 사용된 용어의 명칭만으로 단순 해석되어서는 안 될 것이며 그 해당 용어의 의미까지 파악하여 해석되어야 함을 밝혀두고자 한다.In addition, the terminology used in the present invention was selected as a general term widely used as possible now, in a specific case will be described using terms arbitrarily selected by the applicant. In such a case, the meaning is clearly stated in the detailed description of the relevant part, so it should be understood that the name of the term used in the description of the present invention should not be simply interpreted and that the meaning of the corresponding term should be understood and interpreted .

이하의 설명에서 사용되는 특정 용어들은 본 발명의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 본 발명의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다. 예를 들어, 신호, 데이터, 샘플, 픽쳐, 프레임, 블록 등의 경우 각 코딩 과정에서 적절하게 대체되어 해석될 수 있을 것이다.The specific terminology used in the following description is provided to aid understanding of the present invention, and the use of such specific terminology may be changed into other forms without departing from the technical idea of the present invention. For example, signals, data, samples, pictures, frames, blocks, etc. may be appropriately replaced and interpreted in each coding process.

이하 본 명세서에서 '처리 유닛'은 예측, 변환 및/또는 양자화 등과 같은 인코딩/디코딩의 처리 과정이 수행되는 단위를 의미한다. 이하, 설명의 편의를 위해 처리 유닛은 '처리 블록' 또는 '블록'으로 지칭될 수도 있다.Hereinafter, in the present specification, the 'processing unit' refers to a unit in which a process of encoding / decoding such as prediction, transformation, and / or quantization is performed. Hereinafter, for convenience of description, the processing unit may be referred to as a 'processing block' or 'block'.

처리 유닛은 휘도(luma) 성분에 대한 단위와 색차(chroma) 성분에 대한 단위를 포함하는 의미로 해석될 수 있다. 예를 들어, 처리 유닛은 코딩 트리 유닛(CTU: Coding Tree Unit), 코딩 유닛(CU: Coding Unit), 예측 유닛(PU: Prediction Unit) 또는 변환 유닛(TU: Transform Unit)에 해당될 수 있다.The processing unit may be interpreted to include a unit for the luma component and a unit for the chroma component. For example, the processing unit may correspond to a Coding Tree Unit (CTU), a Coding Unit (CU), a Prediction Unit (PU), or a Transform Unit (TU).

또한, 처리 유닛은 휘도(luma) 성분에 대한 단위 또는 색차(chroma) 성분에 대한 단위로 해석될 수 있다. 예를 들어, 처리 유닛은 휘도(luma) 성분에 대한 코딩 트리 블록(CTB: Coding Tree Block), 코딩 블록(CB: Coding Block), 예측 블록(PU: Prediction Block) 또는 변환 블록(TB: Transform Block)에 해당될 수 있다. 또는, 색차(chroma) 성분에 대한 코딩 트리 블록(CTB), 코딩 블록(CB), 예측 블록(PU) 또는 변환 블록(TB)에 해당될 수 있다. 또한, 이에 한정되는 것은 아니며 처리 유닛은 휘도(luma) 성분에 대한 단위와 색차(chroma) 성분에 대한 단위를 포함하는 의미로 해석될 수도 있다.In addition, the processing unit may be interpreted as a unit for a luma component or a unit for a chroma component. For example, the processing unit may be a coding tree block (CTB), a coding block (CB), a prediction block (PU), or a transform block (TB) for a luma component. May correspond to. Or, it may correspond to a coding tree block (CTB), a coding block (CB), a prediction block (PU), or a transform block (TB) for a chroma component. In addition, the present invention is not limited thereto, and the processing unit may be interpreted to include a unit for a luma component and a unit for a chroma component.

또한, 처리 유닛은 반드시 정사각형의 블록으로 한정되는 것은 아니며, 3개 이상의 꼭지점을 가지는 다각형 형태로 구성될 수도 있다.In addition, the processing unit is not necessarily limited to square blocks, but may also be configured in a polygonal form having three or more vertices.

또한, 이하 본 명세서에서 픽셀 또는 화소 등을 샘플로 통칭한다. 그리고, 샘플을 이용한다는 것은 픽셀 값 또는 화소 값 등을 이용한다는 것을 의미할 수 있다.In the following specification, a pixel, a pixel, and the like are referred to collectively as a sample. In addition, using a sample may mean using a pixel value or a pixel value.

도 1은 본 발명이 적용되는 실시예로서, 정지 영상 또는 동영상 신호의 인코딩이 수행되는 인코더의 개략적인 블록도를 나타낸다.1 is a schematic block diagram of an encoder in which encoding of a still image or video signal is performed according to an embodiment to which the present invention is applied.

도 1을 참조하면, 인코더(100)는 영상 분할부(110), 감산기(115), 변환부(120), 양자화부(130), 역양자화부(140), 역변환부(150), 필터링부(160), 복호 픽쳐 버퍼(DPB: Decoded Picture Buffer)(170), 예측부(180) 및 엔트로피 인코딩부(190)를 포함하여 구성될 수 있다. 그리고, 예측부(180)는 인터 예측부(181), 인트라 예측부(182)을 포함하여 구성될 수 있다.Referring to FIG. 1, the encoder 100 may include animage divider 110, asubtractor 115, atransform unit 120, aquantizer 130, aninverse quantizer 140, aninverse transform unit 150, and a filtering unit. 160, a decoded picture buffer (DPB) 170, a predictor 180, and an entropy encoder 190. The predictor 180 may include aninter predictor 181 and an intra predictor 182.

영상 분할부(110)는 인코더(100)에 입력된 입력 영상 신호(Input video signal)(또는, 픽쳐, 프레임)를 하나 이상의 처리 유닛으로 분할한다.Theimage divider 110 divides an input video signal (or a picture or a frame) input to the encoder 100 into one or more processing units.

감산기(115)는 입력 영상 신호에서 예측부(180)로부터(즉, 인터 예측부(181) 또는 인트라 예측부(182))로부터 출력된 예측 신호(prediction signal)(또는 예측 블록)를 감산하여 차분 신호(residual signal)(또는 차분 블록)를 생성한다. 생성된 차분 신호(또는 차분 블록)는 변환부(120)로 전송된다.Thesubtractor 115 subtracts the difference from the prediction signal (or prediction block) output from the prediction unit 180 (that is, theinter prediction unit 181 or the intra prediction unit 182) in the input image signal. Generate a residual signal (or difference block). The generated difference signal (or difference block) is transmitted to theconverter 120.

변환부(120)는 차분 신호(또는 차분 블록)에 변환 기법(예를 들어, DCT(Discrete Cosine Transform), DST(Discrete Sine Transform), GBT(Graph-Based Transform), KLT(Karhunen-Loeve transform) 등)을 적용하여 변환 계수(transform coefficient)를 생성한다. 이때, 변환부(120)는 차분 블록에 적용된 예측 모드와 차분 블록의 크기에 따라서 결정된 변환 기법을 이용하여 변환을 수행함으로써 변환 계수들을 생성할 수 있다.Thetransform unit 120 may convert a differential signal (or a differential block) into a transform scheme (for example, Discrete Cosine Transform (DCT), Discrete Sine Transform (DST), Graph-Based Transform (GBT), and Karhunen-Loeve transform (KLT)). Etc.) to generate transform coefficients. In this case, thetransform unit 120 may generate transform coefficients by performing a transform using a transform mode determined according to the prediction mode applied to the difference block and the size of the difference block.

양자화부(130)는 변환 계수를 양자화하여 엔트로피 인코딩부(190)로 전송하고, 엔트로피 인코딩부(190)는 양자화된 신호(quantized signal)를 엔트로피 코딩하여 비트 스트림으로 출력한다.Thequantization unit 130 quantizes the transform coefficients and transmits the transform coefficients to the entropy encoding unit 190, and the entropy encoding unit 190 entropy codes the quantized signals and outputs them as bit streams.

한편, 양자화부(130)로부터 출력된 양자화된 신호(quantized signal)는 예측 신호를 생성하기 위해 이용될 수 있다. 예를 들어, 양자화된 신호(quantized signal)는 루프 내의 역양자화부(140) 및 역변환부(150)를 통해 역양자화 및 역변환을 적용함으로써 차분 신호를 복원할 수 있다. 복원된 차분 신호를 인터 예측부(181) 또는 인트라 예측부(182)로부터 출력된 예측 신호(prediction signal)에 더함으로써 복원 신호(reconstructed signal)가 생성될 수 있다.Meanwhile, the quantized signal output from thequantization unit 130 may be used to generate a prediction signal. For example, the quantized signal may recover the differential signal by applying inverse quantization and inverse transformation through aninverse quantization unit 140 and aninverse transformation unit 150 in a loop. A reconstructed signal may be generated by adding the reconstructed difference signal to a prediction signal output from theinter predictor 181 or the intra predictor 182.

한편, 위와 같은 압축 과정에서 인접한 블록들이 서로 다른 양자화 파라미터에 의해 양자화됨으로써 블록 경계가 보이는 열화가 발생될 수 있다. 이러한 현상을 블록킹 열화(blocking artifacts)라고 하며, 이는 화질을 평가하는 중요한 요소 중의 하나이다. 이러한 열화를 줄이기 위해 필터링 과정을 수행할 수 있다. 이러한 필터링 과정을 통해 블록킹 열화를 제거함과 동시에 현재 픽쳐에 대한 오차를 줄임으로써 화질을 향상시킬 수 있게 된다.Meanwhile, in the compression process as described above, adjacent blocks are quantized by different quantization parameters, thereby causing deterioration of the block boundary. This phenomenon is called blocking artifacts, which is one of the important factors in evaluating image quality. In order to reduce such deterioration, a filtering process may be performed. Through this filtering process, the image quality can be improved by removing the blocking degradation and reducing the error of the current picture.

필터링부(160)는 복원 신호에 필터링을 적용하여 이를 재생 장치로 출력하거나 복호 픽쳐 버퍼(170)에 전송한다. 복호 픽쳐 버퍼(170)에 전송된 필터링된 신호는 인터 예측부(181)에서 참조 픽쳐로 사용될 수 있다. 이처럼, 필터링된 픽쳐를 화면간 예측 모드에서 참조 픽쳐로 이용함으로써 화질 뿐만 아니라 부호화 효율도 향상시킬 수 있다.The filtering unit 160 applies filtering to the reconstruction signal and outputs it to the reproduction apparatus or transmits the decoded picture buffer to thedecoding picture buffer 170. The filtered signal transmitted to the decodedpicture buffer 170 may be used as the reference picture in theinter prediction unit 181. As such, by using the filtered picture as a reference picture in the inter prediction mode, not only image quality but also encoding efficiency may be improved.

복호 픽쳐 버퍼(170)는 필터링된 픽쳐를 인터 예측부(181)에서의 참조 픽쳐으로 사용하기 위해 저장할 수 있다.The decodedpicture buffer 170 may store the filtered picture for use as a reference picture in theinter prediction unit 181.

인터 예측부(181)는 복원 픽쳐(reconstructed picture)를 참조하여 시간적 중복성 및/또는 공간적 중복성을 제거하기 위해 시간적 예측 및/또는 공간적 예측을 수행한다. 여기서, 예측을 수행하기 위해 이용되는 참조 픽쳐는 이전 시간에 부호화/복호화 시 블록 단위로 양자화와 역양자화를 거친 변환된 신호이기 때문에, 블로킹 아티팩트(blocking artifact)나 링잉 아티팩트(ringing artifact)가 존재할 수 있다.Theinter prediction unit 181 performs temporal prediction and / or spatial prediction to remove temporal redundancy and / or spatial redundancy with reference to a reconstructed picture. Here, since the reference picture used to perform the prediction is a transformed signal that has been quantized and dequantized in units of blocks at the time of encoding / decoding in the previous time, blocking artifacts or ringing artifacts may exist. have.

따라서, 인터 예측부(181)는 이러한 신호의 불연속이나 양자화로 인한 성능 저하를 해결하기 위해, 로우패스 필터(lowpass filter)를 적용함으로써 픽셀들 사이의 신호를 서브 픽셀 단위로 보간할 수 있다. 여기서, 서브 픽셀은 보간 필터를 적용하여 생성된 가상의 화소를 의미하고, 정수 픽셀은 복원된 픽쳐에 존재하는 실제 화소를 의미한다. 보간 방법으로는 선형 보간, 양선형 보간(bi-linear interpolation), 위너 필터(wiener filter) 등이 적용될 수 있다.Accordingly, theinter prediction unit 181 may interpolate the signals between pixels in sub-pixel units by applying a lowpass filter to solve performance degradation due to discontinuity or quantization of such signals. Herein, the subpixel refers to a virtual pixel generated by applying an interpolation filter, and the integer pixel refers to an actual pixel existing in the reconstructed picture. As the interpolation method, linear interpolation, bi-linear interpolation, wiener filter, or the like may be applied.

보간 필터는 복원 픽쳐(reconstructed picture)에 적용되어 예측의 정밀도를 향상시킬 수 있다. 예를 들어, 인터 예측부(181)는 정수 픽셀에 보간 필터를 적용하여 보간 픽셀을 생성하고, 보간 픽셀들(interpolated pixels)로 구성된 보간 블록(interpolated block)을 예측 블록(prediction block)으로 사용하여 예측을 수행할 수 있다.The interpolation filter may be applied to a reconstructed picture to improve the precision of prediction. For example, theinter prediction unit 181 generates an interpolation pixel by applying an interpolation filter to integer pixels, and uses an interpolated block composed of interpolated pixels as a prediction block. You can make predictions.

인트라 예측부(182)는 현재 부호화를 진행하려고 하는 블록의 주변에 있는 샘플들을 참조하여 현재 블록을 예측한다. 인트라 예측부(182)는, 인트라 예측을 수행하기 위해 다음과 같은 과정을 수행할 수 있다. 먼저, 예측 신호를 생성하기 위해 필요한 참조 샘플을 준비할 수 있다. 그리고, 준비된 참조 샘플을 이용하여 예측 신호를 생성할 수 있다. 또한, 예측 모드를 부호화하게 된다. 이때, 참조 샘플은 참조 샘플 패딩 및/또는 참조 샘플 필터링을 통해 준비될 수 있다. 참조 샘플은 예측 및 복원 과정을 거쳤기 때문에 양자화 에러가 존재할 수 있다. 따라서, 이러한 에러를 줄이기 위해 인트라 예측에 이용되는 각 예측 모드에 대해 참조 샘플 필터링 과정이 수행될 수 있다.The intra predictor 182 predicts the current block by referring to samples in the vicinity of the block to which the current encoding is to be performed. The intra prediction unit 182 may perform the following process to perform intra prediction. First, reference samples necessary for generating a prediction signal may be prepared. The prediction signal may be generated using the prepared reference sample. In addition, the prediction mode is encoded. In this case, the reference sample may be prepared through reference sample padding and / or reference sample filtering. Since the reference sample has been predicted and reconstructed, there may be a quantization error. Accordingly, the reference sample filtering process may be performed for each prediction mode used for intra prediction to reduce such an error.

인터 예측부(181) 또는 상기 인트라 예측부(182)를 통해 생성된 예측 신호(prediction signal)(또는 예측 블록)는 복원 신호(또는 복원 블록)를 생성하기 위해 이용되거나 차분 신호(또는 차분 블록)를 생성하기 위해 이용될 수 있다.The prediction signal (or prediction block) generated by theinter prediction unit 181 or the intra prediction unit 182 is used to generate a reconstruction signal (or reconstruction block) or a differential signal (or differential block). It can be used to generate.

도 2는 본 발명이 적용되는 실시예로서, 정지 영상 또는 동영상 신호의 인코딩이 수행되는 디코더의 개략적인 블록도를 나타낸다.2 is a schematic block diagram of a decoder in which encoding of a still image or video signal is performed according to an embodiment to which the present invention is applied.

도 2를 참조하면, 디코더(200)는 엔트로피 디코딩부(210), 역양자화부(220), 역변환부(230), 가산기(235), 필터링부(240), 복호 픽쳐 버퍼(DPB: Decoded Picture Buffer Unit)(250), 예측부(260)를 포함하여 구성될 수 있다. 그리고, 예측부(260)는 인터 예측부(261) 및 인트라 예측부(262)를 포함하여 구성될 수 있다.2, thedecoder 200 includes anentropy decoding unit 210, aninverse quantization unit 220, aninverse transform unit 230, anadder 235, afiltering unit 240, and a decoded picture buffer (DPB). Buffer Unit (250), the prediction unit 260 may be configured. The predictor 260 may include aninter predictor 261 and anintra predictor 262.

그리고, 디코더(200)를 통해 출력된 복원 영상 신호(reconstructed video signal)는 재생 장치를 통해 재생될 수 있다.The reconstructed video signal output through thedecoder 200 may be reproduced through the reproducing apparatus.

디코더(200)는 도 1의 인코더(100)로부터 출력된 신호(즉, 비트 스트림)을 수신하고, 수신된 신호는 엔트로피 디코딩부(210)를 통해 엔트로피 디코딩된다.Thedecoder 200 receives a signal (ie, a bit stream) output from the encoder 100 of FIG. 1, and the received signal is entropy decoded through theentropy decoding unit 210.

역양자화부(220)에서는 양자화 스텝 사이즈 정보를 이용하여 엔트로피 디코딩된 신호로부터 변환 계수(transform coefficient)를 획득한다.Theinverse quantization unit 220 obtains a transform coefficient from the entropy decoded signal using the quantization step size information.

역변환부(230)에서는 역변환 기법을 적용하여 변환 계수를 역변환하여 차분 신호(residual signal)(또는 차분 블록)를 획득하게 된다.Theinverse transform unit 230 applies an inverse transform scheme to inverse transform the transform coefficients to obtain a residual signal (or a differential block).

가산기(235)는 획득된 차분 신호(또는 차분 블록)를 예측부(260)(즉, 인터 예측부(261) 또는 인트라 예측부(262))로부터 출력된 예측 신호(prediction signal)(또는 예측 블록)에 더함으로써 복원 신호(reconstructed signal)(또는 복원 블록)가 생성된다.Theadder 235 outputs the obtained difference signal (or difference block) from the prediction unit 260 (that is, the prediction signal (or prediction block) output from theinter prediction unit 261 or the intra prediction unit 262. ) Generates a reconstructed signal (or a reconstruction block).

필터링부(240)는 복원 신호(reconstructed signal)(또는 복원 블록)에 필터링을 적용하여 이를 재생 장치로 출력하거나 복호 픽쳐 버퍼부(250)에 전송한다. 복호 픽쳐 버퍼부(250)에 전송된 필터링된 신호는 인터 예측부(261)에서 참조 픽쳐로 사용될 수 있다.Thefiltering unit 240 applies filtering to the reconstructed signal (or the reconstructed block) and outputs the filtering to the reproduction device or transmits the decoded picture buffer unit 250 to the reproduction device. The filtered signal transmitted to the decoded picture buffer unit 250 may be used as a reference picture in theinter predictor 261.

본 명세서에서, 인코더(100)의 필터링부(160), 인터 예측부(181) 및 인트라 예측부(182)에서 설명된 실시예들은 각각 디코더의 필터링부(240), 인터 예측부(261) 및 인트라 예측부(262)에도 동일하게 적용될 수 있다.In the present specification, the embodiments described by the filtering unit 160, theinter prediction unit 181, and the intra prediction unit 182 of the encoder 100 are respectively thefiltering unit 240, theinter prediction unit 261, and the decoder of the decoder. The same may be applied to theintra predictor 262.

처리 단위 분할 구조Processing unit partition structure

일반적으로 정지 영상 또는 동영상 압축 기술(예를 들어, HEVC)에서는 블록 기반의 영상 압축 방법을 이용한다. 블록 기반의 영상 압축 방법은 영상을 특정 블록 단위로 나누어서 처리하는 방법으로서, 메모리 사용과 연산량을 감소시킬 수 있다.In general, a still image or video compression technique (eg, HEVC) uses a block-based image compression method. The block-based image compression method is a method of processing an image by dividing the image into specific block units, and may reduce memory usage and calculation amount.

도 3은 본 발명에 적용될 수 있는 코딩 유닛의 분할 구조를 설명하기 위한 도면이다.3 is a diagram for describing a partition structure of a coding unit that may be applied to the present invention.

인코더는 하나의 영상(또는 픽쳐)을 사각형 형태의 코딩 트리 유닛(CTU: Coding Tree Unit) 단위로 분할한다. 그리고, 래스터 스캔 순서(raster scan order)에 따라 하나의 CTU 씩 순차적으로 인코딩한다.The encoder splits one image (or picture) into units of a coding tree unit (CTU) in a rectangular shape. In addition, one CTU is sequentially encoded according to a raster scan order.

HEVC에서 CTU의 크기는 64×64, 32×32, 16×16 중 어느 하나로 정해질 수 있다. 인코더는 입력된 영상의 해상도 또는 입력된 영상의 특성 등에 따라 CTU의 크기를 선택하여 사용할 수 있다. CTU은 휘도(luma) 성분에 대한 코딩 트리 블록(CTB: Coding Tree Block)과 이에 대응하는 두 개의 색차(chroma) 성분에 대한 CTB를 포함한다.In HEVC, the size of the CTU may be set to any one of 64 × 64, 32 × 32, and 16 × 16. The encoder may select and use the size of the CTU according to the resolution of the input video or the characteristics of the input video. The CTU includes a coding tree block (CTB) for luma components and a CTB for two chroma components corresponding thereto.

하나의 CTU은 쿼드-트리(Quad-tree) 구조로 분할될 수 있다. 즉, 하나의 CTU은 정사각형 형태를 가지면서 절반의 수평 크기(half horizontal size) 및 절반의 수직 크기(half vertical size)를 가지는 4개의 유닛으로 분할되어 코딩 유닛(CU: Coding Unit)이 생성될 수 있다. 이러한 쿼드-트리 구조의 분할은 재귀적으로 수행될 수 있다. 즉, CU은 하나의 CTU로부터 쿼드-트리 구조로 계층적으로 분할된다.One CTU may be divided into a quad-tree structure. That is, one CTU has a square shape and is divided into four units having a half horizontal size and a half vertical size to generate a coding unit (CU). have. This partitioning of the quad-tree structure can be performed recursively. That is, a CU is hierarchically divided into quad-tree structures from one CTU.

CU은 입력 영상의 처리 과정, 예컨대 인트라(intra)/인터(inter) 예측이 수행되는 코딩의 기본 단위를 의미한다. CU은 휘도(luma) 성분에 대한 코딩 블록(CB: Coding Block)과 이에 대응하는 두 개의 색차(chroma) 성분에 대한 CB를 포함한다. EVC에서 CU의 크기는 64×64, 32×32, 16×16, 8×8 중 어느 하나로 정해질 수 있다.CU refers to a basic unit of coding in which an input image is processed, for example, intra / inter prediction is performed. The CU includes a coding block (CB) for a luma component and a CB for two chroma components corresponding thereto. In EVC, the size of a CU may be set to any one of 64 × 64, 32 × 32, 16 × 16, and 8 × 8.

도 3을 참조하면, 쿼드-트리의 루트 노드(root node)는 CTU와 관련된다. 쿼드-트리는 리프 노드(leaf node)에 도달할 때까지 분할되고, 리프 노드는 CU에 해당한다.Referring to FIG. 3, the root node of the quad-tree is associated with the CTU. The quad-tree is split until it reaches a leaf node, which corresponds to a CU.

보다 구체적으로 살펴보면, CTU는 루트 노드(root node)에 해당되고, 가장 작은 깊이(depth)(즉, depth=0) 값을 가진다. 입력 영상의 특성에 따라 CTU가 분할되지 않을 수도 있으며, 이 경우 CTU은 CU에 해당한다.More specifically, the CTU corresponds to a root node and has a smallest depth (ie, depth = 0). The CTU may not be divided according to the characteristics of the input image. In this case, the CTU corresponds to a CU.

CTU은 쿼드 트리 형태로 분할될 수 있으며, 그 결과 깊이 1(depth=1)인 하위 노드들이 생성된다. 그리고, 1의 깊이를 가지는 하위 노드에서 더 이상 분할되지 않은 노드(즉, 리프 노드)는 CU에 해당한다. 예를 들어, 도 3(b)에서 노드 a, b 및 j에 대응하는 CU(a), CU(b), CU(j)는 CTU에서 한 번 분할되었으며, 1의 깊이를 가진다.The CTU may be divided into quad tree shapes, resulting in lower nodes having a depth of 1 (depth = 1). In addition, a node that is no longer divided (ie, a leaf node) in a lower node having a depth of 1 corresponds to a CU. For example, in FIG. 3 (b), CU (a), CU (b), and CU (j) corresponding to nodes a, b, and j are divided once in the CTU and have a depth of one.

1의 깊이를 가지는 노드 중 적어도 어느 하나는 다시 퀴드 트리 형태로 분할될 수 있으며, 그 결과 깊이 1(즉, depth=2)인 하위 노드들이 생성된다. 그리고, 2의 깊이를 가지는 하위 노드에서 더 이상 분할되지 않은 노드(즉, 리프 노드)는 CU에 해당한다. 예를 들어, 도 3(b)에서 노드 c, h 및 i에 대응하는 CU(c), CU(h), CU(i)는 CTU에서 두 번 분할되었으며, 2의 깊이를 가진다.At least one of the nodes having a depth of 1 may be split into a quad tree again, resulting in lower nodes having a depth of 1 (ie, depth = 2). In addition, a node (ie, a leaf node) that is no longer divided in a lower node having a depth of 2 corresponds to a CU. For example, in FIG. 3 (b), CU (c), CU (h) and CU (i) corresponding to nodes c, h and i are divided twice in the CTU and have a depth of two.

또한, 2의 깊이를 가지는 노드 중 적어도 어느 하나는 다시 쿼드 트리 형태로 분할될 수 있으며, 그 결과 깊이 3(즉, depth=3)인 하위 노드들이 생성된다. 그리고, 3의 깊이를 가지는 하위 노드에서 더 이상 분할되지 않은 노드(즉, 리프 노드)는 CU에 해당한다. 예를 들어, 도 3(b)에서 노드 d, e, f, g에 대응하는 CU(d), CU(e), CU(f), CU(g)는 CTU에서 3번 분할되었으며, 3의 깊이를 가진다.In addition, at least one of the nodes having a depth of 2 may be divided into quad tree shapes, resulting in lower nodes having a depth of 3 (ie, depth = 3). And, a node that is no longer partitioned (ie, a leaf node) in a lower node having a depth of 3 corresponds to a CU. For example, in FIG. 3 (b), CU (d), CU (e), CU (f), and CU (g) corresponding to nodes d, e, f, and g are divided three times in the CTU, Has depth.

인코더에서는 비디오 영상의 특성(예를 들어, 해상도)에 따라서 혹은 부호화의 효율을 고려하여 CU의 최대 크기 또는 최소 크기를 결정할 수 있다. 그리고, 이에 대한 정보 또는 이를 유도할 수 있는 정보가 비트스트림에 포함될 수 있다. 최대 크기를 가지는 CU를 최대 코딩 유닛(LCU: Largest Coding Unit)이라고 지칭하며, 최소 크기를 가지는 CU를 최소 코딩 유닛(SCU: Smallest Coding Unit)이라고 지칭할 수 있다.In the encoder, the maximum size or the minimum size of the CU may be determined according to characteristics (eg, resolution) of the video image or in consideration of encoding efficiency. Information about this or information capable of deriving the information may be included in the bitstream. A CU having a maximum size may be referred to as a largest coding unit (LCU), and a CU having a minimum size may be referred to as a smallest coding unit (SCU).

또한, 트리 구조를 갖는 CU은 미리 정해진 최대 깊이 정보(또는, 최대 레벨 정보)를 가지고 계층적으로 분할될 수 있다. 그리고, 각각의 분할된 CU은 깊이 정보를 가질 수 있다. 깊이 정보는 CU의 분할된 횟수 및/또는 정도를 나타내므로, CU의 크기에 관한 정보를 포함할 수도 있다.In addition, a CU having a tree structure may be hierarchically divided with predetermined maximum depth information (or maximum level information). Each partitioned CU may have depth information. Since the depth information indicates the number and / or degree of division of the CU, the depth information may include information about the size of the CU.

LCU가 쿼드 트리 형태로 분할되므로, LCU의 크기 및 최대 깊이 정보를 이용하면 SCU의 크기를 구할 수 있다. 또는 역으로, SCU의 크기 및 트리의 최대 깊이 정보를 이용하면, LCU의 크기를 구할 수 있다.Since the LCU is divided into quad tree shapes, the size of the SCU can be obtained by using the size and maximum depth information of the LCU. Or conversely, using the size of the SCU and the maximum depth information of the tree, the size of the LCU can be obtained.

하나의 CU에 대하여, 해당 CU이 분할 되는지 여부를 나타내는 정보(예를 들어, 분할 CU 플래그(split_cu_flag))가 디코더에 전달될 수 있다. 이 분할 정보는 SCU을 제외한 모든 CU에 포함되어 있다. 예를 들어, 분할 여부를 나타내는 플래그의 값이 '1'이면 해당 CU은 다시 4개의 CU으로 나누어지고, 분할 여부를 나타내는 플래그의 값이 '0'이면 해당 CU은 더 이상 나누어지지 않고 해당 CU에 대한 처리 과정이 수행될 수 있다.For one CU, information indicating whether the corresponding CU is split (for example, a split CU flag split_cu_flag) may be transmitted to the decoder. This partitioning information is included in all CUs except the SCU. For example, if the flag indicating whether to split or not is '1', the CU is divided into 4 CUs again. If the flag indicating whether to split or not is '0', the CU is not divided further. Processing may be performed.

상술한 바와 같이, CU는 인트라 예측 또는 인터 예측이 수행되는 코딩의 기본 단위이다. HEVC는 입력 영상을 보다 효과적으로 코딩하기 위하여 CU를 예측 유닛(PU: Prediction Unit) 단위로 분할한다.As described above, a CU is a basic unit of coding in which intra prediction or inter prediction is performed. HEVC divides a CU into prediction units (PUs) in order to code an input image more effectively.

PU는 예측 블록을 생성하는 기본 단위로서, 하나의 CU 내에서도 PU 단위로 서로 다르게 예측 블록을 생성할 수 있다. 다만, 하나의 CU 내에 속한 PU들은 인트라 예측과 인터 예측이 혼합되어 사용되지 않으며, 하나의 CU 내에 속한 PU들은 동일한 예측 방법(즉, 인트라 예측 혹은 인터 예측)으로 코딩된다.The PU is a basic unit for generating a prediction block, and may generate different prediction blocks in PU units within one CU. However, PUs belonging to one CU are not mixed with intra prediction and inter prediction, and PUs belonging to one CU are coded by the same prediction method (ie, intra prediction or inter prediction).

PU는 쿼드-트리 구조로 분할되지 않으며, 하나의 CU에서 미리 정해진 형태로 한번 분할된다. 이에 대하여 아래 도면을 참조하여 설명한다.The PU is not divided into quad-tree structures, but is divided once in a predetermined form in one CU. This will be described with reference to the drawings below.

도 4는 본 발명에 적용될 수 있는 예측 유닛을 설명하기 위한 도면이다.4 is a diagram for explaining a prediction unit applicable to the present invention.

PU는 PU가 속하는 CU의 코딩 모드로 인트라 예측 모드가 사용되는지 인터 예측 모드가 사용되는지에 따라 상이하게 분할된다.The PU is divided differently according to whether an intra prediction mode or an inter prediction mode is used as a coding mode of a CU to which the PU belongs.

도 4(a)는 인트라 예측 모드가 사용되는 경우의 PU를 예시하고, 도 4(b)는 인터 예측 모드가 사용되는 경우의 PU를 예시한다.FIG. 4A illustrates a PU when an intra prediction mode is used, and FIG. 4B illustrates a PU when an inter prediction mode is used.

도 4(a)를 참조하면, 하나의 CU의 크기가 2N×2N(N=4,8,16,32)인 경우를 가정하면, 하나의 CU는 2가지 타입(즉, 2N×2N 또는 N×N)으로 분할될 수 있다.Referring to FIG. 4 (a), assuming that a size of one CU is 2N × 2N (N = 4,8,16,32), one CU has two types (ie, 2N × 2N or N). XN).

여기서, 2N×2N 형태의 PU로 분할되는 경우, 하나의 CU 내에 하나의 PU만이 존재하는 것을 의미한다.Here, when divided into 2N × 2N type PU, it means that only one PU exists in one CU.

반면, N×N 형태의 PU로 분할되는 경우, 하나의 CU는 4개의 PU로 분할되고, 각 PU 단위 별로 서로 다른 예측 블록이 생성된다. 다만, 이러한 PU의 분할은 CU의 휘도 성분에 대한 CB의 크기가 최소 크기인 경우(즉, CU가 SCU인 경우)에만 수행될 수 있다.On the other hand, when divided into N × N type PU, one CU is divided into four PUs, and different prediction blocks are generated for each PU unit. However, the division of the PU may be performed only when the size of the CB for the luminance component of the CU is the minimum size (that is, the CU is the SCU).

도 4(b)를 참조하면, 하나의 CU의 크기가 2N×2N(N=4,8,16,32)인 경우를 가정하면, 하나의 CU는 8가지의 PU 타입(즉, 2N×2N, N×N, 2N×N, N×2N, nL×2N, nR×2N, 2N×nU, 2N×nD)으로 분할될 수 있다.Referring to FIG. 4 (b), assuming that a size of one CU is 2N × 2N (N = 4,8,16,32), one CU has 8 PU types (ie, 2N × 2N). , N × N, 2N × N, N × 2N, nL × 2N,nR × 2N, 2N × nU, 2N × nD).

인트라 예측과 유사하게, N×N 형태의 PU 분할은 CU의 휘도 성분에 대한 CB의 크기가 최소 크기인 경우(즉, CU가 SCU인 경우)에만 수행될 수 있다.Similar to intra prediction, PU partitioning in the form of N × N may be performed only when the size of the CB for the luminance component of the CU is the minimum size (that is, the CU is the SCU).

인터 예측에서는 가로 방향으로 분할되는 2N×N 형태 및 세로 방향으로 분할되는 N×2N 형태의 PU 분할을 지원한다.In inter prediction, 2N × N splitting in the horizontal direction and N × 2N splitting in the vertical direction are supported.

또한, 비대칭 움직임 분할(AMP: Asymmetric Motion Partition) 형태인 nL×2N, nR×2N, 2N×nU, 2N×nD 형태의 PU 분할을 지원한다. 여기서, 'n'은 2N의 1/4 값을 의미한다. 다만, AMP는 PU가 속한 CU가 최소 크기의 CU인 경우 사용될 수 없다.In addition, it supports PU partitions of nL × 2N,nR × 2N, 2N × nU, and 2N × nD types, which are Asymmetric Motion Partition (AMP). Here, 'n' means a 1/4 value of 2N. However, AMP cannot be used when the CU to which the PU belongs is a CU of the minimum size.

하나의 CTU 내의 입력 영상을 효율적으로 부호화하기 위해 코딩 유닛(CU), 예측 유닛(PU), 변환 유닛(TU)의 최적의 분할 구조는 아래와 같은 수행 과정을 거쳐 최소 율-왜곡(Rate-Distortion) 값을 기반으로 결정될 수 있다. 예를 들어, 64×64 CTU 내 최적의 CU 분할 과정을 살펴보면, 64×64 크기의 CU에서 8×8 크기의 CU까지의 분할 과정을 거치면서 율-왜곡 비용을 계산할 수 있다. 구체적인 과정은 다음과 같다.In order to efficiently encode an input image within one CTU, an optimal partitioning structure of a coding unit (CU), a prediction unit (PU), and a transformation unit (TU) is subjected to the following process to perform a minimum rate-distortion. It can be determined based on the value. For example, looking at the optimal CU partitioning process in 64 × 64 CTU, rate-distortion cost can be calculated while partitioning from a 64 × 64 CU to an 8 × 8 CU. The specific process is as follows.

1) 64×64 크기의 CU에 대해 인터/인트라 예측, 변환/양자화, 역양자화/역변환 및 엔트로피 인코딩 수행을 통해 최소의 율-왜곡 값을 발생시키는 최적의 PU와 TU의 분할 구조를 결정한다.1) The partition structure of the optimal PU and TU that generates the minimum rate-distortion value is determined by performing inter / intra prediction, transform / quantization, inverse quantization / inverse transform, and entropy encoding for a 64 × 64 CU.

2) 64×64 CU를 32×32 크기의 CU 4개로 분할하고 각 32×32 CU에 대해 최소의 율-왜곡 값을 발생시키는 최적의 PU와 TU의 분할 구조를 결정한다.2) Divide the 64 × 64 CU into four 32 × 32 CUs and determine the optimal PU and TU partitioning structure that generates the minimum rate-distortion value for each 32 × 32 CU.

3) 32×32 CU를 16×16 크기의 CU 4개로 다시 분할하고, 각 16×16 CU에 대해 최소의 율-왜곡 값을 발생시키는 최적의 PU와 TU의 분할 구조를 결정한다.3) The 32 × 32 CU is subdivided into four 16 × 16 CUs, and a partition structure of an optimal PU and TU that generates a minimum rate-distortion value for each 16 × 16 CU is determined.

4) 16×16 CU를 8×8 크기의 CU 4개로 다시 분할하고, 각 8×8 CU에 대해 최소의 율-왜곡 값을 발생시키는 최적의 PU와 TU의 분할 구조를 결정한다.4) Subdivide the 16 × 16 CU into four 8 × 8 CUs and determine the optimal PU and TU partitioning structure that generates the minimum rate-distortion value for each 8 × 8 CU.

5) 위의 3)의 과정에서 산출한 16×16 CU의 율-왜곡 값과 위의 4)의 과정에서 산출한 4개 8×8 CU의 율-왜곡 값의 합을 비교하여 16×16 블록 내에서 최적의 CU의 분할 구조를 결정한다. 이 과정을 나머지 3개의 16×16 CU들에 대해서도 동일하게 수행한다.5) 16 × 16 blocks by comparing the sum of the rate-distortion values of the 16 × 16 CUs calculated in 3) above with the rate-distortion values of the four 8 × 8 CUs calculated in 4) above. Determine the partition structure of the optimal CU within. This process is similarly performed for the remaining three 16 × 16 CUs.

6) 위의 2)의 과정에서 계산된 32×32 CU의 율-왜곡 값과 위의 5)의 과정에서 획득한 4개 16×16 CU의 율-왜곡 값의 합을 비교하여 32×32 블록 내에서 최적의 CU의 분할 구조를 결정한다. 이 과정을 나머지 3개의 32×32 CU들에 대해서도 동일하게 수행한다.6) 32 × 32 block by comparing the sum of the rate-distortion values of the 32 × 32 CUs calculated in 2) above with the rate-distortion values of the four 16 × 16 CUs obtained in 5) above. Determine the partition structure of the optimal CU within. Do this for the remaining three 32x32 CUs.

7) 마지막으로, 위의 1)의 과정에서 계산된 64×64 CU의 율-왜곡 값과 위의 6)의 과정에서 획득한 4개 32×32 CU의 율-왜곡 값의 합을 비교하여 64×64 블록 내에서 최적의 CU의 분할 구조를 결정한다.7) Finally, compare the sum of the rate-distortion values of the 64 × 64 CUs calculated in step 1) with the rate-distortion values of the four 32 × 32 CUs obtained in step 6). The partition structure of the optimal CU is determined within the x64 block.

인트라 예측 모드에서, PU 단위로 예측 모드가 선택되고, 선택된 예측 모드에 대해 실제 TU 단위로 예측과 재구성이 수행된다.In the intra prediction mode, a prediction mode is selected in units of PUs, and prediction and reconstruction are performed in units of actual TUs for the selected prediction mode.

TU는 실제 예측과 재구성이 수행되는 기본 단위를 의미한다. TU는 휘도(luma) 성분에 대한 변환 블록(TB: Transform Block)과 이에 대응하는 두 개의 색차(chroma) 성분에 대한 TB를 포함한다.TU means a basic unit in which actual prediction and reconstruction are performed. The TU includes a transform block (TB) for a luma component and a TB for two chroma components corresponding thereto.

앞서 도 3의 예시에서 하나의 CTU가 쿼드-트리 구조로 분할되어 CU가 생성되는 것과 같이, TU는 코딩하려는 하나의 CU로부터 쿼드-트리 구조로 계층적으로 분할된다.In the example of FIG. 3, as one CTU is divided into quad-tree structures to generate CUs, the TUs are hierarchically divided into quad-tree structures from one CU to be coded.

TU는 쿼드-트리 구조로 분할되므로 CU로부터 분할된 TU는 다시 더 작은 하위 TU로 분할될 수 있다. HEVC에서는 TU의 크기는 32×32, 16×16, 8×8, 4×4 중 어느 하나로 정해질 수 있다.Since the TU is divided into quad-tree structures, the TU divided from the CU can be further divided into smaller lower TUs. In HEVC, the size of the TU may be set to any one of 32 × 32, 16 × 16, 8 × 8, and 4 × 4.

다시 도 3을 참조하면, 쿼드-트리의 루트 노드(root node)는 CU와 관련된다고 가정한다. 쿼드-트리는 리프 노드(leaf node)에 도달할 때까지 분할되고, 리프 노드는 TU에 해당한다.Referring again to FIG. 3, it is assumed that a root node of the quad-tree is associated with a CU. The quad-tree is split until it reaches a leaf node, which corresponds to a TU.

보다 구체적으로 살펴보면, CU는 루트 노드(root node)에 해당되고, 가장 작은 깊이(depth)(즉, depth=0) 값을 가진다. 입력 영상의 특성에 따라 CU가 분할되지 않을 수도 있으며, 이 경우 CU은 TU에 해당한다.In more detail, a CU corresponds to a root node and has a smallest depth (that is, depth = 0). The CU may not be divided according to the characteristics of the input image. In this case, the CU corresponds to a TU.

CU은 쿼드 트리 형태로 분할될 수 있으며, 그 결과 깊이 1(depth=1)인 하위 노드들이 생성된다. 그리고, 1의 깊이를 가지는 하위 노드에서 더 이상 분할되지 않은 노드(즉, 리프 노드)는 TU에 해당한다. 예를 들어, 도 3(b)에서 노드 a, b 및 j에 대응하는 TU(a), TU(b), TU(j)는 CU에서 한 번 분할되었으며, 1의 깊이를 가진다.The CU may be divided into quad tree shapes, resulting in lower nodes having a depth of 1 (depth = 1). In addition, a node (ie, a leaf node) that is no longer divided in a lower node having a depth of 1 corresponds to a TU. For example, in FIG. 3B, TU (a), TU (b), and TU (j) corresponding to nodes a, b, and j are divided once in a CU and have a depth of 1. FIG.

1의 깊이를 가지는 노드 중 적어도 어느 하나는 다시 퀴드 트리 형태로 분할될 수 있으며, 그 결과 깊이 1(즉, depth=2)인 하위 노드들이 생성된다. 그리고, 2의 깊이를 가지는 하위 노드에서 더 이상 분할되지 않은 노드(즉, 리프 노드)는 TU에 해당한다. 예를 들어, 도 3(b)에서 노드 c, h 및 i에 대응하는 TU(c), TU(h), TU(i)는 CU에서 두 번 분할되었으며, 2의 깊이를 가진다.At least one of the nodes having a depth of 1 may be split into a quad tree again, resulting in lower nodes having a depth of 1 (ie, depth = 2). In addition, a node (ie, a leaf node) that is no longer divided in a lower node having a depth of 2 corresponds to a TU. For example, in FIG. 3B, TU (c), TU (h), and TU (i) corresponding to nodes c, h, and i are divided twice in a CU and have a depth of two.

또한, 2의 깊이를 가지는 노드 중 적어도 어느 하나는 다시 쿼드 트리 형태로 분할될 수 있으며, 그 결과 깊이 3(즉, depth=3)인 하위 노드들이 생성된다. 그리고, 3의 깊이를 가지는 하위 노드에서 더 이상 분할되지 않은 노드(즉, 리프 노드)는 CU에 해당한다. 예를 들어, 도 3(b)에서 노드 d, e, f, g에 대응하는 TU(d), TU(e), TU(f), TU(g)는 CU에서 3번 분할되었으며, 3의 깊이를 가진다.In addition, at least one of the nodes having a depth of 2 may be divided into quad tree shapes, resulting in lower nodes having a depth of 3 (ie, depth = 3). And, a node that is no longer partitioned (ie, a leaf node) in a lower node having a depth of 3 corresponds to a CU. For example, in FIG. 3 (b), TU (d), TU (e), TU (f), and TU (g) corresponding to nodes d, e, f, and g are divided three times in a CU. Has depth.

트리 구조를 갖는 TU은 미리 정해진 최대 깊이 정보(또는, 최대 레벨 정보)를 가지고 계층적으로 분할될 수 있다. 그리고, 각각의 분할된 TU은 깊이 정보를 가질 수 있다. 깊이 정보는 TU의 분할된 횟수 및/또는 정도를 나타내므로, TU의 크기에 관한 정보를 포함할 수도 있다.A TU having a tree structure may be hierarchically divided with predetermined maximum depth information (or maximum level information). Each divided TU may have depth information. Since the depth information indicates the number and / or degree of division of the TU, it may include information about the size of the TU.

하나의 TU에 대하여, 해당 TU이 분할 되는지 여부를 나타내는 정보(예를 들어, 분할 TU 플래그(split_transform_flag))가 디코더에 전달될 수 있다. 이 분할 정보는 최소 크기의 TU을 제외한 모든 TU에 포함되어 있다. 예를 들어, 분할 여부를 나타내는 플래그의 값이 '1'이면 해당 TU은 다시 4개의 TU으로 나누어지고, 분할 여부를 나타내는 플래그의 값이 '0'이면 해당 TU은 더 이상 나누어지지 않는다.For one TU, information indicating whether the corresponding TU is split (for example, split TU flag split_transform_flag) may be delivered to the decoder. This partitioning information is included in all TUs except the smallest TU. For example, if the value of the flag indicating whether to split is '1', the corresponding TU is divided into four TUs again. If the value of the flag indicating whether to split is '0', the corresponding TU is no longer divided.

예측(prediction)Prediction

디코딩이 수행되는 현재 처리 유닛을 복원하기 위해서 현재 처리 유닛이 포함된 현재 픽쳐 또는 다른 픽쳐들의 디코딩된 부분을 이용할 수 있다.The decoded portion of the current picture or other pictures in which the current processing unit is included may be used to reconstruct the current processing unit in which decoding is performed.

복원에 현재 픽쳐만을 이용하는, 즉 화면내 예측만을 수행하는 픽쳐(슬라이스)를 인트라 픽쳐 또는 I 픽쳐(슬라이스), 각 유닛을 예측하기 위하여 최대 하나의 움직임 벡터 및 레퍼런스 인덱스를 이용하는 픽쳐(슬라이스)를 예측 픽쳐(predictive picture) 또는 P 픽쳐(슬라이스), 최대 두 개의 움직임 벡터 및 레퍼런스 인덱스를 이용하는 픽쳐(슬라이스)를 쌍예측 픽쳐(Bi-predictive picture) 또는 B 픽쳐(슬라이스)라고 지칭할 수 있다.Intra picture or I picture (slice), which uses only the current picture for reconstruction, i.e. performs only intra picture prediction, predicts a picture (slice) using at most one motion vector and reference index to predict each unit A picture using a predictive picture or P picture (slice), up to two motion vectors, and a reference index (slice) may be referred to as a bi-predictive picture or a B picture (slice).

인트라 예측은 동일한 디코딩된 픽쳐(또는 슬라이스)의 데이터 요소(예를 들어, 샘플 값 등)으로부터 현재 처리 블록을 도출하는 예측 방법을 의미한다. 즉, 현재 픽쳐 내의 복원된 영역들을 참조하여 현재 처리 블록의 픽셀값을 예측하는 방법을 의미한다.Intra prediction means a prediction method that derives the current processing block from data elements (eg, sample values, etc.) of the same decoded picture (or slice). That is, a method of predicting pixel values of the current processing block by referring to reconstructed regions in the current picture.

인터 예측은 현재 픽쳐 이외의 픽쳐의 데이터 요소(예를 들어, 샘플 값 또는 움직임 벡터 등)의 기반하여 현재 처리 블록을 도출하는 예측 방법을 의미한다. 즉, 현재 픽쳐 이외의 복원된 다른 픽쳐 내의 복원된 영역들을 참조하여 현재 처리 블록의 픽셀값을 예측하는 방법을 의미한다.Inter prediction means a prediction method of deriving a current processing block based on data elements (eg, sample values or motion vectors, etc.) of pictures other than the current picture. That is, a method of predicting pixel values of the current processing block by referring to reconstructed regions in other reconstructed pictures other than the current picture.

이하, 인트라 예측에 대하여 보다 상세히 살펴본다.Hereinafter, the intra prediction will be described in more detail.

인트라 예측(Intra prediction)(또는 화면 내 예측)Intra prediction (or intra prediction)

도 5는 본 발명이 적용되는 실시예로서, 인트라 예측 방법을 예시하는 도면이다.5 is a diagram illustrating an intra prediction method as an embodiment to which the present invention is applied.

도 5를 참조하면, 디코더는 현재 처리 블록의 인트라 예측 모드를 도출(derivation)한다(S501).Referring to FIG. 5, the decoder derives the intra prediction mode of the current processing block (S501).

인트라 예측에서는 예측 모드에 따라 예측에 사용되는 참조 샘플의 위치에 대한 예측 방향을 가질 수 있다. 예측 방향을 가지는 인트라 예측 모드를 인트라 방향성 예측 모드(Intra_Angular prediction mode)라고 지칭한다. 반면, 예측 방향을 가지지 않는 인트라 예측 모드로서, 인트라 플래너(INTRA_PLANAR) 예측 모드, 인트라 DC(INTRA_DC) 예측 모드가 있다.In intra prediction, the prediction direction may have a prediction direction with respect to the position of a reference sample used for prediction according to a prediction mode. An intra prediction mode having a prediction direction is referred to as an intra directional prediction mode. On the other hand, as an intra prediction mode having no prediction direction, there are an intra planner (INTRA_PLANAR) prediction mode and an intra DC (INTRA_DC) prediction mode.

표 1은 인트라 예측 모드와 관련 명칭에 대하여 예시하고, 도 6은 인트라 예측 모드에 따른 예측 방향을 예시한다.Table 1 illustrates an intra prediction mode and related names, and FIG. 6 illustrates a prediction direction according to the intra prediction mode.

인트라 예측에서는 도출되는 예측 모드에 기반하여 현재 처리 블록에 대한 예측을 수행한다. 예측 모드에 따라 예측에 사용되는 참조 샘플과 구체적인 예측 방법이 달라지므로, 현재 블록이 인트라 예측 모드로 인코딩된 경우, 디코더는 예측을 수행하기 위해 현재 블록의 예측 모드를 도출한다.In intra prediction, prediction is performed on the current processing block based on the derived prediction mode. Since the prediction sample differs from the reference sample used for the prediction according to the prediction mode, and when the current block is encoded in the intra prediction mode, the decoder derives the prediction mode of the current block to perform the prediction.

디코더는 현재 처리 블록의 주변 샘플들(neighboring samples)이 예측에 사용될 수 있는지 확인하고, 예측에 사용할 참조 샘플들을 구성한다(S502).The decoder checks whether neighboring samples of the current processing block can be used for prediction and constructs reference samples to be used for prediction (S502).

인트라 예측에서 현재 처리 블록의 주변 샘플들은 nS×nS 크기의 현재 처리 블록의 좌측(left) 경계에 인접한 샘플 및 좌하측(bottom-left)에 이웃하는 총 2×nS 개의 샘플들, 현재 처리 블록의 상측(top) 경계에 인접한 샘플 및 우상측(top-right)에 이웃하는 총 2×nS 개의 샘플들 및 현재 처리 블록의 좌상측(top-left)에 이웃하는 1개의 샘플을 의미한다.In intra prediction, the neighboring samples of the current processing block are the samples adjacent to the left boundary of the current processing block of size nS × nS and the total 2 × nS samples neighboring the bottom-left, It means a total of 2 x nS samples adjacent to the top border and a sample adjacent to the top-right and one sample neighboring the top-left of the current processing block.

그러나, 현재 처리 블록의 주변 샘플들 중 일부는 아직 디코딩되지 않았거나, 이용 가능하지 않을 수 있다. 이 경우, 디코더는 이용 가능한 샘플들로 이용 가능하지 않은 샘플들을 대체(substitution)하여 예측에 사용할 참조 샘플들을 구성할 수 있다.However, some of the surrounding samples of the current processing block may not be decoded yet or may be available. In this case, the decoder can construct reference samples for use in prediction by substituting samples that are not available with the available samples.

디코더는 인트라 예측 모드에 기반하여 참조 샘플의 필터링을 수행할 수 있다(S503).The decoder may perform filtering of reference samples based on the intra prediction mode (S503).

참조 샘플의 필터링 수행 여부는 현재 처리 블록의 크기에 기반하여 결정될 수 있다. 또한, 참조 샘플의 필터링 방법은 인코더로부터 전달되는 필터링 플래그에 의해 결정될 수 있다.Whether filtering of the reference sample is performed may be determined based on the size of the current processing block. In addition, the filtering method of the reference sample may be determined by the filtering flag transmitted from the encoder.

디코더는 인트라 예측 모드와 참조 샘플들에 기반하여 현재 처리 블록에 대한 예측 블록을 생성한다(S504). 즉, 디코더는 인트라 예측 모드 도출 단계(S501)에서 도출된 인트라 예측 모드와 참조 샘플 구성 단계(S502)와 참조 샘플 필터링 단계(S503)를 통해 획득한 참조 샘플들에 기반하여 현재 처리 블록에 대한 예측 블록을 생성(즉, 현재 처리 블록 내 예측 샘플 생성)한다.The decoder generates a prediction block for the current processing block based on the intra prediction mode and the reference samples (S504). That is, the decoder predicts the current processing block based on the intra prediction mode derived in the intra prediction mode derivation step S501 and the reference samples obtained through the reference sample configuration step S502 and the reference sample filtering step S503. Generate a block (ie, generate a predictive sample in the current processing block).

현재 처리 블록이 INTRA_DC 모드로 인코딩된 경우 처리 블록 간의 경계의 불연속성(discontinuity)를 최소화하기 위해, S504 단계에서 예측 블록의 좌측(left) 경계 샘플(즉, 좌측 경계에 인접한 예측 블록 내 샘플)과 상측(top) 경계 샘플(즉, 상측 경계에 인접한 예측 블록 내 샘플)을 필터링할 수 있다.In order to minimize the discontinuity of the boundary between the processing blocks when the current processing block is encoded in the INTRA_DC mode, the left boundary sample (ie, the sample in the prediction block adjacent to the left boundary) and the upper side of the prediction block in step S504. (top) boundary samples (i.e., samples in prediction blocks adjacent to the upper boundary) may be filtered.

또한, S504 단계에서 인트라 방향성 예측 모드들 중 수직 방향 모드(vertical mode) 및 수평 방향 모드(horizontal mode)에 대해서도 INTRA_DC 모드와 유사하게 좌측 경계 샘플 또는 상측 경계 샘플에 필터링을 적용할 수 있다.In addition, in operation S504, filtering may be applied to the left boundary sample or the upper boundary sample in the vertical direction mode and the horizontal mode among the intra directional prediction modes similarly to the INTRA_DC mode.

보다 구체적으로 살펴보면, 현재 처리 블록이 수직 방향 모드(vertical mode) 또는 수평 방향 모드(horizontal mode)로 인코딩된 경우, 예측 방향에 위치하는 참조 샘플에 기반하여 예측 샘플의 값을 도출할 수 있다. 이때, 예측 블록의 좌측 경계 샘플 또는 상측 경계 샘플 중 예측 방향에 위치하지 않는 경계 샘플이 예측에 사용되지 않는 참조 샘플과 인접할 수 있다. 즉, 예측에 사용되는 참조 샘플과의 거리보다 예측에 사용되지 않는 참조 샘플과의 거리가 훨씬 가까울 수 있다.In more detail, when the current processing block is encoded in the vertical mode or the horizontal mode, the value of the prediction sample may be derived based on a reference sample located in the prediction direction. In this case, a boundary sample which is not located in the prediction direction among the left boundary sample or the upper boundary sample of the prediction block may be adjacent to a reference sample which is not used for prediction. That is, the distance from the reference sample not used for prediction may be much closer than the distance from the reference sample used for prediction.

따라서, 디코더는 인트라 예측 방향이 수직 방향인지 수평 방향인지에 따라 적응적으로 좌측 경계 샘플들 또는 상측 경계 샘플들에 필터링을 적용할 수 있다. 즉, 인트라 예측 방향이 수직 방향인 경우, 좌측 경계 샘플들에 필터링을 적용하고, 인트라 예측 방향이 수평 방향인 경우, 상측 경계 샘플들에 필터링을 적용할 수 있다.Thus, the decoder may adaptively apply filtering to left boundary samples or upper boundary samples depending on whether the intra prediction direction is vertical or horizontal. That is, when the intra prediction direction is the vertical direction, the filtering may be applied to the left boundary samples, and when the intra prediction direction is the horizontal direction, the filtering may be applied to the upper boundary samples.

MPM 모드(Most Probable Mode)Most Probable Mode

앞서 설명한 바와 같이, HEVC에서는 화면 내 예측(또는 인트라 예측)을 위해 33가지의 방향성 예측 방법과 두 가지의 무 방향성 예측 방법, 총 35가지 예측 방법을 사용하여 현재 블록의 예측 블록이 생성된다. 이때, HEVC에서는 이와 같은 35가지 예측 모드를 보다 적은 비트로 표현(또는 시그널링)하기 위해 화면 내 예측 모드의 통계적 특성이 이용된다.As described above, in the HEVC, the prediction block of the current block is generated by using 33 directional prediction methods, two non-directional prediction methods, and a total of 35 prediction methods for intra prediction (or intra prediction). In HEVC, the statistical characteristics of the intra prediction modes are used to represent (or signal) these 35 prediction modes with fewer bits.

일반적으로 부호화 블록은 주변 블록과 유사한 영상 특징을 가지기 때문에 화면 내 예측 모드 또한 같거나 비슷한 화면 내 예측 모드를 가질 확률이 높다. 이러한 특성을 고려하여 현재 PU의 좌측 PU와 상단 PU의 화면 내 예측 모드를 기반으로 현재 PU의 예측 모드를 부호화한다. 이때, 인코더/디코더는 주변 블록(또는 이웃하는 블록)의 예측 모드와 일반적으로 가장 많이 발생하는 예측 모드를 MPM 모드(Most Probable Mode)로 결정한다.In general, since a coding block has an image characteristic similar to that of a neighboring block, the intra prediction mode also has a high probability of having the same or similar intra prediction mode. Considering these characteristics, the prediction mode of the current PU is encoded based on the intra prediction mode of the left PU and the upper PU of the current PU. In this case, the encoder / decoder determines the prediction mode of the neighboring block (or the neighboring block) and the most commonly occurring prediction mode as the MPM mode (Most Probable Mode).

만약, 현재 PU의 예측 모드가 MPM 모드로 결정된다면 예측 모드를 표현하기 위해 사용되는 비트를 절약할 수 있고(2비트 이내로 표현), MPM 모드가 아닌 다른 예측 모드로 결정된다면 3개의 MPM 모드를 제외한 32개 모드 중 하나의 모드로 부호화하기 때문에 6비트가 아닌 5비트를 사용하여 화면 내 예측 모드를 표현할 수 있다.If the prediction mode of the current PU is determined as the MPM mode, the bits used to represent the prediction mode can be saved (represented within 2 bits), and if the prediction mode other than the MPM mode is determined, except for the three MPM modes. Since encoding is performed in one of 32 modes, the intra prediction mode can be expressed using 5 bits instead of 6 bits.

도 7은 본 발명이 적용되는 실시예로서, 화면 내 예측 모드를 복호화하는 방법을 나타내는 흐름도이다.7 is a flowchart illustrating a method of decoding an intra prediction mode according to an embodiment to which the present invention is applied.

디코더는 현재 블록이 화면 내 예측 모드로 부호화된 경우, MPM 플래그(flag)를 파싱(parsing)한다(S701).If the current block is encoded in the intra prediction mode, the decoder parses an MPM flag (S701).

디코더는 MPM 플래그로부터 현재 블록이 MPM 모드로 부호화 되었는지 여부를 판단한다(S702).The decoder determines whether the current block is encoded in the MPM mode from the MPM flag (S702).

S702 단계에서 판단한 결과, 현재 블록이 MPM 모드로 부호화된 경우, 디코더는 MPM 인덱스(index)를 파싱한다(S703).As a result of the determination in step S702, when the current block is encoded in the MPM mode, the decoder parses the MPM index (S703).

디코더는 MPM 인덱스로부터 도출되는 모드를 현재 블록의 화면 내 예측 모드로 설정한다(S704).The decoder sets the mode derived from the MPM index to the intra prediction mode of the current block (S704).

즉, 디코더는 주변 블록 중 어떤 블록의 화면 내 예측 모드를 MPM으로 사용할지(또는 비방향성 예측 모드를 사용할지) 결정하고, 결정된 화면 내 예측 모드로 복호화를 수행한다.That is, the decoder determines which intra prediction picture of which block among neighboring blocks is to be used as the MPM (or to use the non-directional prediction mode), and performs decoding in the determined intra prediction mode.

S702 단계에서 판단한 결과, 현재 블록이 MPM 모드로 부호화되지 않은 경우, 디코더는 화면 내 예측 모드를 파싱한다(S705).As a result of the determination in step S702, when the current block is not encoded in the MPM mode, the decoder parses the intra prediction mode (S705).

전술한 바와 같이, MPM 모드를 제외한 나머지 32가지 예측 모드 중에서 인코더가 시그널링한 예측 모드를 파싱하고, 파싱된 화면 내 예측 모드로 복호화를 수행한다.As described above, the prediction mode signaled by the encoder is parsed among the remaining 32 prediction modes except the MPM mode, and decoding is performed in the parsed intra prediction mode.

구체적인 MPM 모드의 결정 방법을 아래의 도면을 참조하여 설명한다.A method of determining a specific MPM mode will be described with reference to the drawings below.

도 8은 본 발명이 적용되는 실시예로서, MPM 모드를 결정하는 방법을 설명하기 위한 도면이다.8 is a diagram for describing a method of determining an MPM mode according to an embodiment to which the present invention is applied.

디코더는 현재 블록의 좌측에 인접한 블록의 예측 모드(이하, ‘L 모드’라 지칭한다)와 현재 블록의 상단에 인접한 블록의 예측 모드(이하, ‘A 모드’라 지칭한다)가 같은지 여부를 판단한다(S801).The decoder determines whether the prediction mode of the block adjacent to the left side of the current block (hereinafter referred to as 'L mode') and the prediction mode of the block adjacent to the top of the current block (hereinafter referred to as 'A mode') are the same. (S801).

S801 단계에서 판단한 결과, L 모드와 A 모드가 다른 경우, 디코더는 첫 번째 MPM 모드(MPM[0])와 두 번째 MPM 모드(MPM[1])는 각각 L 모드, A 모드로 결정하고, 마지막 MPM 모드(MPM[2])는 플래너(planar), DC, 수직 방향(vertical) 모드 중 L 모드와 A 모드가 아닌 모드로 설정한다(S802).As a result of the determination in step S801, when the L mode and the A mode is different, the decoder determines the first MPM mode (MPM [0]) and the second MPM mode (MPM [1]) as L mode and A mode, respectively. The MPM mode (MPM [2]) is set to a mode other than the L mode and the A mode among the planar, DC, and vertical modes (S802).

S801 단계에서 판단한 결과, L 모드와 A 모드가 같은 경우, 디코더는 L 모드의 예측 모드가 2(앞서 도 6 참조) 보다 작은지 여부를 판단한다(S803).As a result of the determination in step S801, when the L mode and the A mode are the same, the decoder determines whether the prediction mode of the L mode is smaller than 2 (see FIG. 6 above) (S803).

S803 단계에서 판단한 결과, L 모드가 2 보다 작지 않은 경우, 디코더는 첫 번째 MPM 모드(MPM[0]), 두 번째 MPM 모드(MPM[1]), 세 번째 MPM 모드(MPM[2])를 각각 L 모드, L 모드 - 1, L 모드 + 1로 설정한다(S804).As a result of the determination in step S803, if the L mode is not less than 2, the decoder selects the first MPM mode (MPM [0]), the second MPM mode (MPM [1]), and the third MPM mode (MPM [2]). Set L mode, L mode-1, and L mode + 1, respectively (S804).

S803 단계에서 판단한 결과, L 모드가 2 보다 작은 경우, 디코더는 첫 번째 MPM 모드(MPM[0]), 두 번째 MPM 모드(MPM[1]), 세 번째 MPM 모드(MPM[2])를 각각 플래너(planar), DC, 수직 방향(Vertical) 모드로 설정한다(S805).If the L mode is less than 2, the decoder determines the first MPM mode (MPM [0]), the second MPM mode (MPM [1]), and the third MPM mode (MPM [2]). A planar, DC, and vertical mode are set (S805).

랜덤 포레스트(RF: Random Forest)Random Forest (RF)

랜덤 포레스트는 결정 트리(Decision tree)(또는 랜덤 트리(Random tree))들의 집합으로 분류나 회귀 분석에 사용되는 기계 학습 기법의 일종이다. 아래의 도면을 참조하여 설명한다.Random forest is a set of decision trees (or random trees), a kind of machine learning technique used for classification and regression analysis. It demonstrates with reference to the following drawings.

도 9는 본 발명이 적용되는 실시예로서, 랜덤 포레스트 및 결정 트리를 설명하기 위한 도면이다.9 is a diagram for describing a random forest and a decision tree as an embodiment to which the present invention is applied.

도 9(a)는 결정 트리의 일 예로서, 결정 트리는 리프 노드(903)를 제외한 모든 노드가 2개 이하의 자식 노드(child node)를 가지는 이진 트리(binary tree) 구조를 가질 수 있다. 하나의 결정 트리는 노드(node)와 에지(edge)로 구성되며, 각 노드는 다음 계층의 노드와 에지로 연결되는 계층적 구조를 가진다.9A illustrates an example of a decision tree, the decision tree may have a binary tree structure in which all nodes except theleaf node 903 have two or less child nodes. One decision tree is composed of nodes and edges, and each node has a hierarchical structure connected to nodes and edges of the next layer.

결정 트리 내에서 노드는 다음과 같이, 루트 노드(root node)(901), 인터널 노드(internal node)(또는 분할 노드(split node))(902), 리프 노드(leaf node)(또는 터미널 노드(terminal node))(903)로 나눠질 수 있다. 그리고, 에지에 의해 부모 노드와 자식 노드가 연결된다.Nodes within the decision tree may be:root node 901, internal node (or split node) 902, leaf node (or terminal node) as follows: (terminal node)) (903). Then, the parent node and the child node are connected by the edge.

- 루트 노드(901): 결정 트리의 최상위 노드를 말한다. 분할 함수(split function)와 분할 함수를 구성하는 분할 파라미터(split parameter)로 구성된다. 분할 함수는 입력(input)을 좌측 자식 노드(left child node)와 우측 자식 노드(right child node) 중 어느 노드로 보낼지 결정하는 함수에 해당한다. 분할 파라미터는 오프라인 학습(off-line training)을 통해 결정되고 저장될 수 있다.Root node 901 refers to the top node of the decision tree. It consists of a split function and a split parameter constituting the split function. The partition function corresponds to a function for determining whether to send an input to a left child node or a right child node. Segmentation parameters may be determined and stored through off-line training.

- 인터널 노드(902): 결정 트리를 구성하는 노드 중에서 리프 노드(903)와 루트 노드(901)가 아닌 노드를 말한다. 루트 노드(901)와 마찬가지로 분할 함수와 분할 파라미터로 구성된다.Internal node 902 refers to a node other than theleaf node 903 and theroot node 901 among the nodes constituting the decision tree. Like theroot node 901, it is composed of a partition function and partition parameters.

- 리프 노드(903): 결정 트리의 최종 노드를 말한다. 자신에게 도달한 입력의 클래스(class) 정보를 저장하고, 이를 최종 클래스 결정의 투표에 사용한다.Leaf node 903: refers to the last node of the decision tree. It stores the class information of the input that reaches it and uses it to vote for the final class decision.

각 노드의 분할 파라미터는 정보 이득(information gain)을 최대화하는 방향으로 학습될 수 있다. 정보 이론에서 정보 이득은 현재 노드에 도달하는 학습 데이터를 자식 노드로 분할하였을 때 계산되는 불확실성의 감소로 정의된다.The splitting parameter of each node may be learned in a direction maximizing information gain. In information theory, information gain is defined as the reduction of uncertainty calculated when the training data reaching the current node is divided into child nodes.

즉, 정보 이득은 수학식 1과 같이 정의될 수 있다.That is, the information gain may be defined as inEquation 1.

여기서 S_i는 i 번째 노드에서 좌측 자식 노드로 분할될 부분 집합 S_i^L와 우측 자식 노드로 분할될 부분 집합 S_i^R을 포함하는 데이터 집합을 나타낸다. 그리고, H(S)는 확률 변수 S의 엔트로피를 나타낸다.Here, S_i represents a data set including a subset S_i ^ L to be divided into a left child node and a subset S_i ^ R to be divided into a right child node in an i-th node. H (S) represents the entropy of the random variable S.

화면 내 예측 모드 기반 영상 처리 방법Intra prediction mode based image processing method

본 발명은 머신 러닝(machine learning) 기술 중 하나인 랜덤 포레스트(Random Forest) 방법을 사용하여 화면 내 예측 모드의 시그널링을 최적화하여 부호화/복호화하는 방법을 제안한다. 랜덤 포레스트 방법을 사용함으로써 화면 내 예측 모드를 표현하기 위해 사용되는 비트 수를 줄일 수 있고, 이를 통해 부호화 효율을 향상시킬 수 있다.The present invention proposes a method of encoding / decoding by optimizing signaling of intra prediction mode using a random forest method, which is one of machine learning techniques. By using the random forest method, the number of bits used to express the intra prediction mode can be reduced, thereby improving the coding efficiency.

본 발명에서는 화면 내 예측 모드의 시그널링 없이 랜덤 포레스트를 이용하여 화면 내 예측 모드를 추정하는 방법을 제안한다.The present invention proposes a method of estimating an intra prediction mode using a random forest without signaling the intra prediction mode.

또한, 본 발명에서는 복수의 화면 내 예측 모드를 하나의 클래스로 구성하고, 랜덤 포레스트를 이용하여 클래스를 추정하는 방법을 제안한다.In addition, the present invention proposes a method of configuring a plurality of intra prediction modes into one class and estimating the class using a random forest.

또한, 본 발명에서는 하나 이상의 랜덤 포레스트를 계층적으로 적용하여 화면 내 예측 모드를 복호화하는 방법을 제안한다.In addition, the present invention proposes a method of decoding an intra prediction mode by applying one or more random forests hierarchically.

또한, 본 발명에서는 랜덤 포레스트를 이용하여 MPM 모드(most probable mode)를 재구성 또는 추가하는 방법을 제안한다.In addition, the present invention proposes a method for reconfiguring or adding a most probable mode using a random forest.

실시예 1Example 1

본 실시예에서는 화면 내 예측 모드(또는 인트라 예측 모드)의 시그널링 없이 랜덤 포레스트를 이용하여 화면 내 예측 모드를 추정하는 방법을 제안한다.The present embodiment proposes a method of estimating an intra prediction mode using a random forest without signaling the intra prediction mode (or intra prediction mode).

구체적으로, 랜덤 포레스트 내 각 결정 트리(또는 랜덤 트리)에서 루트 노드(root node)로부터 리프 노드(leaf node)까지 탐색하여 클래스(class)를 결정하고, 각 결정 트리에서 결정된 클래스를 종합하여 최종 클래스를 결정함으로써 화면 내 예측 모드를 도출하는 방법을 제안한다.In detail, a class is determined by searching from a root node to a leaf node in each decision tree (or a random tree) in a random forest, and deciding a class by combining the classes determined in each decision tree. We propose a method of deriving an intra prediction mode by determining.

여기서, 랜덤 포레스트는 하나 이상의 결정 트리(또는 랜덤 트리)로 구성된다. 또한, 결정 트리의 각 리프 노드에는 클래스의 확률 정보가 저장되어 있을 수 있으며, 각 결정 트리에서 탐색을 통해 출력되는 클래스는 리프 노드에 저장된 클래스 중 가장 확률이 높은 클래스로 결정될 수 있다.Here, the random forest consists of one or more decision trees (or random trees). In addition, the probability information of the class may be stored in each leaf node of the decision tree, and the class output through the search in each decision tree may be determined as the class having the highest probability among the classes stored in the leaf node.

그리고, 본 실시예에서는 각 클래스 마다 하나의 화면 내 예측 모드가 매핑되어 저장될 수 있다. 다시 말해, 각각의 리프 노드는 특정 화면 내 예측 모드에 대응될 수 있다.In the present embodiment, one intra prediction mode may be mapped and stored for each class. In other words, each leaf node may correspond to a specific intra prediction mode.

본 실시예에서 제안하는 방법은 인코더와 디코더에서 동일하게 적용될 수 있으며, 설명의 편의상 디코더에서 수행되는 방법을 기준으로 설명한다.The method proposed in the present embodiment may be applied to the encoder and the decoder in the same way, and for convenience of description, the method performed in the decoder will be described.

랜덤 포레스트를 구성하는 랜덤 트리(또는 결정 트리) 구조는 앞서 도 9(a)에서 살펴본 바와 같다.The random tree (or decision tree) structure constituting the random forest is as described above with reference to FIG. 9A.

다시 도 9(a)를 참조하면, 랜덤 트리는 노드와 에지로 구성된다. 루트 노드(901) 또는 인터널 노드(902)는 입력 블록의 화소 또는 특징 정보를 입력 받거나 저장할 수 있다.Referring again to FIG. 9A, the random tree is composed of nodes and edges. Theroot node 901 or theinternal node 902 may receive or store pixel or feature information of the input block.

인코더/디코더는 랜덤 포레스트를 구성하는 랜덤 트리의 루트 노드(901)로부터 리프 노드(903)까지 분할(또는 탐색)하여, 도달된 리프 노드(903)의 클래스 정보(또는 화면 내 예측 모드)를 저장하고, 이를 최종 클래스 결정(또는 현재 블록의 화면 내 예측 모드 결정)의 투표에 사용할 수 있다.The encoder / decoder divides (or searches) from theroot node 901 of the random tree constituting the random forest to theleaf node 903 and stores class information (or in-picture prediction mode) of the reachedleaf node 903. And it can be used for voting of the final class determination (or determination of the prediction mode in the screen of the current block).

랜덤 포레스트가 복수 개의 랜덤 트리로 구성된 경우, 각각의 랜덤 트리에서 결정된 클래스(또는 화면 내 예측 모드)가 랜덤 포레스트의 클래스 결정 투표(voting)에 사용된다. 그리고, 랜덤 포레스트 내에서 가장 많은 투표를 얻은 클래스가 최적의 클래스(즉, 랜덤 포레스트의 클래스)로 결정될 수 있다.When the random forest consists of a plurality of random trees, the class (or in-picture prediction mode) determined in each random tree is used for class decision voting of the random forest. In addition, the class having the most votes in the random forest may be determined as an optimal class (that is, a class of the random forest).

만약, 랜덤 포레스트가 단일의 랜덤 트리로 구성된 경우, 랜덤 트리에서 결정된 클래스(또는 화면 내 예측 모드)가 최적의 클래스(또는 현재 블록의 화면 내 예측 모드)로 결정될 수 있다.If the random forest consists of a single random tree, the class (or intra prediction mode) determined in the random tree may be determined as the optimal class (or intra prediction mode of the current block).

인코더/디코더는 랜덤 트리를 설계하기 위해, 다음을 고려하여 분할 함수(split function)를 결정할 수 있다.The encoder / decoder may determine a split function by considering the following to design a random tree.

- 분할 함수의 입력(Split function input): 분할 함수의 입력은 최적의 부호화 모드(즉, 현재 블록의 화면 내 예측 모드)를 정확하게 결정할 수 있도록 하는 특징(feature)으로서, 인코더/디코더는 현재 블록(예를 들면, 코딩 블록, CU, PU 등)에 이웃하는 샘플(neighbouring sample)을 분할 함수의 입력으로 사용할 수 있다.Split function input: The input of the split function is a feature that allows to accurately determine the optimal encoding mode (i.e., the intra prediction mode of the current block), wherein the encoder / decoder For example, a neighboring sample neighboring to a coding block, a CU, a PU, or the like may be used as an input of a partitioning function.

- 분할 파라미터(Split parameter): 분할 함수를 구성하는 분할 파라미터는 학습을 통해 결정될 수 있다. 분할 파라미터를 결정하기 위한 학습 방법은 후술한다. 분할 파라미터는 이웃하는 참조 샘플의 위치(또는 해당 위치의 참조 샘플의 값), 이웃하는 블록의 화면 내 예측 모드, 결정 임계값(decision threshold) t, 분할 함수 내 사용되는 참조 샘플의 개수 등, 또는 이들의 조합으로 결정될 수 있다.Split parameter: The split parameter constituting the split function may be determined through learning. The learning method for determining the segmentation parameter will be described later. The splitting parameter may be a position of a neighboring reference sample (or a value of the reference sample at that position), an intra prediction mode of the neighboring block, a decision threshold t, the number of reference samples used in the splitting function, or the like. May be determined by a combination thereof.

- 분할 함수의 출력(Split function output): 출력은 0 또는 1의 값을 가지며, 각각의 값은 좌측 자식 노드 또는 우측 자식 노드에 대응될 수 있다. 즉, 분할 함수의 출력 값에 따라 좌측 자식 노드 또는 우측 자식 노드로 분할될 수 있다.Split function output: The output has a value of 0 or 1, and each value may correspond to a left child node or a right child node. That is, it may be split into a left child node or a right child node according to the output value of the split function.

분할 파라미터 셋(split parameter set)은 복수의 분할 파라미터 집합으로서, 이하, 본 발명의 설명에 있어 분할 파라미터 셋을 세타(theta)로 지칭한다.A split parameter set is a plurality of split parameter sets. Hereinafter, in the description of the present invention, the split parameter set is referred to as theta.

하나의 랜덤 트리에서 각 노드의 분할 함수의 형태는 동일하지만, 각 노드의 분할 함수에 사용되는 파라미터 또는 파라미터 셋(parameter set)의 값은 다를 수 있다. 또한, 하나의 랜덤 트리에서 파라미터 셋을 공유하고, 각 노드마다 전체 파라미터 셋의 전체 또는 일부를 사용하여 분할 함수를 구성할 수 있다.The partition function of each node in one random tree is the same, but the values of parameters or parameter sets used in the partition function of each node may be different. In addition, a parameter set may be shared in one random tree, and a partition function may be configured by using all or part of the entire parameter set for each node.

랜덤 포레스트는 학습 단계와 테스트 단계를 거쳐 설계될 수 있다. 학습 단계를 통해 랜덤 트리의 각 노드에 저장된 분할 함수의 분할 파라미터가 결정되고, 테스트 단계를 통해 결정된 분할 파라미터를 이용한 데이터의 분류 결과(또는 각 클래스의 확률 분포 결과)가 축적될 수 있다.Random forests can be designed through a learning phase and a testing phase. Through the learning step, the partition parameter of the partition function stored in each node of the random tree may be determined, and the classification result (or probability distribution result of each class) of the data using the partition parameter determined through the test step may be accumulated.

이 경우, 학습 단계와 테스트 단계에서 이용되는 샘플 데이터는 서로 다를 수도 있고, 동일할 수도 있다. 이하, 설명의 편의를 위해 학습 단계에서 이용되는 샘플 데이터를 학습 샘플 데이터, 테스트 단계에서 이용되는 샘플 데이터를 테스트 샘플 데이터라 지칭한다.In this case, the sample data used in the learning phase and the testing phase may be different or the same. Hereinafter, for convenience of description, the sample data used in the learning step is referred to as the training sample data and the sample data used in the test step is referred to as test sample data.

랜덤 포레스트(또는 랜덤 트리) 내 분할 함수는 다양한 여러 방법에 의해 결정될 수 있다. 분할 함수를 설계하는 방법들을 예로 들어 설명한다. 다만, 본 발명이 이하에서 설명하는 예시에만 한정되는 것이 아님은 물론이다.The partition function in the random forest (or random tree) can be determined by a variety of different methods. Examples of how to design a partition function are described. However, the present invention is not limited only to the examples described below.

1) 첫 번째 방법에 의한 분할 함수 h는 수학식 2 와 같이 정의될 수 있다.1) The partition function h according to the first method may be defined as inEquation 2.

수학식 2를 참조하면, 현재 블록에 이웃하는 참조 샘플을 분할 함수의 입력으로 사용할 수 있다. 여기서, v는 랜덤 트리의 각 노드를 나타내며, 전술한 바와 같이 세타(theta)는 분할 함수을 구성하기 위하여 이용되는 분할 파라미터 셋을 의미한다.Referring toEquation 2, a reference sample neighboring the current block may be used as an input of a partition function. Here, v represents each node of the random tree, and as described above, theta refers to a split parameter set used to construct a split function.

구체적으로, 수학식 2의 분할 함수를 구성하는 세타는 결정 임계값(decision threshold) t와 현재 블록에 이웃하는 중 좌표 (x0, y0), (x1, y1)에 위치하는 2개의 참조 샘플 R_(x0,y0), R_(x1,y1)로 구성된다.Specifically, theta constituting the division function ofEquation 2 includes two reference samples R_ () located at the decision threshold t and the coordinates (x0, y0) and (x1, y1) among the neighbors of the current block. x0, y0) and R_ (x1, y1).

도 10은 본 발명이 적용되는 실시예로서, 분할 함수를 결정하는 방법을 예시하는 도면이다.10 is a diagram illustrating a method of determining a partition function as an embodiment to which the present invention is applied.

도 10을 참조하면, N×N 크기의 현재 블록(HEVC를 예로 들면, PU)(1001)에 이웃하는 참조 샘플은 현재 블록의 좌측(left) 및 좌하측(bottom-left)에 인접한 총 2×N 개의 샘플들, 현재 블록의 상측(top) 및 우상측(top-right)에 인접한 총 2×N 개의 샘플들 및 현재 블록의 좌상측(top-left)에 인접한 1개의 샘플로 구성될 수 있다.Referring to FIG. 10, a reference sample neighboring an N × N sized current block (HEVC, for example, PU) 1001 has a total of 2 × adjacent to the left and bottom-left of the current block. It may consist of N samples, a total of 2 × N samples adjacent to the top and top-right of the current block and one sample adjacent to the top-left of the current block. .

전술한 바와 같이, 세타는 학습 샘플 데이터를 이용하여 학습의 결과로 결정될 수 있다. 이때, 인코더/디코더가 동일한 학습 샘플 데이터를 이용하여 학습할 수도 있고, 인코더/디코더가 학습 결과 결정된 세타를 공유할 수도 있다.As described above, theta may be determined as a result of learning using the learning sample data. In this case, the encoder / decoder may learn using the same learning sample data, or the encoder / decoder may share the theta determined as a result of the learning.

학습 단계에서, 각 노드 별로 N×N 크기의 현재 블록에 이웃하는 참조 샘플 중 두 화소를 N 번 임의 선택하여, 그 중에서 정보 이득(information gain)을 최대화하는 2개의 참조 샘플과 임계값 t가 분할 파라미터로 결정될 수 있다.In the learning phase, two pixels are randomly selected N times among the reference samples neighboring the current block of size N × N for each node, and two reference samples and a threshold value t are divided among them to maximize the information gain. It may be determined by a parameter.

학습 단계에서 분할 파라미터를 결정한 후 테스트 단계에서, 각 리프 노드에 저장된 클래스의 확률 값(즉, 데이터의 분류 결과)을 축적하기 위한 테스트 절차를 수행할 수 있다. 테스트 단계에서는 학습을 통해 결정된 세타를 이용하여 각 노드에서의 분할(또는 탐색)을 통해 하나의 리프 노드를 탐색할 수 있다. 테스트 절차의 구체적인 방법을 아래의 도면을 참조하여 설명한다.After the partitioning parameter is determined in the learning step, in the test step, a test procedure for accumulating probability values (that is, classification results of data) stored in each leaf node may be performed. In the test phase, one leaf node may be searched through partitioning (or searching) at each node using the theta determined through learning. A detailed method of the test procedure will be described with reference to the drawings below.

도 11은 본 발명이 적용되는 실시예로서, 분할 함수를 결정하는 방법을 예시하는 도면이다.FIG. 11 is a diagram illustrating a method of determining a partition function as an embodiment to which the present invention is applied.

도 11을 참조하면, 현재 블록의 화면 내 예측 모드를 추정(또는 예측)하는 랜덤 포레스트 내 랜덤 트리가 도 11(a)와 같이 구성되고, 랜덤 트리 내 각 노드의 분할 파라미터가 아래의 표 2와 같이 학습된 경우를 가정한다. 그리고, 테스트 절차에서 이용되는 테스트 샘플 데이터(즉, 이웃하는 참조 샘플)가 도 11(b)와 같은 경우를 가정한다.Referring to FIG. 11, a random tree in a random forest for estimating (or predicting) an intra prediction mode of a current block is configured as shown in FIG. 11 (a), and splitting parameters of each node in the random tree are shown in Table 2 below. Assume the case learned together. In addition, it is assumed that test sample data (ie, neighboring reference samples) used in the test procedure is the same as that of FIG. 11 (b).

도 11(a)를 참조하면, 학습된 랜덤 트리를 따라 테스트 샘플이 이동하는 경로를 나타낸다. 그리고, 표 2는 랜덤 트리 내 각 노드에 저장된 분할 파라미터(2개의 참조 샘플의 위치(R(x0,y0), R(x1,y1))와 임계값 t)를 나타낸다.Referring to FIG. 11 (a), it illustrates a path along which a test sample moves along a learned random tree. Table 2 shows partition parameters (positions (R (x0, y0), R (x1, y1)) and threshold t) of two reference samples stored in each node in the random tree.

테스트 샘플 데이터는 노드 0(1101)에서의 이진 테스트(binary test)를 통해 좌측 자식 노드(left child node)로 이동할지 또는 우측 자식 노드(right child node)로 이동할지 결정될 수 있다. 노드 0(1101)에서의 이진 테스트 결과, |R_(3,0)-R_(0,5)|=|40-210|=170<100로 수학식 2를 만족하지 못하기 때문에, 0의 값이 출력되어 우측 자식 노드인 노드 2(1102)로 이동할 수 있다.The test sample data may be determined to move to a left child node or a right child node through a binary test atnode 0 1101. As a result of the binary test at node 01101, | R_ (3,0) -R_ (0,5) | = | 40-210 | = 170 <100 does not satisfyEquation 2, so the value of 0 The output may be moved to thenode 2 1102 which is the right child node.

노드 2(1102)에서 이진 테스트 결과, |R(0,4)-R(1,0)|=|200-20|=180<50이고 수학식 2를 만족하지 못하기 때문에, 0의 값이 출력되어 우측 자식 노드인 노드 6(1103)으로 이동할 수 있다.The result of the binary test at node 21102 is | R (0,4) -R (1,0) | = | 200-20 | = 180 <50 and does not satisfyEquation 2. The output may move tonode 6 1103, which is a right child node.

노드 6(1103)에서 이진 테스트 결과, |R(0,5)-R(3,0)|=|210-40|=170<175로 수학식 2를 만족하기 때문에, 1의 값이 출력되어 좌측 자식 노드로서 리프 노드(leaf node)인 노드 11(1104)에 도달할 수 있다.As a result of the binary test at node 6 (1103), | R (0,5) -R (3,0) | = | 210-40 | = 170 <175 satisfiesEquation 2, a value of 1 is outputted. As a left child node,node 11 1104, which is a leaf node, may be reached.

이와 같이, 테스트 단계에서는 테스트 샘플 데이터를 이용하여, 학습 단계에서 분할 함수의 분할 파라미터가 결정된 랜덤 트리의 각 리프 노드에 클래스 별 확률 값을 축적할 수 있다.As described above, in the test step, the probability value for each class may be accumulated in each leaf node of the random tree in which the splitting parameter of the split function is determined in the learning step.

클래스가 9개인 경우를 가정하면, 예를 들어, 테스트 절차를 거쳐 노드 11(1104)에는 {0.1,0.2,0.5,0,0.05,0,0.15,0,0}와 같이 각 클래스에 대한 확률 분포가 저장(또는 축적)될 수 있다.Assume that there are 9 classes. For example, through a test procedure, node 11 (1104) has a probability distribution for each class, such as {0.1,0.2,0.5,0,0.05,0,0.15,0,0}. Can be stored (or accumulated).

부호화/복호화 단계에서는 테스트 절차에서와 동일한 방법으로 랜덤 트리의 루트 노드로부터 리프 노드까지 도달할 수 있다.In the encoding / decoding step, it may reach from the root node to the leaf node of the random tree in the same manner as in the test procedure.

즉, 학습 단계에서 결정된 분할 파라미터와 분할 함수를 이용하여 각 노드에서 자식 노드를 탐색하여 리프 노드까지 도달할 수 있다. 그리고, 리프 노드에 저장된 클래스 중에서 최대 확률을 가지는 클래스가 최종적으로 결정될 수 있다.That is, by using the partitioning parameter and the partitioning function determined in the learning step, each node may be searched for the child node to reach the leaf node. The class having the maximum probability among the classes stored in the leaf node may be finally determined.

만약, 복수 개의 랜덤 트리로 랜덤 포레스트가 구성되는 경우, 인코더/디코더는 각 랜덤 트리에서 결정된 클래스 중 가장 많이 결정된 클래스를 현재 블록의 화면 내 예측 모드로 결정할 수 있다. 다시 말해, 투표(voting) 단계를 통해, 각 랜덤 트리에서 결정된 클래스가 투표되고 가장 많은 투표수를 받은 클래스가 최종적으로 결정될 수 있다. 그리고 결정된 클래스 정보를 이용하여 현재 블록의 화면 내 예측 모드를 결정될 수 있다. 다시 말해, 결정된 클래스에 매핑된 화면 내 예측 모드를 현재 블록의 화면 내 예측 모드로 결정될 수 있다.If a random forest is composed of a plurality of random trees, the encoder / decoder may determine the most determined class among the classes determined in each random tree as the intra prediction mode of the current block. In other words, through the voting step, the class determined in each random tree is voted and the class having the most votes can be finally determined. The intra prediction mode of the current block may be determined using the determined class information. In other words, the intra prediction mode mapped to the determined class may be determined as the intra prediction mode of the current block.

예를 들어, 부호화/복호화 단계에서 도 11(a)와 같은 랜덤 트리의 루트 노드(노드 0)(1101)로부터 노드 11(1104)의 리프 노드까지 분할(또는 탐색)되어 도달한 경우, 노드 11(1104)에 저장된 클래스 중에서 최대 확률을 가지는 클래스인 클래스 3이 예측(또는 결정)될 수 있다.For example, in the encoding / decoding step, when thenode 11 is split (or searched) from the root node (node 0) 1101 of the random tree as shown in FIG.Class 3, which is a class having the maximum probability among classes stored in 1104, may be predicted (or determined).

또한, 예를 들어, 랜덤 포레스트 내에서 10개의 랜덤 트리가 존재한다고 가정하면, 10개의 랜덤 트리 중에서 7개의 랜덤 트리에서 클래스 3, 2개의 랜덤 트리에서 클래스 2, 1개의 랜덤 트리에서 클래스 9가 결정(또는 예측)되었다면, 투표(voting) 절차를 거쳐 가장 많은 투표수를 받은 클래스 3이 최종적으로 랜덤 포레스트의 클래스로 결정될 수 있고, 상기 결정된 클래스로부터 현재 블록의 화면 내 예측 모드가 결정될 수 있다.Further, for example, assuming that 10 random trees exist in a random forest,class 3 is determined in 7 random trees among 10 random trees,class 2 in 2 random trees, andclass 9 in 1 random tree. If (or predicted), theclass 3 which received the most votes through the voting procedure may finally be determined as the class of the random forest, and the intra prediction mode of the current block may be determined from the determined class.

2) 두 번째 방법에 의한 분할 함수는 이웃하는 참조 샘플 중 1개의 참조 샘플 라인(또는 참조 샘플 배열)을 사용하는 첫 번째 방법과 다르게, 이웃하는 참조 샘플 중 2개의 참조 샘플 라인을 입력으로 사용할 수 있다.2) The segmentation function by the second method can use as input two reference sample lines of neighboring reference samples, unlike the first method using one reference sample line (or reference sample array) among neighboring reference samples. have.

즉, 현재 블록의 예측 블록을 생성하기 위하여 다중 참조 샘플 라인(또는 참조 샘플 배열)을 참조하는 경우, 분할 함수도 다중 참조 샘플 라인의 참조 샘플을 이용하여 설계될 수 있다.That is, when referring to multiple reference sample lines (or reference sample arrays) to generate a prediction block of the current block, a partition function may also be designed using reference samples of the multiple reference sample lines.

이하에서, 2개의 이웃하는 참조 샘플 라인을 사용하여 분할 함수를 설계하는 방법을 도 12 내지 도 17를 참조하여 예를 들어 설명한다. 다만, 본 발명이 이하에서 설명하는 예시에만 한정되는 것이 아니다.Hereinafter, a method of designing a division function using two neighboring reference sample lines will be described by way of example with reference to FIGS. 12 to 17. However, the present invention is not limited only to the examples described below.

도 12는 본 발명의 일 실시예로서, 분할 함수를 결정하는 방법을 예시하는 도면이다.12 is a diagram illustrating a method of determining a partition function as an embodiment of the present invention.

도 12를 참조하면, 예를 들어, 분할 함수 h는 수학식 3과 같이 정의될 수 있다.Referring to FIG. 12, for example, the division function h may be defined as inEquation 3 below.

도 12를 참조하면, 현재 블록에 이웃하는 2개의 참조 샘플 라인 중 현재 블록에 더 인접한(즉, 안쪽에 위치한) 참조 샘플 라인은 N×N 크기의 현재 블록의 좌측(left) 및 좌하측(bottom-left)에 인접한 총 2×N 개의 샘플(R^I_(0,1), R^I_(0,2),…, R^I_(0,2N-1), R^I_(0,2N))들, 현재 블록의 상측(top) 및 우상측(top-right)에 인접한 총 2×N 개의 샘플(R^I_(1,0), R^I_(2,0),…, R^I_(2N-1,0), R^I_(2N,0))들 및 현재 블록의 좌상측(top-left)에 인접한 1개의 샘플 (R^I_(0,0))로 구성될 수 있다.Referring to FIG. 12, of two reference sample lines neighboring the current block, a reference sample line further adjacent to the current block (ie, located inward) is left and bottom of the N × N sized current block. 2 ^ N samples (R ^ I_ (0,1), R ^ I_ (0,2), ..., R ^ I_ (0,2N-1), R ^ I_ (0,2N) adjacent to -left) )), A total of 2 × N samples (R ^ I_ (1,0), R ^ I_ (2,0), ..., R ^ adjacent to the top and top-right of the current block I_ (2N-1,0), R ^ I_ (2N, 0)) and one sample (R ^ I_ (0,0)) adjacent to the top-left of the current block. .

그리고, 현재 블록에 이웃하는 2개의 참조 샘플 라인 중 현재 블록에 더 인접하지 않은(즉, 바깥쪽에 위치한) 참조 샘플 라인은 N×N 크기의 현재 블록의 좌측(left) 및 좌하측(bottom-left)에 이웃하는 총 2×N 개의 샘플(R^O_(-1,1), R^O_(-1,2),…, R^O_(-1,2N-1), R^O_(-1,2N))들, 현재 블록의 상측(top) 및 우상측(top-right)에 이웃하는 총 2×N 개의 샘플(R^O_(1,-1), R^O_(2,-1),…, R^O_(2N-1,-1), R^O_(2N,-1))들 및 현재 블록의 좌상측(top-left)에 이웃하는 3개의 샘플(R^O_(-1,-1), R^O_(0,-1), R^O_(-1,0))들로 구성될 수 있다.A reference sample line that is not closer to the current block (ie, located outside) of two reference sample lines neighboring the current block is left and bottom-left of an N × N sized current block. A total of 2 x N samples (R ^ O _ (-1,1), R ^ O _ (-1,2), ..., R ^ O _ (-1,2N-1), R ^ O _ (- 1,2N)), a total of 2 × N samples (R ^ O_ (1, -1), R ^ O_ (2, -1) neighboring the top and top-right of the current block ),…, R ^ O_ (2N-1, -1), R ^ O_ (2N, -1), and three samples (R ^ O _ (-) neighboring the top-left of the current block. 1, -1), R ^ O_ (0, -1), and R ^ O _ (-1,0)).

수학식 3을 참조하면, R^O_(x0,y0)는 2개의 참조 샘플 라인 중 바깥쪽에 위치한 참조 샘플 라인의 (x0,y0) 위치의 참조 샘플을 지칭하고, R^I_(x1,y1)는 안쪽에 위치한 참조 샘플 라인의 (x1,y1) 위치의 참조 샘플을 지칭한다. 그리고, 세타는 {R^O_(x0,y0),R^I_(x1,y1),t}로 구성될 수 있다.Referring toEquation 3, R ^ O_ (x0, y0) refers to a reference sample at position (x0, y0) of a reference sample line located outside of two reference sample lines, and R ^ I_ (x1, y1) Refers to the reference sample at the position (x1, y1) of the reference sample line located inside. Theta may be composed of {R ^ O_ (x0, y0), R ^ I_ (x1, y1), t}.

도 12에서는 바깥 쪽에 위치한 참조 샘플 라인 내 1개의 샘플로서 R^O_(0,-1)(1201)과 안쪽에 위치한 참조 샘플 라인 내 1 개의 샘플로서 R^I_(N+1,0)(1202)이 선택되는 경우를 예시한다.12 shows R ^ O_ (0, -1) 1201 as one sample in the outer reference sample line and R ^ I_ (N + 1,0) 1202 as one sample in the inner reference sample line. Illustrates the case where) is selected.

학습 단계에서, 위와 같이 현재 블록에 이웃하는 2개의 참조 샘플 라인 중 바깥 쪽에 위치한 참조 샘플 라인 내 1개의 샘플(R^O_(x0,y0))과 안쪽에 위치한 참조 샘플 라인 내 1 개의 샘플(R^I_(x1,y1))을 N번 임의 선택하여 정보 이득을 최대로하는 분할 파라미터가 결정될 수 있다.In the learning phase, as above, one sample (R ^ O_ (x0, y0)) located outside the reference sample line adjacent to the current block, and one sample inside the reference sample line located inside R By arbitrarily selecting ^ I_ (x1, y1) N times, a partition parameter for maximizing information gain may be determined.

그리고, 앞서 도 11에서 설명한 방법과 같은 방법으로, 학습 절차를 통해 분할 파라미터가 결정된 랜덤 트리의 리프 노드를 탐색하여, 리프 노드에 데이터의 분류 결과를 축적할 수 있다.In the same manner as the method described above with reference to FIG. 11, the leaf node of the random tree having the partition parameter determined through the learning procedure may be searched to accumulate the result of classification of data in the leaf node.

그리고, 앞서 설명한 방법과 같이, 인코더/디코더는 테스트 절차와 같은 방법으로 리프 노드까지 도달할 수 있고, 리프 노드에 저장된 클래스 중에서 최대 확률을 가지는 클래스를 결정할 수 있다.As described above, the encoder / decoder may reach the leaf node in the same manner as the test procedure, and may determine the class having the maximum probability among the classes stored in the leaf node.

만약, 복수 개의 랜덤 트리로 랜덤 포레스트가 구성되는 경우, 인코더/디코더는 각 랜덤 트리에서 결정된 클래스 중 가장 많이 결정된 클래스를 랜덤 포레스트의 클래스로 결정할 수 있다.If a random forest is composed of a plurality of random trees, the encoder / decoder may determine the most determined class among the classes determined in each random tree as the class of the random forest.

아래의 도면을 참조하여, 2개의 이웃하는 참조 샘플 라인을 사용하는 분할 함수의 다른 일 예를 설명한다.Another example of a partitioning function using two neighboring reference sample lines will be described with reference to the drawings below.

도 13은 본 발명이 적용되는 실시예로서, 분할 함수를 결정하는 방법을 예시하는 도면이다.FIG. 13 is a diagram illustrating a method of determining a partition function as an embodiment to which the present invention is applied.

도 13을 참조하면, 분할 함수 h는 수학식 4와 같이 정의될 수 있다.Referring to FIG. 13, the partition function h may be defined as inEquation 4.

여기서, 분할 함수의 입력으로 2개의 참조 샘플 라인이 사용될 수 있으며, 앞서 설명한 도 12의 경우와 동일하게 참조 샘플 라인이 구성될 수 있다.Here, two reference sample lines may be used as an input of the division function, and the reference sample lines may be configured in the same manner as in the case of FIG. 12.

수학식 4를 참조하면, R^O_(x0,y0)와 R^O_(x2,y2)는 2개의 참조 샘플 라인 중 바깥쪽에 위치한 참조 샘플 라인의 (x0,y0), (x2,y2) 위치의 참조 샘플을 지칭하고, R^I_(x1,y1)는 안쪽에 위치한 참조 샘플 라인의 (x1,y1) 위치의 참조 샘플을 지칭한다. 그리고, 세타는 {R^O_(x0,y0),R^O_(x2,y2),R^I_(x1,y1),t_1,t_2}로 구성될 수 있다.Referring toEquation 4, R ^ O_ (x0, y0) and R ^ O_ (x2, y2) are located at (x0, y0), (x2, y2) of the reference sample line located outside of the two reference sample lines. Refers to the reference sample of R ^ I_ (x1, y1) refers to the reference sample at position (x1, y1) of the reference sample line located therein. Theta may be composed of {R ^ O_ (x0, y0), R ^ O_ (x2, y2), R ^ I_ (x1, y1), t_1, t_2}.

도 13에서는 바깥 쪽에 위치한 참조 샘플 라인 내 2개의 샘플로서 R^O_(-1,2)(1301) 및 R^O_(2,-1)(1303)과 안쪽에 위치한 참조 샘플 라인 내 1 개의 샘플로서 R^I_(N+1,0)(1302)이 선택되는 경우를 예시한다.In FIG. 13, two samples in the outer reference sample line are R ^ O _ (-1,2) 1301 and R ^ O_ (2, -1) 1303 and one sample in the inner reference sample line. As an example, R ^ I_ (N + 1,0) 1302 is selected.

R^O_(x0,y0)과 R^I_(x1,y1)의 차분값이 제 1 임계값(t1)보다 크거나 또는 R^O_(x2,y2)과 R^I_(x1,y1)의 차분값이 제 2 임계값(t2)보다 큰 경우, 0의 값이 출력되어 우측 자식 노드로 이동될 수 있다. 반면에, 두 차분값이 모두 임계값보다 작은 경우, 1의 값이 출력되어 좌측 자식 노드로 이동될 수 있다.The difference between R ^ O_ (x0, y0) and R ^ I_ (x1, y1) is greater than the first threshold t1 or R ^ O_ (x2, y2) and R ^ I_ (x1, y1) When the difference value is greater than the second threshold value t2, a value of 0 may be output and moved to the right child node. On the other hand, if both difference values are smaller than the threshold value, a value of 1 may be output and moved to the left child node.

학습 단계에서, 도 13의 예시와 같이 현재 블록에 이웃하는 2개의 참조 샘플 라인 중 바깥 쪽에 위치한 참조 샘플 라인 내 2개의 샘플(R^O_(x0,y0), R^O_(x2,y2))과 안쪽에 위치한 참조 샘플 라인 내 1 개의 샘플(R^I_(x1,y1))을 N번 임의 선택하여 정보 이득을 최대로하는 분할 파라미터가 결정될 수 있다.In the learning phase, as shown in FIG. 13, two samples (R ^ O_ (x0, y0) and R ^ O_ (x2, y2)) in a reference sample line located outside of two reference sample lines neighboring the current block. The splitting parameter maximizing the information gain may be determined by randomly selecting one sample (R ^ I_ (x1, y1)) N times in the reference sample line located inside and.

그리고, 앞서 도 11에서 설명한 방법과 같은 방법으로, 학습 절차를 통해 분할 파라미터가 결정된 랜덤 트리의 루트 노드에서부터 리프 노드까지 분할하여, 리프 노드에 데이터의 분류 결과를 축적할 수 있다.In the same manner as the method described with reference to FIG. 11, the data classification result may be accumulated in the leaf node by dividing from the root node to the leaf node of the random tree in which the splitting parameter is determined through the learning procedure.

그리고, 앞서 설명한 방법과 같이, 인코더/디코더는 테스트 절차와 같은 방법으로 리프 노드까지 도달할 수 있고, 리프 노드에 저장된 클래스 중에서 최대 확률을 가지는 클래스를 결정할 수 있다.As described above, the encoder / decoder may reach the leaf node in the same manner as the test procedure, and may determine the class having the maximum probability among the classes stored in the leaf node.

만약, 복수 개의 랜덤 트리로 랜덤 포레스트가 구성되는 경우, 인코더/디코더는 각 랜덤 트리에서 결정된 클래스 중 가장 많이 결정된 클래스를 랜덤 포레스트의 클래스로 결정할 수 있다.If a random forest is composed of a plurality of random trees, the encoder / decoder may determine the most determined class among the classes determined in each random tree as the class of the random forest.

아래의 도면을 참조하여, 2개의 이웃하는 참조 샘플 라인을 사용하는 분할 함수의 다른 일 예를 설명한다.Another example of a partitioning function using two neighboring reference sample lines will be described with reference to the drawings below.

도 14은 본 발명이 적용되는 실시예로서, 분할 함수를 결정하는 방법을 예시하는 도면이다.FIG. 14 is a diagram illustrating a method of determining a partition function as an embodiment to which the present invention is applied.

도 14을 참조하면, 분할 함수 h는 수학식 5와 같이 정의될 수 있다.Referring to FIG. 14, the partition function h may be defined as inEquation 5.

여기서, 분할 함수의 입력으로 2개의 참조 샘플 라인이 사용될 수 있으며, 앞서 설명한 도 12의 경우와 동일하게 참조 샘플 라인이 구성될 수 있다.Here, two reference sample lines may be used as an input of the division function, and the reference sample lines may be configured in the same manner as in the case of FIG. 12.

수학식 4의 분할 함수와 차이점을 위주로 설명하면, 2개의 참조 샘플 라인 중 바깥쪽에 위치한 참조 샘플 라인뿐만 아니라 안쪽에 위치한 참조 샘플 라인에서도 2개의 참조 샘플(즉, R^I_(x1,y1), R^I_(x3,y3))이 선택될 수 있다. 그리고, 세타는 {R^O_(x0,y0),R^O_(x2,y2),R^I_(x1,y1), R^I_(x3,y3),t_1,t_2}로 구성될 수 있다.Explaining the difference from the division function ofEquation 4, two reference samples (that is, R ^ I_ (x1, y1), R ^ I_ (x3, y3)) may be selected. Theta may be composed of {R ^ O_ (x0, y0), R ^ O_ (x2, y2), R ^ I_ (x1, y1), R ^ I_ (x3, y3), t_1, t_2}. .

도 14에서는 바깥 쪽에 위치한 참조 샘플 라인 내 2개의 샘플로서 R^O_(-1,2)(1402) 및 R^O_(2,-1)(1401)과 안쪽에 위치한 참조 샘플 라인 내 2 개의 샘플로서 R^I_(2N,0)(1403) 및 R^I_(0,N)(1404)이 선택되는 경우를 예시한다.In FIG. 14, two samples in the outer reference sample line are R ^ O _ (-1,2) 1402 and R ^ O_ (2, -1) 1401 and two samples in the inner reference sample line. As an example, R ^ I_ (2N, 0) 1403 and R ^ I_ (0, N) 1404 are selected.

위와 같이 2개의 참조 샘플 라인 중 안쪽에 위치한 참조 샘플 라인에서도 2개의 참조 샘플이 분할 파라미터로 결정되는 점을 제외하고, 앞서 도 13에서 설명한 방법과 동일한 방법으로 학습 단계와 테스트 단계가 수행될 수 있고, 부호화/복호화 단계에서 클래스가 결정될 수 있다.The learning step and the test step may be performed in the same manner as the method described with reference to FIG. 13 except that two reference samples are determined as split parameters in the reference sample line located inside of the two reference sample lines as described above. In the encoding / decoding step, the class may be determined.

아래의 도면을 참조하여, 2개의 이웃하는 참조 샘플 라인을 사용하는 분할 함수의 다른 일 예를 설명한다.Another example of a partitioning function using two neighboring reference sample lines will be described with reference to the drawings below.

도 15는 본 발명이 적용되는 실시예로서, 분할 함수를 결정하는 방법을 예시하는 도면이다.15 is a diagram illustrating a method of determining a division function, according to an embodiment to which the present invention is applied.

예를 들어, 분할 함수 h는 수학식 6과 같이 정의될 수 있다.For example, the division function h may be defined as inEquation 6.

분할 함수 h의 입력으로 2개의 참조 샘플 라인이 사용될 수 있으며, 앞서 설명한 도 12의 경우와 동일하게 참조 샘플 라인이 구성될 수 있다.Two reference sample lines may be used as an input of the division function h, and reference sample lines may be configured in the same manner as in the case of FIG. 12.

여기서, 세타는 {θ,t}로 구성될 수 있다. 또한, θ=tan^(-1)(k_m)으로 정의될 수 있고, k_m은 ΔR^y_(i,j)/ΔR^x_(i,j)로 구성될 수 있다.Here, theta may be composed of {θ, t}. In addition, θ = tan ^ (-1) (k_m), and k_m may be configured as ΔR ^ y_ (i, j) / ΔR ^ x_ (i, j).

도 15를 참조하면, ΔR^x_(i,j)은 2개의 참조 샘플 라인 내 각 참조 샘플의 위치에서의 샘플값과 x 축 방향으로 우측에 인접한 참조 샘플의 샘플값과의 차이값을 나타내고, ΔR^y_(i,j)는 2개의 참조 샘플 라인 내 각 참조 샘플의 위치에서의 샘플값과 y 축 방향으로 하단에 인접한 참조 샘플의 샘플값과의 차이값을 나타낸다.Referring to FIG. 15, ΔR ^ x_ (i, j) represents a difference between a sample value at a position of each reference sample in two reference sample lines and a sample value of a reference sample adjacent to the right in the x-axis direction, ΔR ^ y_ (i, j) represents the difference between the sample value at the position of each reference sample in the two reference sample lines and the sample value of the reference sample adjacent to the bottom in the y axis direction.

학습 단계에서, ΔR^x_(i,j)와 ΔR^y_(i,j)의 L2 놈(norm)(또는 변화율-크기(gradient.magnitude))을 최대로하는 경우의 k_m 값이 결정되고, 그로부터 θ 값이 결정될 수 있다. Δx와 Δy의 L2 놈은 수학식 7과 같이 정의된다.In the learning phase, the value of k_m is determined when maximizing the L2 norm (or gradient.magnitude) of ΔR ^ x_ (i, j) and ΔR ^ y_ (i, j), From that the value of θ can be determined. L2 norms of Δx and Δy are defined as inEquation 7.

그리고, 앞서 도 11에서 설명한 방법과 같은 방법으로, 학습 절차를 통해 분할 파라미터가 결정된 랜덤 트리의 루트 노드에서부터 리프 노드까지 분할하여, 리프 노드에 데이터의 분류 결과를 축적할 수 있다.In the same manner as the method described with reference to FIG. 11, the data classification result may be accumulated in the leaf node by dividing from the root node to the leaf node of the random tree in which the splitting parameter is determined through the learning procedure.

그리고, 앞서 설명한 방법과 같이, 인코더/디코더는 테스트 절차와 같은 방법으로 리프 노드까지 도달할 수 있고, 리프 노드에 저장된 클래스 중에서 최대 확률을 가지는 클래스를 결정할 수 있다.As described above, the encoder / decoder may reach the leaf node in the same manner as the test procedure, and may determine the class having the maximum probability among the classes stored in the leaf node.

만약, 복수 개의 랜덤 트리로 랜덤 포레스트가 구성되는 경우, 인코더/디코더는 각 랜덤 트리에서 결정된 클래스 중 가장 많이 결정된 클래스를 랜덤 포레스트의 클래스로 결정하고, 현재 블록의 화면 내 예측 모드를 도출할 수 있다.If a random forest consists of a plurality of random trees, the encoder / decoder may determine a class of the random forest that is the most determined class among the classes determined in each random tree, and derive an intra prediction mode of the current block. .

아래의 도면을 참조하여, 2개의 이웃하는 참조 샘플 라인을 사용하는 분할 함수의 다른 일 예를 설명한다.Another example of a partitioning function using two neighboring reference sample lines will be described with reference to the drawings below.

도 16 및 도 17은 본 발명이 적용되는 실시예로서, 분할 함수를 결정하는 방법을 예시하는 도면이다.16 and 17 are diagrams illustrating a method of determining a division function in an embodiment to which the present invention is applied.

예를 들어, 분할 함수 h는 수학식 8과 같이 정의될 수 있다.For example, the division function h may be defined as inEquation 8.

여기서, 세타는 {θ,t}로 구성될 수 있다. D는 아래의 수학식 9에 의해 계산될 수 있다.Here, theta may be composed of {θ, t}. D may be calculated byEquation 9 below.

여기서, D_0 내지 D_(6N+1)은 각도 θ 방향으로 이웃하는 각 참조 샘플간의 샘플값의 차이값으로 정의된다.Here, D_0 to D_ (6N + 1) are defined as difference values of sample values between respective reference samples neighboring in the angle θ direction.

도 16을 참조하면, 각도 θ가 0인 경우를 가정한다. 이때, D_0 내지 D_(6N+1)은 수평 방향으로 인접한 참조 샘플간의 샘플값의 차분으로 계산될 수 있다. 예를 들어, D_0는 참조 샘플 R^O_(-1,-1)(1601)과 R^O_(0,-1)(1602)의 샘플값의 차이값으로 계산될 수 있다.Referring to FIG. 16, it is assumed that the angle θ is zero. In this case, D_0 to D_ (6N + 1) may be calculated as a difference between sample values between adjacent reference samples in the horizontal direction. For example, D_0 may be calculated as a difference value between the sample values of the reference samples R ^ O _ (-1, -1) 1601 and R ^ O_ (0, -1) 1602.

도 17을 참조하면, 각도 θ가 π/2인 경우를 가정한다. 이때, D_0 내지 D_(6N+1)은 수직 방향으로 인접한 참조 샘플간의 샘플값의 차분으로 계산될 수 있다. 예를 들어, D_0는 참조 샘플 R^O_(-1,-1)(1701)과 R^O_(-1,0)(1702)의 샘플값의 차이값으로 계산될 수 있다.Referring to FIG. 17, it is assumed that the angle θ is π / 2. In this case, D_0 to D_ (6N + 1) may be calculated as a difference of sample values between adjacent reference samples in the vertical direction. For example, D_0 may be calculated as a difference between the sample values of the reference samples R ^ O _ (-1, -1) 1701 and R ^ O _ (-1,0) 1702.

실시예 2Example 2

본 실시예에서는 랜덤 포레스트를 인코더에서 화면 내 예측 모드를 효율적으로 부호화하는 방법을 제안한다.In this embodiment, a method for efficiently encoding an intra prediction mode in a random forest encoder is proposed.

구체적으로, 랜덤 포레스트를 구성하는 랜덤 트리 내 분할 함수의 입력으로서, 현재 블록에 이웃하는 참조 샘플뿐만 아니라 현재 블록의 예측 블록 내 샘플 값을 사용하여 화면 내 예측 모드를 결정(또는 예측)하는 방법을 제안한다.Specifically, a method of determining (or predicting) an intra prediction mode using input values of a partition function in a random tree constituting a random forest, as well as reference samples neighboring the current block, as well as sample values in the prediction block of the current block. Suggest.

여기서, 예측 블록은 HEVC를 예로 들면 PU에 해당할 수 있으나, 본 발명이 이에 한정되는 것은 아니다. 즉, 본 실시예에서의 예측 블록은 동일한 예측 모드로 예측된 샘플들의 배열 또는 블록을 의미할 수 있으며, 코딩 블록, 코딩 유닛, 변환 블록, 변환 유닛 등으로 지칭될 수도 있다.Here, the prediction block may correspond to a PU using HEVC as an example, but the present invention is not limited thereto. That is, the prediction block in this embodiment may mean an array or block of samples predicted in the same prediction mode, and may also be referred to as a coding block, a coding unit, a transform block, a transform unit, or the like.

본 실시예에서 제안하는 방법은 인코더에서 화면 내 예측 모드의 빠른 모드 결정(fast-mode decision)을 위해 사용할 수 있다. 예측 블록의 샘플을 이용하기 때문에 본 실시예에서 제안하는 방법은 인코더에서만 적용될 수 있다. 따라서, 본 실시예는 인코더를 기준으로 설명한다.The method proposed in this embodiment may be used for fast-mode decision of an intra prediction mode in an encoder. Since the sample of the predictive block is used, the method proposed in this embodiment can be applied only to the encoder. Therefore, the present embodiment will be described with reference to the encoder.

예를 들어, HEVC에서 통상적으로 화면 내 예측 모드의 빠른 모드 결정(fast-mode decision)은 총 35개 화면 내 예측 모드 중 일부를 포함하는 모드 셋(mode set)을 먼저 선택하고(RMD: Rough Mode Decision), 선택된 모드들 중에서 비트율-왜곡 최적화(Rate-distortion optimization)를 통해 최적의 모드를 선택(FMD: Fine Mode Decision)하는 방법을 수행한다.For example, in HEVC, a fast-mode decision of an intra-picture prediction mode typically selects a mode set first including some of a total of 35 intra-picture prediction modes (RMD: Rough Mode). Decision), and performs a method of selecting the best mode (FMD: Fine Mode Decision) through rate-distortion optimization among the selected modes.

본 실시예에서는 랜덤 포레스트를 이용하여 다음과 같은 방법을 사용할 수 있다.In the present embodiment, the following method may be used using a random forest.

- 인코더는 랜덤 포레스트 방법을 수행하여 추정된 하나 이상의 화면 내 예측 모드를 RMD 과정에서의 모드 셋에 추가하거나, RMD 과정에서의 모드 셋에서 선택된 기존의 화면 내 예측 모드를 대체할 수 있다. 이때, 인코더는 랜덤 포레스트 방법을 통해 선택되는 모드 중에서 각 모드의 확률값(즉, 클래스 별로 저장된 확률값)을 이용하여 내림 차순 순서(즉, 확률이 높은 순서)로 화면 내 예측 모드를 선택할 수 있다.The encoder may add one or more intra prediction modes estimated by performing the random forest method to the mode set in the RMD process, or replace the existing intra prediction modes selected in the mode set in the RMD process. In this case, the encoder may select the intra prediction mode in descending order (ie, high probability) using the probability values of each mode (that is, stored in each class) among the modes selected by the random forest method.

- 인코더는 기존의 RMD 과정 대신에, 랜덤 포레스트 방법을 통해 추정한 화면 내 예측 모드들 중 확률값에 따라 내림 차순으로 하나 이상의 화면 내 예측 모드를 선택하여 모드 셋을 구성할 수 있다. 그리고, 인코더는 선택된 모드 셋에서 FMD 방법을 적용하여 최적의 화면 내 예측 모드를 선택할 수 있다.Instead of the existing RMD process, the encoder may configure a mode set by selecting one or more intra prediction modes in descending order according to probability values among intra prediction modes estimated through the random forest method. In addition, the encoder may select an optimal intra prediction mode by applying the FMD method in the selected mode set.

빠른 모드 결정(Fast-mode decision)에 사용하는 랜덤 트리 내 분할 함수는 다양한 여러 방법에 의해 설계될 수 있다.The partitioning function in the random tree used for fast-mode decision can be designed by various methods.

이하에서, 분할 함수를 설계하는 방법을 도 18 내지 도 22의 예시를 참조하여 설명한다. 다만, 본 발명이 이하에서 설명하는 예시에만 한정되는 것이 아님은 물론이다.Hereinafter, a method of designing a division function will be described with reference to the examples of FIGS. 18 to 22. However, the present invention is not limited only to the examples described below.

도 18을 본 발명이 적용되는 실시예로서, 분할 함수를 결정하는 방법을 예시하는 도면이다.18 is a diagram illustrating a method of determining a partition function as an embodiment to which the present invention is applied.

도 18을 참조하면, 분할 함수 h는 수학식 10과 같이 정의될 수 있다.Referring to FIG. 18, the partition function h may be defined as inEquation 10.

N×N 크기의 현재 블록(HEVC를 예로 들면, PU)에 이웃하는 참조 샘플은 현재 블록의 좌측(left) 및 좌하측(bottom-left)에 인접한 총 2×N 개의 샘플들, 현재 블록의 상측(top) 및 우상측(top-right)에 인접한 총 2×N 개의 샘플들 및 현재 블록의 좌상측(top-left)에 인접한 1개의 샘플로 구성될 수 있다.The reference sample neighboring the N × N sized current block (HEVC, for example, PU) is a total of 2 × N samples adjacent to the left and bottom-left of the current block, the upper side of the current block. It may consist of a total of 2 × N samples adjacent to the top and top-right and one sample adjacent to the top-left of the current block.

수학식 10을 참조하면, R_(x0,y0)는 현재 블록에 이웃하는 샘플 중 (x0,y0) 좌표에 위치한 참조 샘플을 나타내고, P_(x1,y1)는 현재 블록의 예측 블록 내 (x1,y1) 좌표에 위치한 예측 샘플을 나타낸다. 그리고, 세타는 {L^R,L^P,t}로 구성될 수 있다. L^R은 R_(x0,y0)를 나타내며, L^P는 P_(x1,y1)를 나타낸다.Referring toEquation 10, R_ (x0, y0) represents a reference sample located at (x0, y0) coordinates among samples neighboring the current block, and P_ (x1, y1) represents (x1, y1) represents a prediction sample located at a coordinate. Theta may be composed of {L ^ R, L ^ P, t}. L ^ R represents R_ (x0, y0) and L ^ P represents P_ (x1, y1).

다시 말해, 수학식 10의 분할 함수는 현재 블록에 이웃하는 샘플 중 1개의 참조 샘플, 현재 블록의 예측 블록 내 1개의 예측 샘플 및 임계값 t의 파라미터로 구성될 수 있다.In other words, the partition function ofEquation 10 may be composed of one reference sample among samples neighboring the current block, one prediction sample in the prediction block of the current block, and a parameter of the threshold t.

도 18에서는 1개의 참조 샘플로서 R_(0,1)(1801)과 1개의 예측 샘플로서 P_(2,1)(1802)이 선택되는 경우를 예시한다.18 exemplifies a case in which R_ (0,1) 1801 is selected as one reference sample and P_ (2,1) 1802 is selected as one prediction sample.

학습 단계에서, 현재 블록에 이웃하는 참조 샘플 중 1개의 참조 샘플(R_(x0,y0))과 예측 블록 중 1 개의 예측 샘플(P_(x1,y1))을 N번 임의 선택하여 정보 이득을 최대로하는 분할 파라미터가 결정될 수 있다.In the learning phase, one reference sample R_ (x0, y0) of the reference samples neighboring the current block and one prediction sample P_ (x1, y1) of the prediction block are randomly selected N times to maximize the information gain. The splitting parameter can be determined.

그리고, 앞서 도 11에서 설명한 방법과 같은 방법으로, 학습 절차를 통해 분할 파라미터가 결정된 랜덤 트리의 루트 노드에서부터 리프 노드까지 분할하여, 리프 노드에 데이터의 분류 결과를 축적할 수 있다.In the same manner as the method described with reference to FIG. 11, the data classification result may be accumulated in the leaf node by dividing from the root node to the leaf node of the random tree in which the splitting parameter is determined through the learning procedure.

그리고, 인코더는 테스트 절차와 같은 방법으로 리프 노드까지 도달할 수 있고, 리프 노드에 저장된 클래스 중에서 최대 확률을 가지는 클래스를 결정할 수 있다.The encoder may reach the leaf node in the same manner as the test procedure, and determine the class having the maximum probability among the classes stored in the leaf node.

만약, 복수 개의 랜덤 트리로 랜덤 포레스트가 구성되는 경우, 인코더는 각 랜덤 트리에서 결정된 클래스 중 가장 많이 결정된 클래스를 현재 블록의 화면 내 예측 모드로 결정할 수 있다.If a random forest is composed of a plurality of random trees, the encoder may determine the most determined class among the classes determined in each random tree as the intra prediction mode of the current block.

아래의 도면을 참조하여, 빠른 모드 결정(Fast-mode decision)을 위한 랜덤 트리 내 분할 함수의 다른 일 예를 설명한다.Another example of a split function in a random tree for fast-mode decision will be described with reference to the following drawings.

도 19는 본 발명이 적용되는 실시예로서, 분할 함수를 결정하는 방법을 예시하는 도면이다.19 is a diagram to illustrate a method of determining a partition function, according to an embodiment to which the present invention is applied.

도 19을 참조하면, 분할 함수 h는 수학식 11와 같이 정의될 수 있다.Referring to FIG. 19, the partition function h may be defined as inEquation 11.

수학식 11를 참조하면, R_(x0,y0)와 R_(x2,y2)는 현재 블록에 이웃하는 참조 샘플 중 (x0,y0), (x2,y2) 위치의 참조 샘플을 지칭하고, P_(x1,y1)는 예측 블록 내 (x1,y1) 위치의 예측 샘플을 지칭한다. 그리고, 세타는 {L_1^R,L_2^R,L^P,t_1,t_2}로 구성될 수 있다. L_1^R는 R_(x0,y0)를 나타내고, L_2^R는 R_(x2,y2)를 나타내고, L^P는 R_(x1,y1)를 나타낸다. 그리고, 앞서 도 18에서와 동일하게 현재 블록에 이웃하는 참조 샘플이 구성될 수 있다.Referring toEquation 11, R_ (x0, y0) and R_ (x2, y2) refer to reference samples at positions (x0, y0) and (x2, y2) among reference samples neighboring the current block, and P_ ( x1, y1) refers to a prediction sample at the position (x1, y1) in the prediction block. Theta may be composed of {L_1 ^ R, L_2 ^ R, L ^ P, t_1, t_2}. L_1 ^ R represents R_ (x0, y0), L_2 ^ R represents R_ (x2, y2), and L ^ P represents R_ (x1, y1). In addition, as in FIG. 18, a reference sample neighboring the current block may be configured.

도 19에서는 현재 블록에 이웃하는 참조 샘플 중 내 2개의 참조 샘플로서 R_(2,0)(1901) 및 R_(N+1,0)(1902)과 예측 블록 내 1 개의 예측 샘플로서 P_(N,1)이 선택되는 경우를 예시한다.In FIG. 19, R_ (2,0) 1901 and R_ (N + 1,0) 1902 as two reference samples in a reference sample neighboring the current block and P_ (N as one prediction sample in a prediction block are shown. The case where 1) is selected is illustrated.

R_(x0,y0)과 P_(x1,y1)의 차분값이 제 1 임계값(t1)보다 크거나 또는 R_(x2,y2)과 P_(x1,y1)의 차분값이 제 2 임계값(t2)보다 큰 경우, 0의 값이 출력되어 우측 자식 노드로 이동될 수 있다. 반면에 두 차분값이 모두 임계값보다 작은 경우, 1의 값이 출력되어 좌측 자식 노드로 이동될 수 있다.The difference between R_ (x0, y0) and P_ (x1, y1) is greater than the first threshold t1 or the difference between R_ (x2, y2) and P_ (x1, y1) is equal to the second threshold ( If greater than t2), a value of 0 may be output and moved to the right child node. On the other hand, if both difference values are smaller than the threshold value, a value of 1 may be output and moved to the left child node.

학습 단계에서, 2개의 참조 샘플 샘플(R_(x0,y0), R_(x2,y2))과 1 개의 예측 샘플(P_(x1,y1))을 N번 임의 선택하여 정보 이득을 최대로하는 분할 파라미터가 결정될 수 있다.In the learning phase, two reference sample samples (R_ (x0, y0), R_ (x2, y2)) and one prediction sample (P_ (x1, y1)) are randomly selected N times to divide the maximum information gain. The parameter can be determined.

그리고, 앞서 도 11에서 설명한 방법과 같은 방법으로, 학습 절차를 통해 분할 파라미터가 결정된 랜덤 트리의 루트 노드에서부터 리프 노드까지 분할하여, 리프 노드에 데이터의 분류 결과를 축적할 수 있다.In the same manner as the method described with reference to FIG. 11, the data classification result may be accumulated in the leaf node by dividing from the root node to the leaf node of the random tree in which the splitting parameter is determined through the learning procedure.

그리고, 앞서 설명한 방법과 같이, 인코더는 테스트 절차와 같은 방법으로 리프 노드까지 도달할 수 있고, 리프 노드에 저장된 클래스 중에서 최대 확률을 가지는 클래스를 결정할 수 있다.As described above, the encoder may reach the leaf node in the same manner as the test procedure, and may determine a class having the maximum probability among the classes stored in the leaf node.

만약, 복수 개의 랜덤 트리로 랜덤 포레스트가 구성되는 경우, 인코더는 각 랜덤 트리에서 결정된 클래스 중 가장 많이 결정된 클래스를 현재 블록의 화면 내 예측 모드로 결정할 수 있다.If a random forest is composed of a plurality of random trees, the encoder may determine the most determined class among the classes determined in each random tree as the intra prediction mode of the current block.

아래의 도면을 참조하여, 빠른 모드 결정(Fast-mode decision)을 위한 랜덤 트리 내 분할 함수의 다른 일 예를 설명한다.Another example of a split function in a random tree for fast-mode decision will be described with reference to the following drawings.

도 20은 본 발명이 적용되는 실시예로서, 분할 함수를 결정하는 방법을 예시하는 도면이다.20 is a diagram illustrating a method of determining a partition function as an embodiment to which the present invention is applied.

도 20을 참조하면, 분할 함수 h는 수학식 12와 같이 정의될 수 있다.Referring to FIG. 20, the partition function h may be defined as inEquation 12.

여기서, 앞서 도 18에서와 동일하게 현재 블록에 이웃하는 참조 샘플이 구성될 수 있다.Here, as in FIG. 18, reference samples neighboring to the current block may be configured.

수학식 11의 분할 함수와 차이점을 위주로 설명하면, 참조 샘플 뿐만 아니라 예측 블록에서도 2개의 예측 샘플(P_(x1,y1), P_(x3,y3))이 선택될 수 있다. 그리고, 세타는 {L_1^R,L_2^R,L_1^P,L_2^P,,t_1,t_2}로 구성될 수 있다. L_1^R는 R_(x0,y0)를, L_2^R는 R_(x2,y2)를, L_1^P는 P_(x1,y1)를, L_2^P는 P_(x3,y3)를 나타낸다.Explaining the difference from the division function ofEquation 11, two prediction samples P_ (x1, y1) and P_ (x3, y3) may be selected not only in the reference sample but also in the prediction block. Theta may be composed of {L_1 ^ R, L_2 ^ R, L_1 ^ P, L_2 ^ P ,, t_1, t_2}. L_1 ^ R represents R_ (x0, y0), L_2 ^ R represents R_ (x2, y2), L_1 ^ P represents P_ (x1, y1), and L_2 ^ P represents P_ (x3, y3).

도 20에서는 2개의 참조 샘플로서 R_(1,0)(2001) 및 R_(0,1)(2002)과 예측 블록 내 2 개의 샘플로서 P_(N,1)(2003) 및 P_(N,N)(2004)이 선택되는 경우를 예시한다.In FIG. 20, R_ (1,0) 2001 and R_ (0,1) 2002 as two reference samples and P_ (N, 1) 2003 and P_ (N, N as two samples in the prediction block (2004) is selected.

예측 블록에서도 2개의 예측 샘플이 분할 파라미터로 결정되는 점을 제외하고, 앞서 도 19에서 설명한 방법과 동일한 방법으로 학습 단계와 테스트 단계가 수행될 수 있고, 부호화 단계에서 클래스가 결정될 수 있다.A learning step and a test step may be performed in the same manner as the method described above with reference to FIG. 19 except that two prediction samples are determined as split parameters in the prediction block, and a class may be determined in the encoding step.

아래의 도면을 참조하여, 빠른 모드 결정(Fast-mode decision)을 위한 랜덤 트리 내 분할 함수의 다른 일 예를 설명한다.Another example of a split function in a random tree for fast-mode decision will be described with reference to the following drawings.

도 21은 본 발명이 적용되는 실시예로서, 분할 함수를 결정하는 방법을 예시하는 도면이다.FIG. 21 is a diagram illustrating a method of determining a partition function as an embodiment to which the present invention is applied.

도 21을 참조하면, 분할 함수 h는 수학식 13와 같이 정의될 수 있다.Referring to FIG. 21, the partitioning function h may be defined as inEquation 13.

수학식 13을 참조하면, 세타는 {θ,t}로 구성될 수 있고, θ= arctan(Δy/Δx)를 이용하여 계산될 수 있다.Referring toEquation 13, theta may be composed of {θ, t}, and may be calculated using θ = arctan (Δy / Δx).

도 21을 참조하면, Δx는 예측 블록 내 현재 예측 샘플(2101)의 샘플값과 x 축 방향으로 우측에 인접한 예측 샘플(2102)의 샘플값과의 차이값을 나타내고, Δy는 예측 블록 내 현재 예측 샘플(2101)의 샘플값과 y 축 방향으로 하단에 인접한 예측 샘플(2103)의 샘플값과의 차이값을 나타낸다.Referring to FIG. 21, Δx represents a difference value between a sample value of thecurrent prediction sample 2101 in the prediction block and a sample value of theprediction sample 2102 adjacent to the right in the x-axis direction, and Δy represents the current prediction in the prediction block. The difference value between the sample value of thesample 2101 and the sample value of the predictedsample 2103 adjacent to the lower end in the y-axis direction is shown.

학습 단계에서, 현재 예측 샘플에서 Δx와 Δy의 L2 놈(norm)(또는 변화율-크기(gradient.magnitude))을 최대로하는 경우의 θ 값이 결정될 수 있다. Δx와 Δy의 L2 놈은 앞서 설명한 수학식 7에 의해 계산될 수 있다.In the learning phase, the θ value in the case of maximizing the L2 norm (or rate of change-magnitude) of Δx and Δy in the current prediction sample may be determined. L2 norms of Δx and Δy may be calculated byEquation 7 described above.

이와 같이, 인접한 픽셀과의 픽셀값의 변화량을 이용함으로써 예측 블록의 특성을 분할 파라미터에 반영할 수 있다.In this way, the characteristic of the prediction block can be reflected in the splitting parameter by using the amount of change in the pixel value with the adjacent pixel.

그리고, 앞서 도 11에서 설명한 방법과 같은 방법으로, 학습 절차를 통해 분할 파라미터가 결정된 랜덤 트리의 루트 노드에서부터 리프 노드까지 분할하여, 리프 노드에 데이터의 분류 결과를 축적할 수 있다.In the same manner as the method described with reference to FIG. 11, the data classification result may be accumulated in the leaf node by dividing from the root node to the leaf node of the random tree in which the splitting parameter is determined through the learning procedure.

그리고, 앞서 설명한 방법과 같이, 인코더는 테스트 절차와 같은 방법으로 리프 노드까지 도달할 수 있고, 리프 노드에 저장된 클래스 중에서 최대 확률을 가지는 클래스를 결정할 수 있다.As described above, the encoder may reach the leaf node in the same manner as the test procedure, and may determine a class having the maximum probability among the classes stored in the leaf node.

만약, 복수 개의 랜덤 트리로 랜덤 포레스트가 구성되는 경우, 인코더는 각 랜덤 트리에서 결정된 클래스 중 가장 많이 결정된 클래스를 현재 블록의 화면 내 예측 모드로 결정할 수 있다.If a random forest is composed of a plurality of random trees, the encoder may determine the most determined class among the classes determined in each random tree as the intra prediction mode of the current block.

아래의 도면을 참조하여, 빠른 모드 결정(Fast-mode decision)을 위한 랜덤 트리 내 분할 함수의 다른 일 예를 설명한다.Another example of a split function in a random tree for fast-mode decision will be described with reference to the following drawings.

도 22는 본 발명이 적용되는 실시예로서, 분할 함수를 결정하는 방법을 예시하는 도면이다.FIG. 22 is a diagram illustrating a method of determining a partition function as an embodiment to which the present invention is applied.

도 22을 참조하면, 분할 함수 h는 수학식 14와 같이 정의될 수 있다.Referring to FIG. 22, the partition function h may be defined as inEquation 14.

수학식 14를 참조하면, 세타는 {θ,t}로 구성될 수 있다. D는 수학식 15에 의해 계산될 수 있다.Referring toEquation 14, theta may be composed of {θ, t}. D may be calculated byEquation 15.

여기서, D_0 내지 D_(N(N-1))은 각도 θ 방향으로 이웃하는 각 예측 샘플간의 샘플값의 차이값으로 정의된다.Here, D_0 to D_ (N (N-1)) are defined as difference values of sample values between each prediction sample neighboring in the angle θ direction.

도 22(a)를 참조하면, 각도 θ가 0인 경우를 가정한다. 이때, D_0 내지 D_(N(N-1))은 수평 방향으로 인접한 예측 샘플간의 샘플값의 차분으로 계산될 수 있다. 예를 들어, D_0는 예측 샘플 P_0(2201)과 P_1(2202)의 예측 샘플값의 차이값으로 계산될 수 있다.Referring to FIG. 22A, it is assumed that the angle θ is zero. In this case, D_0 to D_ (N (N-1)) may be calculated as a difference between sample values between adjacent prediction samples in the horizontal direction. For example, D_0 may be calculated as a difference value between predicted sample values of the predictedsample P_0 2201 andP_1 2202.

도 22(b)를 참조하면, 각도 θ가 π/2인 경우를 가정한다. 이때, D_0 내지 D_(N(N-1))은 수직 방향으로 인접한 예측 샘플간의 샘플값의 차분으로 계산될 수 있다. 예를 들어, D_0는 참조 샘플 P_0(2203)과 P_4(2204)의 예측 샘플값의 차이값으로 계산될 수 있다.Referring to FIG. 22B, it is assumed that the angle θ is π / 2. In this case, D_0 to D_ (N (N-1)) may be calculated as a difference between sample values between prediction samples adjacent in the vertical direction. For example, D_0 may be calculated as a difference value between the predicted sample values of the reference samples P_0 2203 andP_4 2204.

실시예 3Example 3

앞서 실시예 1에서 제안한 방법은 랜덤 포레스트를 통해 결정되는 각 클래스 마다 하나의 화면 내 예측 모드가 매핑될 수 있다. 이 경우, 화면 내 예측 모드를 시그널링하지 않고도 화면 내 예측 모드를 복호화할 수 있다는 장점이 있다.In the method proposed in the first embodiment, one intra prediction mode may be mapped to each class determined through the random forest. In this case, there is an advantage that the intra prediction mode can be decoded without signaling the intra prediction mode.

반면, 본 실시예에서는 각 클래스 마다 하나 이상의 화면 내 예측 모드를 매핑하여 예측 모드 결정의 정확도를 향상시키는 방법을 제안한다.In contrast, the present embodiment proposes a method of improving the accuracy of prediction mode determination by mapping one or more intra prediction modes for each class.

클래스에 매핑되는 화면 내 예측 모드를 1개의 특정 예측 모드가 아닌 복수 개의 예측 모드들의 집합으로 고려함으로써, 정확하게 화면 내 예측 모드를 추정할 수 있으며, 이를 통해 부호화 효율을 향상시킬 수 있다. 또한, 복수 개의 예측 모드가 매핑되는 클래스를 결정하고, 결정된 클래스 범위 내에서 현재 블록의 화면 내 예측 모드를 지시하기 위한 인덱스를 시그널링함으로써, 화면 내 예측 모드를 표현하기 위해 사용되는 비트 수를 줄일 수 있다.By considering the intra prediction mode mapped to the class as a set of a plurality of prediction modes instead of one specific prediction mode, the intra prediction mode can be estimated accurately, thereby improving coding efficiency. In addition, by determining a class to which a plurality of prediction modes are mapped and signaling an index for indicating an intra prediction mode of the current block within the determined class range, the number of bits used to express the intra prediction mode may be reduced. have.

도 23은 본 발명이 적용될 수 있는 실시예로서, 클래스에 복수 개의 화면 내 예측 모드를 매핑하는 방법을 예시하는 도면이다.FIG. 23 is a diagram illustrating a method of mapping a plurality of intra prediction modes to a class according to an embodiment to which the present invention may be applied.

도 23을 참조하면, 현재 블록의 화면 내 예측 모드는 기존의 HEVC에서와 같은 경우를 가정한다(앞서 도 6 참조). 예를 들어, 3개, 4개 또는 5개의 인접한 화면 내 예측 모드를 분류하고, 이를 각 클래스에 매핑할 수 있다.Referring to FIG. 23, it is assumed that the intra prediction mode of the current block is the same as in the existing HEVC (see FIG. 6 above). For example, three, four or five adjacent intra prediction modes may be classified and mapped to each class.

이 경우, 인코더/디코더는 랜덤 포레스트를 이용하여 클래스를 결정하고, 인코더는 결정된 클래스 내에서 현재 블록의 화면 내 예측 모드를 지시하는 인덱스(index) 정보를 디코더에게 시그널링할 수 있다. 그리고, 디코더는 결정된 클래스 내에서 인코더로부터 수신한 인덱스 정보를 이용하여 현재 블록의 화면 내 예측 모드를 결정할 수 있다.In this case, the encoder / decoder may determine a class using a random forest, and the encoder may signal index information indicating an intra prediction mode of the current block to the decoder within the determined class. The decoder may determine the intra prediction mode of the current block by using the index information received from the encoder within the determined class.

복수 개의 화면 내 예측 모드가 대응되는(또는 매핑되는) 클래스를 구성하는 방법은 다양한 여러 방법에 의해 수행될 수 있다. 다음은 클래스를 구성하기 위해 사용될 수 있는 방법들을 예시한다. 각각의 방법들이 독립적으로 사용될 수도 있고, 복수 개의 방법이 조합되어 사용될 수도 있다.The method of constructing a class to which a plurality of intra prediction modes correspond (or maps) may be performed by various methods. The following illustrates the methods that can be used to construct a class. Each method may be used independently or a plurality of methods may be used in combination.

클래스를 구성하는 방식은 다음과 같은 방식 중 하나 혹은 그 조합으로 구성할 수 있다. 아래 예에서 구분한 클래스는 인덱스 i로 표현한다.Classes can be organized in one or a combination of the following ways: The class identified in the example below is represented by index i.

- 앞서 도 23의 예시에서와 같이, 유사한 방향을 가지는 예측 모드의 집합(또는 인접한 예측 모드의 집합)을 하나의 클래스로 결정하는 방법23, a method of determining a set of prediction modes (or a set of adjacent prediction modes) having similar directions as one class.

예를 들어, 대표 모드(m_i)를 선택하여 m_i-n 내지 m_i+n 예측 모드를 하나의 클래스로 구성할 수 있다. 여기서, m은 예측 모드의 번호(HEVC의 경우를 예로 들면, 0번 내지 34번 모드 중 어느 하나)를 나타내며, i는 분류되는 클래스의 인덱스를 나타낸다.For example, the m_i-n to m_i + n prediction modes may be configured as one class by selecting the representative mode m_i. Here, m represents a number of prediction modes (any ofmodes 0 to 34, for example in HEVC), and i represents an index of a class to be classified.

- 통계적으로 자주 선택되는 모드 집합과 그렇지 않은 모드 집합을 각각 하나의 클래스로 구성하는 방법-How to organize statistically frequently selected mode sets and non-statistic set into one class each

- MPM 모드과 non-MPM 모드를 나누어 클래스를 구성하는 방법How to organize classes by dividing MPM mode and non-MPM mode

- 방향성 예측 모드(Angular prediction mode)와 비방향성 예측 모드(non-angular prediction mode)를 나누어 클래스를 구성하는 방법A method of constructing a class by dividing an angular prediction mode and a non-angular prediction mode

- 현재 블록의 예측 모드로 결정될 확률이 높은 예측 모드의 경우 복수 개의 클래스에 포함시키는 방법In case of the prediction mode having a high probability of being determined as the prediction mode of the current block, the method is included in a plurality of classes.

예를 들어, 일반적으로 영상에서 자주 선택되는 예측 모드(플래너 모드(planar mode), 수직 방향 모드(vertical mode), 수평 방향 모드(horizontal mode), DC 모드 등) 중 적어도 어느 하나 이상의 예측 모드를 복수 개의 클래스에 포함되도록 클래스를 구성할 수 있다. 또는, MPM 모드 중 적어도 어느 하나 이상의 예측 모드를 복수 개의 클래스에 포함되도록 클래스를 구성할 수 있다.For example, a plurality of prediction modes of at least one prediction mode (planar mode, vertical mode, horizontal mode, DC mode, etc.) that are frequently selected in an image are plural. Classes can be configured to be included in one class. Alternatively, the class may be configured to include at least one prediction mode of the MPM mode in a plurality of classes.

각 클래스에 포함되는(또는 매핑되는) 예측 모드의 수는 동일할 수도 있고, 클래스 별로 서로 다를 수도 있다. 그리고, 동일한 랜덤 포레스트를 이용하여 클래스를 결정할 수도 있고, 클래스 별로 독립적인 서로 다른 랜덤 포레스트를 적용할 수도 있다.The number of prediction modes included (or mapped) in each class may be the same or may be different for each class. The class may be determined using the same random forest, or different independent forests may be applied for each class.

랜덤 포레스트를 구성하는 랜덤 트리 내 분할 함수 및 분할 파라미터를 설계하는 방법, 랜덤 트리 또는 랜덤 포레스트 내에서 클래스를 결정하는 방법 등은 앞서 실시예 1에서 설명한 방법과 동일하게 적용될 수 있다.A method of designing a partition function and a partition parameter in a random tree constituting a random forest, a method of determining a class in a random tree or a random forest, and the like may be applied in the same manner as described in the first embodiment.

실시예 4Example 4

본 실시예에서는 랜덤 포레스트에 기반하여 계층적으로 화면 내 예측 모드를 부호화/복호화하는 방법을 제안한다.In this embodiment, a method of encoding / decoding an intra prediction mode hierarchically based on a random forest is proposed.

구체적으로, 화면 내 예측 모드의 예측 모드를 계층적으로 분할하여, 하나 이상의 랜덤 포레스트를 사용하여 각 계층에서 클래스를 결정하여 화면 내 예측 모드를 복호화하는 방법을 제안한다.Specifically, a method of decoding an intra prediction mode by dividing the prediction mode of the intra prediction mode hierarchically, determining a class in each layer using one or more random forests.

본 실시예에서 계층적으로 사용되는 각 랜덤 포레스트는 동일한 형태의 랜덤 트리로 구성될 수도 있고, 서로 다른 형태의 랜덤 트리로 구성될 수도 있다.Each random forest used hierarchically in this embodiment may be composed of a random tree of the same type or may be composed of a random tree of different types.

이전 계층에서 랜덤 포레스트를 통해 결정되는 클래스에 따라 현재 계층에서 사용되는 랜덤 포레스트의 종류가 결정될 수 있다.The type of random forest used in the current layer may be determined according to the class determined through the random forest in the previous layer.

인코더/디코더는 제 1 결정 트리(또는 제 1 랜덤 포레스트)에서 리프 노드를 탐색하여 현재 블록에 적용될 수 있는 복수 개의 인트라 예측 모드로 구성된 인트라 예측 모드 그룹을 결정할 수 있다. 그리고, 인코더/디코더는 상기 인트라 예측 모드 그룹에 따라 정해지는 제 2 결정 트리(또는 제 2 랜덤 포레스트)에서 리프 노드를 탐색하여 상기 인트라 예측 모드 그룹 내에서 하나 이상의 인트라 예측 모드가 매핑되는 클래스를 선택할 수 있다. 구체적인 예시를 아래의 도면을 참조하여 설명한다.The encoder / decoder may search for leaf nodes in the first decision tree (or first random forest) to determine an intra prediction mode group consisting of a plurality of intra prediction modes that can be applied to the current block. The encoder / decoder searches leaf nodes in a second decision tree (or a second random forest) determined according to the intra prediction mode group, and selects a class to which one or more intra prediction modes are mapped in the intra prediction mode group. Can be. Specific examples will be described with reference to the drawings below.

도 24는 본 발명의 일 실시예에 따른 랜덤 포레스트에 기반한 계층 구조의 화면 내 예측 모드의 결정 방법을 예시하는 도면이다.24 is a diagram illustrating a method of determining an intra prediction mode of a hierarchical structure based on a random forest according to an embodiment of the present invention.

도 24를 참조하면, 먼저 예측 모드를 방향성 예측 모드(angular prediction mode)인지 비방향성 예측 모드(non-angular prediction mode)인지 랜덤 포레스트 1(RF 1)(2401)을 이용하여 분류할 수 있다. 즉, 랜덤 포레스트 1(2401)은 방향성 모드와 비방향성 모드로 구분되는 클래스를 결정하는 랜덤 트리의 집합에 해당된다.Referring to FIG. 24, first, a prediction mode may be classified using a directional prediction mode or a non-angular prediction mode using a random forest 1 (RF 1) 2401. That is,random forest 1 2401 corresponds to a set of random trees that determine a class divided into a directional mode and a non-directional mode.

만약, 랜덤 포레스트 1(2401)에 의해 현재 블록의 화면 내 예측 모드가 방향성 모드로 결정되는 경우, 인코더/디코더는 랜덤 포레스트 2(RF 2)(2402)를 이용하여 현재 블록의 화면 내 예측 모드를 최종적으로 복호화할 수 있다.If the intra prediction mode of the current block is determined by therandom forest 1 2401 as the directional mode, the encoder / decoder uses the random forest 2 (RF 2) 2402 to determine the intra prediction mode of the current block. Finally it can be decrypted.

만약, 랜덤 포레스트 1(2401)에 의해 현재 블록의 화면 내 예측 모드가 비방향성 모드로 결정되는 경우, 인코더/디코더는 랜덤 포레스트 3(RF 3)(2403)을 이용하여 현재 블록의 화면 내 예측 모드를 최종적으로 부호화/복호화할 수 있다.If the intra prediction mode of the current block is determined as the non-directional mode by therandom forest 1 2401, the encoder / decoder uses the intra prediction mode of the current block using the random forest 3 (RF 3) 2403. Can finally be encoded / decoded.

이 경우, 앞서 설명한 실시예 1 또는 실시예 3 방법을 이용하여 각 랜덤 포레스트의 클래스를 분류할 수 있다.In this case, the class of each random forest may be classified using the method ofEmbodiment 1 orEmbodiment 3 described above.

도 24에서 예시하는 방법 이외에 다양한 여러 방법을 이용하여 화면 내 예측 모드의 복호화 단계를 계층적으로 분할하고, 각 계층에서 서로 다른 랜덤 포레스트를 이용하여 화면 내 예측 모드를 부호화/복호화할 수 있다.In addition to the method illustrated in FIG. 24, various decoding methods may be used to hierarchically divide the decoding step of the intra prediction mode, and the intra prediction mode may be encoded / decoded using different random forests in each layer.

실시예 5Example 5

본 실시예에서는 랜덤 포레스트를 이용하여 MPM 모드를 구성하는 방법을 제안한다.In this embodiment, a method of configuring an MPM mode using a random forest is proposed.

만약, MPM 모드 셋(mode set)이 N개의 부호화모드로 구성되는 경우를 가정하면, 랜덤 포레스트를 이용하여 다음과 같은 방법으로 MPM 모드 셋이 구성될수 있다.If it is assumed that the MPM mode set is composed of N encoding modes, the MPM mode set may be configured in the following manner using a random forest.

- 랜덤 포레스트의 결과로 랜덤 트리의 각 리프 노드에서 화면 내 예측 모드 별 확률이 얻어질 수 있다. 이때, 가장은 높은 확률값을 가지는 상위 N개의 화면 내 예측 모드가 MPM 모드 셋으로 결정할 수 있다.As a result of the random forest, probabilities for each intra prediction mode may be obtained at each leaf node of the random tree. In this case, the highest N intra prediction modes having the highest probability may be determined as the MPM mode set.

- 랜덤 포레스트에 의해 화면 내 예측 모드 별 확률이 얻어지는 경우, 가장 높은 확률값을 가지는 상위 (N-m)개의 화면 내 예측 모드와 미리 정의된 m개의 예측 모드(또는 미리 정의된 방법에 의해 결정되는 m개의 예측 모드)의 조합으로 N개의 MPM 모드 셋이 결정될 수 있다.If the probability for each intra prediction mode is obtained by the random forest, the upper (Nm) intra prediction mode having the highest probability value and the m prediction modes (or m predictions determined by a predefined method) having the highest probability value are obtained. N MPM mode sets can be determined by a combination of the &quot;

랜덤 포레스트를 통해 랜덤 트리의 각 리프 노드에서 화면 내 예측 모드 별 확률값을 구하는 방법을 아래의 도면을 참조하여 설명한다.A method of obtaining a probability value for each prediction mode in a screen at each leaf node of a random tree through a random forest will be described with reference to the following drawings.

도 25는 본 발명이 적용될 수 있는 실시예로서, 화면 내 예측 모드 별 확률값을 결정하는 방법을 예시하는 도면이다.FIG. 25 is a diagram for describing a method of determining probability values for intra prediction modes according to an embodiment to which the present invention may be applied.

도 25를 참조하면, 각 랜덤 트리의 리프 노드 마다 화면 내 예측 모드가 대응되는 클래스의 확률 값이 저장될 수 있다. 여기서, 클래스 별 확률 값은 테스트 샘플 데이터를 이용하여 축적될 수 있다.Referring to FIG. 25, a probability value of a class corresponding to an intra prediction mode may be stored for each leaf node of each random tree. Here, the probability value for each class may be accumulated using test sample data.

각 리프 노드에서 화면 내 예측 별로 확률 값을 구하여, 확률이 높은 화면 내 예측 모드를 선택하여 MPM 모드 셋을 구성하거나 기존의 MPM 모드 셋의 전부 또는 일부에 추가하여 MPM 모드 셋을 구성할 수 있다.Each leaf node obtains a probability value for each intra prediction and selects an intra prediction mode having a high probability to configure an MPM mode set or configures an MPM mode set by adding to all or part of an existing MPM mode set.

전술한 실시예 1 내지 실시예 5는 독립적으로 적용될 수도 있고, 실시예 1 내지 실시예 5 중의 일부 또는 전부가 조합되어 적용될 수도 있다.Embodiments 1 to 5 described above may be applied independently, or some or all of theembodiments 1 to 5 may be applied in combination.

도 26은 본 발명의 일 실시예에 따른 인트라 예측 방법을 예시하는 도면이다.26 is a diagram illustrating an intra prediction method according to an embodiment of the present invention.

인코더/디코더는 이진 트리(binary tree) 구조를 가지는 결정 트리(decision tree)에서 각 노드에 저장된 분할 함수(split function)를 이용하여 자식 노드(child node)를 선택하는 과정을 루트 노드(root node)로부터 순차적으로 수행함으로써, 리프 노드(leaf node)를 탐색한다(S2601).The encoder / decoder uses a split function stored in each node in a decision tree having a binary tree structure to select a child node from a root node. By sequentially performing the operation, a leaf node is searched for (S2601).

전술한 바와 같이, 인코더/디코더는 앞서 도 11에서 설명한 방법과 같은 방법으로, 학습 절차를 통해 분할 파라미터가 결정된 결정 트리의 루트 노드에서부터 리프 노드까지 자식 노드를 선택하여 리프 노드를 탐색할 수 있다.As described above, the encoder / decoder may search for leaf nodes by selecting child nodes from the root node to the leaf node of the decision tree in which the splitting parameter is determined through the learning procedure in the same manner as described above with reference to FIG. 11.

또한, 전술한 바와 같이 분할 함수는 분할 파라미터(split parameter)로 구성되고, 상기 현재 블록에 이웃하는 참조 샘플을 입력으로 하여, 좌측 자식 노드(left child node) 또는 우측 자식 노드(right child node)에 대응되는 값을 출력할 수 있다.In addition, as described above, the splitting function is composed of split parameters, and inputs a reference sample neighboring the current block to a left child node or a right child node. The corresponding value can be output.

또한, 전술한 바와 같이, 분할 파라미터는 결정 트리(또는 랜덤 트리)의 각 노드에서 좌측 자식 노드(left child node) 또는 우측 자식 노드(right child node)로 분할하였을 때 계산되는 불확실성의 감소, 즉 정보 이득(information gain)을 최대화하는 방향으로 학습될 수 있다.In addition, as described above, the segmentation parameter is a reduction in uncertainty, i.e. information, calculated when the node is divided into a left child node or a right child node in each node of the decision tree (or random tree). It can be learned in the direction of maximizing the gain.

앞서 도 10 및 수학식 2에서 설명한 바와 같이, 분할 파라미터는 현재 블록에 이웃하는 참조 샘플 중에서 2개의 참조 샘플을 이용하여 결정될 수 있다.As described above with reference to FIGS. 10 and 2, the partition parameter may be determined using two reference samples among reference samples neighboring the current block.

현재 블록의 예측 샘플을 생성하기 위해 다중 참조 샘플 라인을 참조할 수 있다. 이때, 앞서 도 12 내지 14 및 수학식 3 내지 5에서 설명한 바와 같이, 분할 파라미터는 다중 참조 샘플 라인 중 현재 블록에 인접한 2개의 참조 샘플 라인의 복수 개의 참조 샘플을 이용하여 결정될 수 있다.Multiple reference sample lines can be referenced to generate predictive samples of the current block. In this case, as described above with reference to FIGS. 12 to 14 andEquations 3 to 5, the splitting parameter may be determined using a plurality of reference samples of two reference sample lines adjacent to the current block among the multiple reference sample lines.

또한, 현재 블록의 예측 샘플을 생성하기 위해 다중 참조 샘플 라인을 참조하는 경우, 분할 파라미터는 다중 참조 샘플 라인 중에서 복수 개의 참조 샘플을 이용하여 결정될 수 있다.In addition, when referring to multiple reference sample lines to generate a prediction sample of the current block, the splitting parameter may be determined using a plurality of reference samples among the multiple reference sample lines.

또한, 앞서 도 16 및 수학식 6에서 설명한 바와 같이, 분할 파라미터는 상기 다중 참조 샘플 라인의 특정 참조 샘플의 샘플값과 수평 방향으로 특정 참조 샘플의 우측에 인접한 참조 샘플의 샘플값과의 차이값과, 특정 참조 샘플의 샘플값과 수직 방향으로 특정 참조 샘플의 하단에 인접한 참조 샘플의 샘플값과의 차이값을 이용하여 결정될 수 있다.In addition, as described above with reference to FIG. 16 andEquation 6, the division parameter may be equal to a difference between a sample value of a specific reference sample of the multi-reference sample line and a sample value of a reference sample adjacent to the right side of the specific reference sample in the horizontal direction. The difference between the sample value of the specific reference sample and the sample value of the reference sample adjacent to the lower end of the specific reference sample in the vertical direction may be determined.

또한, 앞서 도 16, 도 17 및 수학식 8에서 설명한 바와 같이, 분할 파라미터는 다중 참조 샘플 라인의 각 참조 샘플의 샘플값과 특정 각도 방향으로 인접한 참조 샘플의 샘플값과의 차이값의 합을 이용하여 결정될 수 있다.In addition, as described above with reference to FIGS. 16, 17, and 8, the division parameter uses a sum of a difference value between a sample value of each reference sample of the multi-reference sample line and a sample value of adjacent reference samples in a specific angular direction. Can be determined.

인코더/디코더는 리프 노드와 하나 이상의 인트라 예측 모드가 매핑되는 클래스(class)를 선택한다(S2602).The encoder / decoder selects a class to which a leaf node and one or more intra prediction modes are mapped (S2602).

전술한 바와 같이, 결정 트리의 각 리프 노드에는 클래스의 확률 정보가 저장되어 있을 수 있으며, 결정 트리에서 탐색을 통해 출력되는 클래스는 리프 노드에 저장된 클래스 중 가장 확률이 높은 클래스로 결정될 수 있다.As described above, the probability information of the class may be stored in each leaf node of the decision tree, and the class output through searching in the decision tree may be determined as the most probable class among the classes stored in the leaf node.

또한, 랜덤 포레스트는 하나 이상의 결정 트리(또는 랜덤 트리)로 구성될 수 있다. 복수 개의 결정 트리로 구성된 랜덤 포레스트(random forest)의 각 결정 트리를 탐색하여 복수 개의 클래스가 선택되는 경우, 인코더/디코더는 복수 개의 클래스 중에서 가장 많이 선택된 클래스를 랜덤 포레스트의 클래스로 결정할 수 있다.In addition, the random forest may consist of one or more decision trees (or random trees). When a plurality of classes are selected by searching each decision tree of a random forest composed of a plurality of decision trees, the encoder / decoder may determine the class most selected among the plurality of classes as the class of the random forest.

전술한 바와 같이, 인코더/디코더는 랜덤 포레스트를 구성하는 랜덤 트리의 루트 노드로부터 리프 노드까지 분할(또는 탐색)하여, 도달된 리프 노드의 클래스 정보(또는 화면 내 예측 모드)를 저장하고, 이를 최종 클래스 결정(또는 현재 블록의 화면 내 예측 모드 결정)의 투표에 사용할 수 있다.As described above, the encoder / decoder divides (or searches) from the root node of the random tree constituting the random forest to the leaf node, stores class information (or in-picture prediction mode) of the reached leaf node, and finally It can be used for voting for class determination (or determination of prediction modes in the picture of the current block).

랜덤 포레스트가 복수 개의 랜덤 트리로 구성된 경우, 각각의 랜덤 트리에서 결정된 클래스(또는 화면 내 예측 모드)가 투표(voting)에 사용되며, 랜덤 포레스트 내에서 가장 많은 투표를 얻은 클래스(또는 화면 내 예측 모드)가 최적의 클래스(또는 현재 블록의 화면 내 예측 모드)로 결정될 수 있다.If a random forest consists of a plurality of random trees, the class determined in each random tree (or in-screen prediction mode) is used for voting, and the class with the most votes in the random forest (or in-screen prediction mode) ) May be determined as an optimal class (or an intra prediction mode of the current block).

만약, 랜덤 포레스트가 단일의 랜덤 트리로 구성된 경우, 랜덤 트리에서 결정된 클래스(또는 화면 내 예측 모드)가 최적의 클래스(또는 현재 블록의 화면 내 예측 모드)로 결정될 수 있다.If the random forest consists of a single random tree, the class (or intra prediction mode) determined in the random tree may be determined as the optimal class (or intra prediction mode of the current block).

또한, 각 클래스 마다 하나 이상의 화면 내 예측 모드를 매핑하여 예측 모드 결정의 정확도를 향상시킬 수 있다. 다시 말해, 인코더/디코더는 클래스(class)에 복수 개의 인트라 예측 모드가 매핑되는 경우, 클래스 내에서 현재 블록의 인트라 예측 모드를 지시하는 인덱스(index) 정보를 복호화할 수 있다.In addition, one or more intra prediction modes may be mapped to each class to improve accuracy of prediction mode determination. In other words, when a plurality of intra prediction modes are mapped to a class, the encoder / decoder may decode index information indicating the intra prediction mode of the current block in the class.

즉, 복수 개의 예측 모드가 매핑되는 클래스를 결정하고, 결정된 클래스 범위 내에서 현재 블록의 화면 내 예측 모드를 지시하기 위한 인덱스를 시그널링함으로써, 화면 내 예측 모드를 표현하기 위해 사용되는 비트 수를 줄일 수 있다.That is, by determining a class to which a plurality of prediction modes are mapped and signaling an index for indicating the intra prediction mode of the current block within the determined class range, the number of bits used to represent the intra prediction mode can be reduced. have.

인코더/디코더는 클래스를 이용하여 현재 블록의 인트라 예측 모드를 도출한다(S2603).The encoder / decoder derives the intra prediction mode of the current block by using the class (S2603).

전술한 바와 같이, 인코더/디코더는 클래스 마다 하나의 화면 내 예측 모드가 매핑된 경우, 결정된 클래스를 이용하여 현재 블록의 인트라 예측 모드를 도출할 수 있다.As described above, when one intra prediction mode is mapped for each class, the encoder / decoder may derive the intra prediction mode of the current block by using the determined class.

반면, 인코더/디코더는 클래스(class)에 복수 개의 인트라 예측 모드가 매핑되는 경우, 클래스 내에서 현재 블록의 인트라 예측 모드를 지시하는 인덱스(index) 정보를 복호화하고, 인덱스 정보를 이용하여 선택된 클래스 내에서 현재 블록의 인트라 예측 모드를 도출할 수 있다.On the other hand, when a plurality of intra prediction modes are mapped to a class, the encoder / decoder decodes index information indicating the intra prediction mode of the current block in the class, and uses the index information in the selected class. In, an intra prediction mode of a current block can be derived.

복수 개의 결정 트리로 구성된 랜덤 포레스트(random forest)의 각 결정 트리를 탐색하여 복수 개의 클래스가 선택되는 경우, 인코더/디코더는 복수 개의 클래스 중에서 가장 많이 선택된 클래스를 랜덤 포레스트의 클래스로 결정하고, 이를 이용하여 현재 블록의 인트라 예측 모드를 도출할 수 있다.When a plurality of classes are selected by searching each decision tree of a random forest composed of a plurality of decision trees, the encoder / decoder determines the most selected class among the plurality of classes as the class of the random forest and uses the same. The intra prediction mode of the current block can be derived.

그리고, 인코더/디코더는 현재 블록의 인트라 예측 모드가 하나 이상의 계층으로 분할된 경우, 각 계층 별로 결정되는 랜덤 포레스트 내 결정 트리의 리프 노드에서 클래스를 선택함으로써, 계층적으로 현재 블록의 인트라 예측 모드를 도출할 수 있다.When the intra prediction mode of the current block is divided into one or more layers, the encoder / decoder hierarchically selects the intra prediction mode of the current block by selecting a class from a leaf node of a decision tree in a random forest determined for each layer. Can be derived.

다시 말해, 인코더/디코더는 제 1 결정 트리에서 리프 노드를 탐색하여 현재 블록에 적용될 수 있는 복수 개의 인트라 예측 모드로 구성된 인트라 예측 모드 그룹을 결정하고, 상기 인트라 예측 모드 그룹에 따라 정해지는 제 2 결정 트리에서 리프 노드를 탐색하여 상기 인트라 예측 모드 그룹 내에서 하나 이상의 인트라 예측 모드가 매핑되는 클래스를 선택할 수 있다.In other words, the encoder / decoder searches for leaf nodes in the first decision tree to determine an intra prediction mode group consisting of a plurality of intra prediction modes that can be applied to the current block, and a second decision determined according to the intra prediction mode group. A leaf node may be searched in a tree to select a class to which one or more intra prediction modes are mapped in the intra prediction mode group.

이때, 계층적으로 사용되는 각 랜덤 포레스트 또는 결정 트리는 동일한 형태의 결정 트리로 구성될 수도 있고, 서로 다른 형태의 결정 트리로 구성될 수도 있다.In this case, each random forest or decision tree used hierarchically may be composed of a decision tree of the same type, or may be composed of a decision tree of different types.

이전 계층에서 랜덤 포레스트를 통해 결정되는 클래스에 따라 현재 계층에서 사용되는 랜덤 포레스트 또는 결정 트리의 종류가 결정될 수 있다.The type of random forest or decision tree used in the current layer may be determined according to the class determined through the random forest in the previous layer.

인코더/디코더는 인트라 예측 모드에 기반하여 현재 블록의 예측 샘플을 생성한다(S2604).The encoder / decoder generates prediction samples of the current block based on the intra prediction mode (S2604).

앞서 도 5 및 도 6에서 설명한 바와 같이, 인코더/디코더는 현재 블록의 인트라 예측 모드를 도출하고, 현재 블록에 이웃하는 샘플들(neighboring samples)을 이용하여 예측에 사용할 참조 샘플들을 구성할 수 있다. 그리고, 현재 블록에 이웃하는 샘플들 중 일부가 아직 디코딩되지 않았거나, 이용 가능하지 않을 경우, 인코더/디코더는 이용 가능한 샘플들로 이용 가능하지 않은 샘플들을 대체(substitution)하여 예측에 사용할 참조 샘플들을 구성할 수 있다. 그리고, 인코더/디코더는 인트라 예측 모드에 기반하여 참조 샘플의 필터링을 수행할 수 있다. 그리고, 인코더/디코더는 인트라 예측 모드와 참조 샘플들에 기반하여 현재 블록에 대한 예측 샘플을 생성할 수 있다.As described above with reference to FIGS. 5 and 6, the encoder / decoder may derive an intra prediction mode of the current block and configure reference samples to be used for prediction using neighboring samples neighboring the current block. And, if some of the samples neighboring the current block have not yet been decoded or are available, the encoder / decoder substitutes the samples that are not available with the available samples to determine the reference samples to use for prediction. Can be configured. The encoder / decoder may perform filtering of reference samples based on the intra prediction mode. The encoder / decoder may generate a prediction sample for the current block based on the intra prediction mode and the reference samples.

도 27은 본 발명의 일 실시예에 따른 인트라 예측부를 예시하는 도면이다.27 is a diagram illustrating an intra prediction unit according to an embodiment of the present invention.

도 27에서는 설명의 편의를 위해 인트라 예측부를 하나의 블록으로 도시하였으나, 인트라 예측부는 인코더 및/또는 디코더에 포함되는 구성으로 구현될 수 있다.In FIG. 27, the intra prediction unit is illustrated as one block for convenience of description, but the intra prediction unit may be implemented as a configuration included in the encoder and / or the decoder.

도 27를 참조하면, 인트라 예측부는 앞서 도 5 내지 도 26에서 제안된 기능, 과정 및/또는 방법을 구현한다. 구체적으로, 인트라 예측부는 리프 노드 탐색부(2701), 클래스 선택부(2702), 예측 모드 도출부(2703) 및 예측 샘플 생성부(2704)를 포함하여 구성될 수 있다.Referring to FIG. 27, the intra predictor implements the functions, processes, and / or methods proposed in FIGS. 5 to 26. In detail, the intra prediction unit may include a leaf node search unit 2701, aclass selector 2702, a prediction mode derivation unit 2703, and a prediction sample generator 2704.

리프 노드 탐색부(2701)는 이진 트리(binary tree) 구조를 가지는 결정 트리(decision tree)에서 각 노드에 저장된 분할 함수(split function)를 이용하여 자식 노드(child node)를 선택하는 과정을 루트 노드(root node)로부터 순차적으로 수행함으로써, 리프 노드(leaf node)를 탐색한다.The leaf node search unit 2701 is a root node for selecting a child node using a split function stored in each node in a decision tree having a binary tree structure. By sequentially executing from the (root node), the leaf node is searched.

전술한 바와 같이, 리프 노드 탐색부(2701)는 앞서 도 11에서 설명한 방법과 같은 방법으로, 학습 절차를 통해 분할 파라미터가 결정된 결정 트리의 루트 노드에서부터 리프 노드까지 자식 노드를 선택하여 리프 노드를 탐색할 수 있다.As described above, the leaf node search unit 2701 searches the leaf node by selecting child nodes from the root node to the leaf node of the decision tree in which the splitting parameter is determined through the learning procedure, in the same manner as described above with reference to FIG. 11. can do.

또한, 전술한 바와 같이 분할 함수는 분할 파라미터(split parameter)로 구성되고, 상기 현재 블록에 이웃하는 참조 샘플을 입력으로 하여, 좌측 자식 노드(left child node) 또는 우측 자식 노드(right child node)에 대응되는 값을 출력할 수 있다.In addition, as described above, the splitting function is composed of split parameters, and inputs a reference sample neighboring the current block to a left child node or a right child node. The corresponding value can be output.

또한, 전술한 바와 같이, 분할 파라미터는 결정 트리(또는 랜덤 트리)의 각 노드에서 좌측 자식 노드(left child node) 또는 우측 자식 노드(right child node)로 분할하였을 때 계산되는 불확실성의 감소, 즉 정보 이득(information gain)을 최대화하는 방향으로 학습될 수 있다.In addition, as described above, the segmentation parameter is a reduction in uncertainty, i.e. information, calculated when the node is divided into a left child node or a right child node in each node of the decision tree (or random tree). It can be learned in the direction of maximizing the gain.

앞서 도 10 및 수학식 2에서 설명한 바와 같이, 분할 파라미터는 현재 블록에 이웃하는 참조 샘플 중에서 2개의 참조 샘플을 이용하여 결정될 수 있다.As described above with reference to FIGS. 10 and 2, the partition parameter may be determined using two reference samples among reference samples neighboring the current block.

현재 블록의 예측 샘플을 생성하기 위해 다중 참조 샘플 라인을 참조할 수 있다. 이때, 앞서 도 12 내지 14 및 수학식 3 내지 5에서 설명한 바와 같이, 분할 파라미터는 다중 참조 샘플 라인 중 현재 블록에 인접한 2개의 참조 샘플 라인의 복수 개의 참조 샘플을 이용하여 결정될 수 있다.Multiple reference sample lines can be referenced to generate predictive samples of the current block. In this case, as described above with reference to FIGS. 12 to 14 andEquations 3 to 5, the splitting parameter may be determined using a plurality of reference samples of two reference sample lines adjacent to the current block among the multiple reference sample lines.

또한, 현재 블록의 예측 샘플을 생성하기 위해 다중 참조 샘플 라인을 참조하는 경우, 분할 파라미터는 다중 참조 샘플 라인 중에서 복수 개의 참조 샘플을 이용하여 결정될 수 있다.In addition, when referring to multiple reference sample lines to generate a prediction sample of the current block, the splitting parameter may be determined using a plurality of reference samples among the multiple reference sample lines.

또한, 앞서 도 16 및 수학식 6에서 설명한 바와 같이, 분할 파라미터는 상기 다중 참조 샘플 라인의 특정 참조 샘플의 샘플값과 수평 방향으로 특정 참조 샘플의 우측에 인접한 참조 샘플의 샘플값과의 차이값과, 특정 참조 샘플의 샘플값과 수직 방향으로 특정 참조 샘플의 하단에 인접한 참조 샘플의 샘플값과의 차이값을 이용하여 결정될 수 있다.In addition, as described above with reference to FIG. 16 andEquation 6, the division parameter may be equal to a difference between a sample value of a specific reference sample of the multi-reference sample line and a sample value of a reference sample adjacent to the right side of the specific reference sample in the horizontal direction. The difference between the sample value of the specific reference sample and the sample value of the reference sample adjacent to the lower end of the specific reference sample in the vertical direction may be determined.

또한, 앞서 도 16, 도 17 및 수학식 8에서 설명한 바와 같이, 분할 파라미터는 다중 참조 샘플 라인의 각 참조 샘플의 샘플값과 특정 각도 방향으로 인접한 참조 샘플의 샘플값과의 차이값의 합을 이용하여 결정될 수 있다.In addition, as described above with reference to FIGS. 16, 17, and 8, the division parameter uses a sum of a difference value between a sample value of each reference sample of the multi-reference sample line and a sample value of adjacent reference samples in a specific angular direction. Can be determined.

클래스 선택부(2702)는 리프 노드에서 하나 이상의 인트라 예측 모드가 매핑되는 클래스(class)를 선택한다.Theclass selector 2702 selects a class to which one or more intra prediction modes are mapped in the leaf node.

전술한 바와 같이, 결정 트리의 각 리프 노드에는 클래스의 확률 정보가 저장되어 있을 수 있으며, 결정 트리에서 탐색을 통해 출력되는 클래스는 리프 노드에 저장된 클래스 중 가장 확률이 높은 클래스로 결정될 수 있다.As described above, the probability information of the class may be stored in each leaf node of the decision tree, and the class output through searching in the decision tree may be determined as the most probable class among the classes stored in the leaf node.

또한, 랜덤 포레스트는 하나 이상의 결정 트리(또는 랜덤 트리)로 구성될 수 있다. 복수 개의 결정 트리로 구성된 랜덤 포레스트(random forest)의 각 결정 트리를 탐색하여 복수 개의 클래스가 선택되는 경우, 클래스 선택부(2702)는 복수 개의 클래스 중에서 가장 많이 선택된 클래스를 랜덤 포레스트의 클래스로 결정할 수 있다.In addition, the random forest may consist of one or more decision trees (or random trees). When a plurality of classes are selected by searching each decision tree of a random forest composed of a plurality of decision trees, theclass selector 2702 may determine the class selected most frequently among the plurality of classes as the class of the random forest. have.

전술한 바와 같이, 클래스 선택부(2702)는 랜덤 포레스트를 구성하는 랜덤 트리의 루트 노드로부터 리프 노드까지 분할(또는 탐색)하여, 도달된 리프 노드의 클래스 정보(또는 화면 내 예측 모드)를 저장하고, 이를 최종 클래스 결정(또는 현재 블록의 화면 내 예측 모드 결정)의 투표에 사용할 수 있다.As described above, theclass selector 2702 splits (or searches) from the root node of the random tree constituting the random forest to the leaf node, and stores class information (or in-picture prediction mode) of the reached leaf node. This can be used for voting of the final class decision (or the decision of the in-screen prediction mode of the current block).

랜덤 포레스트가 복수 개의 랜덤 트리로 구성된 경우, 각각의 랜덤 트리에서 결정된 클래스(또는 화면 내 예측 모드)가 투표(voting)에 사용되며, 랜덤 포레스트 내에서 가장 많은 투표를 얻은 클래스(또는 화면 내 예측 모드)가 최적의 클래스(또는 현재 블록의 화면 내 예측 모드)로 결정될 수 있다.If a random forest consists of a plurality of random trees, the class determined in each random tree (or in-screen prediction mode) is used for voting, and the class with the most votes in the random forest (or in-screen prediction mode) ) May be determined as an optimal class (or an intra prediction mode of the current block).

만약, 랜덤 포레스트가 단일의 랜덤 트리로 구성된 경우, 랜덤 트리에서 결정된 클래스(또는 화면 내 예측 모드)가 최적의 클래스(또는 현재 블록의 화면 내 예측 모드)로 결정될 수 있다.If the random forest consists of a single random tree, the class (or intra prediction mode) determined in the random tree may be determined as the optimal class (or intra prediction mode of the current block).

또한, 각 클래스 마다 하나 이상의 화면 내 예측 모드를 매핑하여 예측 모드 결정의 정확도를 향상시킬 수 있다. 다시 말해, 클래스 선택부(2702)는 클래스(class)에 복수 개의 인트라 예측 모드가 매핑되는 경우, 클래스 내에서 현재 블록의 인트라 예측 모드를 지시하는 인덱스(index) 정보를 복호화할 수 있다.In addition, one or more intra prediction modes may be mapped to each class to improve accuracy of prediction mode determination. In other words, when a plurality of intra prediction modes are mapped to a class, theclass selector 2702 may decode index information indicating the intra prediction mode of the current block in the class.

즉, 복수 개의 예측 모드가 매핑되는 클래스를 결정하고, 결정된 클래스 범위 내에서 현재 블록의 화면 내 예측 모드를 지시하기 위한 인덱스를 시그널링함으로써, 화면 내 예측 모드를 표현하기 위해 사용되는 비트 수를 줄일 수 있다.That is, by determining a class to which a plurality of prediction modes are mapped and signaling an index for indicating the intra prediction mode of the current block within the determined class range, the number of bits used to represent the intra prediction mode can be reduced. have.

예측 모드 도출부(2703)는 클래스를 이용하여 현재 블록의 인트라 예측 모드를 도출한다.The prediction mode derivation unit 2703 derives the intra prediction mode of the current block by using the class.

전술한 바와 같이, 예측 모드 도출부(2703)는 클래스 마다 하나의 화면 내 예측 모드가 매핑된 경우, 결정된 클래스를 이용하여 현재 블록의 인트라 예측 모드를 도출할 수 있다.As described above, when one intra prediction mode is mapped for each class, the prediction mode derivation unit 2703 may derive the intra prediction mode of the current block by using the determined class.

반면, 예측 모드 도출부(2703)는 클래스(class)에 복수 개의 인트라 예측 모드가 매핑되는 경우, 클래스 내에서 현재 블록의 인트라 예측 모드를 지시하는 인덱스(index) 정보를 복호화하고, 인덱스 정보를 이용하여 선택된 클래스 내에서 현재 블록의 인트라 예측 모드를 도출할 수 있다.On the other hand, when a plurality of intra prediction modes are mapped to a class, the prediction mode derivation unit 2703 decodes index information indicating the intra prediction mode of the current block in the class and uses the index information. In this case, the intra prediction mode of the current block may be derived within the selected class.

복수 개의 결정 트리로 구성된 랜덤 포레스트(random forest)의 각 결정 트리를 탐색하여 복수 개의 클래스가 선택되는 경우, 예측 모드 도출부(2703)는 복수 개의 클래스 중에서 가장 많이 선택된 클래스를 랜덤 포레스트의 클래스로 결정하고, 이를 이용하여 현재 블록의 인트라 예측 모드를 도출할 수 있다.When a plurality of classes are selected by searching each decision tree of a random forest composed of a plurality of decision trees, the prediction mode derivator 2703 determines the most selected class among the plurality of classes as the class of the random forest. In this case, the intra prediction mode of the current block may be derived.

그리고, 예측 모드 도출부(2703)는 현재 블록의 인트라 예측 모드가 하나 이상의 계층으로 분할된 경우, 각 계층 별로 결정되는 랜덤 포레스트 내 결정 트리의 리프 노드에서 클래스를 선택함으로써, 계층적으로 현재 블록의 인트라 예측 모드를 도출할 수 있다.When the intra prediction mode of the current block is divided into one or more layers, the prediction mode derivation unit 2703 selects a class from leaf nodes of a decision tree in a random forest determined for each layer, thereby hierarchically selecting the current block. Intra prediction mode can be derived.

다시 말해, 예측 모드 도출부(2703)는 제 1 결정 트리에서 리프 노드를 탐색하여 현재 블록에 적용될 수 있는 복수 개의 인트라 예측 모드로 구성된 인트라 예측 모드 그룹을 결정하고, 상기 인트라 예측 모드 그룹에 따라 정해지는 제 2 결정 트리에서 리프 노드를 탐색하여 상기 인트라 예측 모드 그룹 내에서 하나 이상의 인트라 예측 모드가 매핑되는 클래스를 선택할 수 있다.In other words, the prediction mode derivation unit 2703 searches for a leaf node in the first decision tree to determine an intra prediction mode group including a plurality of intra prediction modes that can be applied to the current block, and to determine the intra prediction mode group according to the intra prediction mode group. The second node may search the leaf nodes in the second decision tree to select a class to which one or more intra prediction modes are mapped in the intra prediction mode group.

이때, 계층적으로 사용되는 각 랜덤 포레스트 또는 결정 트리는 동일한 형태의 결정 트리로 구성될 수도 있고, 서로 다른 형태의 결정 트리로 구성될 수도 있다.In this case, each random forest or decision tree used hierarchically may be composed of a decision tree of the same type, or may be composed of a decision tree of different types.

이전 계층에서 랜덤 포레스트를 통해 결정되는 클래스에 따라 현재 계층에서 사용되는 랜덤 포레스트 또는 결정 트리의 종류가 결정될 수 있다.The type of random forest or decision tree used in the current layer may be determined according to the class determined through the random forest in the previous layer.

예측 샘플 생성부(2704)는 인트라 예측 모드에 기반하여 현재 블록의 예측 샘플을 생성한다.The prediction sample generator 2704 generates a prediction sample of the current block based on the intra prediction mode.

앞서 도 5 및 도 6에서 설명한 바와 같이, 예측 샘플 생성부(2704)는 현재 블록의 인트라 예측 모드를 도출하고, 현재 블록에 이웃하는 샘플들(neighboring samples)을 이용하여 예측에 사용할 참조 샘플들을 구성할 수 있다. 그리고, 현재 블록에 이웃하는 샘플들 중 일부가 아직 디코딩되지 않았거나, 이용 가능하지 않을 경우, 인코더/디코더는 이용 가능한 샘플들로 이용 가능하지 않은 샘플들을 대체(substitution)하여 예측에 사용할 참조 샘플들을 구성할 수 있다. 그리고, 예측 샘플 생성부(2704)는 인트라 예측 모드에 기반하여 참조 샘플의 필터링을 수행할 수 있다. 그리고, 예측 샘플 생성부(2704)는 인트라 예측 모드와 참조 샘플들에 기반하여 현재 블록에 대한 예측 샘플을 생성할 수 있다.As described above with reference to FIGS. 5 and 6, the prediction sample generator 2704 derives an intra prediction mode of the current block and configures reference samples to be used for prediction using neighboring samples neighboring the current block. can do. And, if some of the samples neighboring the current block have not yet been decoded or are available, the encoder / decoder substitutes the samples that are not available with the available samples to determine the reference samples to use for prediction. Can be configured. The prediction sample generator 2704 may perform filtering of the reference sample based on the intra prediction mode. The prediction sample generator 2704 may generate a prediction sample for the current block based on the intra prediction mode and the reference samples.

이상에서 설명된 실시예들은 본 발명의 구성요소들과 특징들이 소정 형태로 결합된 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려되어야 한다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 본 발명의 실시예를 구성하는 것도 가능하다. 본 발명의 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다. 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함시킬 수 있음은 자명하다.The embodiments described above are the components and features of the present invention are combined in a predetermined form. Each component or feature shall be considered optional unless otherwise expressly stated. Each component or feature may be implemented in a form that is not combined with other components or features. It is also possible to construct embodiments of the present invention by combining some of the elements and / or features. The order of the operations described in the embodiments of the present invention may be changed. Some configurations or features of certain embodiments may be included in other embodiments, or may be replaced with corresponding configurations or features of other embodiments. It is clear that the claims that are not expressly cited in the claims may be combined to form an embodiment or be included in a new claim by an amendment after the application.

본 발명에 따른 실시예는 다양한 수단, 예를 들어, 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다. 하드웨어에 의한 구현의 경우, 본 발명의 일 실시예는 하나 또는 그 이상의 ASICs(application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 프로세서, 콘트롤러, 마이크로 콘트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.Embodiments in accordance with the present invention may be implemented by various means, for example, hardware, firmware, software, or a combination thereof. In the case of hardware implementation, an embodiment of the present invention may include one or more application specific integrated circuits (ASICs), digital signal processors (DSPs), digital signal processing devices (DSPDs), programmable logic devices (PLDs) field programmable gate arrays, processors, controllers, microcontrollers, microprocessors, and the like.

펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 일 실시예는 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차, 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드는 메모리에 저장되어 프로세서에 의해 구동될 수 있다. 상기 메모리는 상기 프로세서 내부 또는 외부에 위치하여, 이미 공지된 다양한 수단에 의해 상기 프로세서와 데이터를 주고 받을 수 있다.In the case of implementation by firmware or software, an embodiment of the present invention may be implemented in the form of a module, procedure, function, etc. that performs the functions or operations described above. The software code may be stored in memory and driven by the processor. The memory may be located inside or outside the processor, and may exchange data with the processor by various known means.

본 발명은 본 발명의 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있음은 당업자에게 자명하다. 따라서, 상술한 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.It will be apparent to those skilled in the art that the present invention may be embodied in other specific forms without departing from the essential characteristics thereof. Accordingly, the foregoing detailed description is to be considered in all respects illustrative and not restrictive. The scope of the invention should be determined by reasonable interpretation of the appended claims, and all changes within the equivalent scope of the invention are included in the scope of the invention.

이상, 전술한 본 발명의 바람직한 실시예는, 예시의 목적을 위해 개시된 것으로, 당업자라면 이하 첨부된 특허청구범위에 개시된 본 발명의 기술적 사상과 그 기술적 범위 내에서, 다양한 다른 실시예들을 개량, 변경, 대체 또는 부가 등이 가능할 것이다.It will be apparent to those skilled in the art that various modifications and variations can be made in the present invention without departing from the spirit or scope of the invention as defined by the appended claims. , Substitution or addition, or the like.

Claims (17)

Translated fromKorean

인트라 예측(intra prediction) 모드 기반으로 영상을 복호화하는 방법에 있어서,
이진 트리(binary tree) 구조를 가지는 결정 트리(decision tree)에서 각 노드에 저장된 분할 함수(split function)를 이용하여 자식 노드(child node)를 선택하는 과정을 루트 노드(root node)로부터 순차적으로 수행함으로써, 리프 노드(leaf node)를 탐색하는 단계;
상기 리프 노드와 하나 이상의 인트라 예측 모드가 매핑되는 클래스(class)를 선택하는 단계;
상기 클래스를 이용하여 현재 블록의 인트라 예측 모드를 도출하는 단계; 및
상기 인트라 예측 모드에 기반하여 상기 현재 블록의 예측 샘플을 생성하는 단계를 포함하고,
상기 분할 함수는 분할 파라미터(split parameter)로 구성되고, 상기 현재 블록에 이웃하는 참조 샘플을 입력으로 하여, 좌측 자식 노드(left child node) 또는 우측 자식 노드(right child node)에 대응되는 값을 출력하는 인트라 예측 모드 기반 영상 복호화 방법.A method of decoding an image based on an intra prediction mode,
In the decision tree having a binary tree structure, the child nodes are sequentially selected from the root node using the split function stored in each node. Thereby searching for leaf nodes;
Selecting a class to which the leaf node and at least one intra prediction mode are mapped;
Deriving an intra prediction mode of the current block using the class; And
Generating a predictive sample of the current block based on the intra prediction mode,
The splitting function is composed of split parameters and outputs a value corresponding to a left child node or a right child node by inputting a reference sample neighboring the current block. An intra prediction mode based image decoding method.제 1항에 있어서,
상기 분할 파라미터는 상기 결정 트리의 각 노드에서 좌측 자식 노드 또는 우측 자식 노드로 분할하였을 때 계산되는 불확실성의 감소를 최대화하는 방향으로 학습되는 인트라 예측 모드 기반 영상 복호화 방법.The method of claim 1,
And the splitting parameter is trained in a direction of maximizing a reduction in uncertainty calculated when the node is divided into a left child node or a right child node in each decision tree.제 1항에 있어서,
복수 개의 결정 트리로 구성된 랜덤 포레스트(random forest)에서 각 결정 트리의 리프 노드를 탐색하여 복수 개의 클래스가 선택되는 경우, 상기 복수 개의 클래스 중에서 가장 많이 선택되는 클래스를 상기 랜덤 포레스트의 클래스로 결정하는 단계를 더 포함하고,
상기 현재 블록의 인트라 예측 모드는 상기 랜덤 포레스트의 클래스를 이용하여 도출되는 인트라 예측 모드 기반 영상 복호화 방법.The method of claim 1,
If a plurality of classes are selected by searching for leaf nodes of each decision tree in a random forest composed of a plurality of decision trees, determining a class selected from the plurality of classes as the class of the random forest. More,
The intra prediction mode based image decoding method of the current block is derived using the class of the random forest.제 1항에 있어서,
상기 분할 파라미터는 상기 현재 블록에 이웃하는 참조 샘플 중 2개의 참조 샘플을 이용하여 결정되는 인트라 예측 모드 기반 영상 복호화 방법.The method of claim 1,
And the splitting parameter is determined using two reference samples among reference samples neighboring the current block.제 1항에 있어서,
상기 현재 블록의 예측 샘플을 생성하기 위해 다중 참조 샘플 라인을 참조하는 경우,
상기 분할 파라미터는 상기 다중 참조 샘플 라인 중에서 복수 개의 참조 샘플을 이용하여 결정되는 인트라 예측 모드 기반 영상 복호화 방법.The method of claim 1,
When referring to multiple reference sample lines to generate a predictive sample of the current block,
And the splitting parameter is determined using a plurality of reference samples among the multiple reference sample lines.제 1항에 있어서,
상기 현재 블록의 예측 샘플을 생성하기 위해 다중 참조 샘플 라인을 참조하는 경우,
상기 분할 파라미터는 상기 다중 참조 샘플 라인 중 상기 현재 블록에 인접한 2개의 참조 샘플 라인의 복수 개의 참조 샘플을 이용하여 결정되는 인트라 예측 모드 기반 영상 복호화 방법.The method of claim 1,
When referring to multiple reference sample lines to generate a predictive sample of the current block,
And the splitting parameter is determined using a plurality of reference samples of two reference sample lines adjacent to the current block among the multiple reference sample lines.제 1항에 있어서,
상기 현재 블록의 예측 샘플을 생성하기 위해 다중 참조 샘플 라인을 참조하는 경우,
상기 분할 파라미터는 상기 다중 참조 샘플 라인의 특정 참조 샘플의 샘플값과 수평 방향으로 상기 특정 참조 샘플의 우측에 인접한 참조 샘플의 샘플값과의 차이값과, 상기 특정 참조 샘플의 샘플값과 수직 방향으로 상기 특정 참조 샘플의 하단에 인접한 참조 샘플의 샘플값과의 차이값을 이용하여 결정되는 인트라 예측 모드 기반 영상 복호화 방법.The method of claim 1,
When referring to multiple reference sample lines to generate a predictive sample of the current block,
The segmentation parameter is a difference between a sample value of a specific reference sample of the multi-reference sample line and a difference value between a sample value of a reference sample adjacent to the right side of the specific reference sample and a vertical value of the sample value of the specific reference sample. And an intra prediction mode-based image decoding method determined using a difference value with a sample value of a reference sample adjacent to a lower end of the specific reference sample.제 1항에 있어서,
상기 현재 블록의 예측 샘플을 생성하기 위해 다중 참조 샘플 라인을 참조하는 경우,
상기 분할 파라미터는 상기 다중 참조 샘플 라인의 각 참조 샘플의 샘플값과 특정 각도 방향으로 인접한 참조 샘플의 샘플값과의 차이값의 합을 이용하여 결정되는 인트라 예측 모드 기반 영상 복호화 방법.The method of claim 1,
When referring to multiple reference sample lines to generate a predictive sample of the current block,
And the splitting parameter is determined using a sum of a difference between a sample value of each reference sample of the multi-reference sample line and a sample value of adjacent reference samples in a specific angular direction.제 1항에 있어서,
상기 클래스에 복수 개의 인트라 예측 모드가 매핑되는 경우, 상기 클래스 내에서 상기 현재 블록의 인트라 예측 모드를 지시하는 인덱스(index) 정보를 복호화하는 단계를 더 포함하고,
상기 현재 블록의 인트라 예측 모드는 상기 클래스 및 상기 인덱스 정보를 이용하여 도출되는 인트라 예측 모드 기반 영상 복호화 방법.The method of claim 1,
If a plurality of intra prediction modes are mapped to the class, decoding the index information indicating the intra prediction mode of the current block in the class;
The intra prediction mode based image decoding method of the current block is derived using the class and the index information.제 1항에 있어서,
상기 하나 이상의 인트라 예측 모드가 매핑되는 클래스를 선택하는 단계는,
제 1 결정 트리에서 리프 노드를 탐색하여 상기 현재 블록에 적용될 수 있는 복수 개의 인트라 예측 모드로 구성된 인트라 예측 모드 그룹을 결정하는 단계를 더 포함하고,
상기 인트라 예측 모드 그룹에 따라 정해지는 제 2 결정 트리에서 리프 노드를 탐색하여 상기 인트라 예측 모드 그룹 내에서 하나 이상의 인트라 예측 모드가 매핑되는 클래스를 선택하는 인트라 예측 모드 기반 영상 복호화 방법.The method of claim 1,
Selecting a class to which the at least one intra prediction mode is mapped,
Searching for a leaf node in a first decision tree to determine an intra prediction mode group consisting of a plurality of intra prediction modes that can be applied to the current block,
An intra prediction mode-based image decoding method of searching for leaf nodes in a second decision tree determined according to the intra prediction mode group, and selecting a class to which one or more intra prediction modes are mapped in the intra prediction mode group.인트라 예측(intra prediction) 모드 기반으로 영상을 복호화하는 장치에 있어서,
이진 트리(binary tree) 구조를 가지는 결정 트리(decision tree)에서 각 노드에 저장된 분할 함수(split function)를 이용하여 자식 노드(child node)를 선택하는 과정을 루트 노드(root node)로부터 순차적으로 수행함으로써, 리프 노드(leaf node)를 탐색하는 리프 노드 탐색부;
상기 리프 노드와 하나 이상의 인트라 예측 모드가 매핑되는 클래스(class)를 선택하는 클래스 선택부;
상기 클래스를 이용하여 현재 블록의 인트라 예측 모드를 도출하는 예측 모드 도출부; 및
상기 인트라 예측 모드에 기반하여 상기 현재 블록의 예측 샘플을 생성하는 예측 샘플 생성부를 포함하고,
상기 분할 함수는 분할 파라미터(split parameter)로 구성되고, 상기 현재 블록에 이웃하는 참조 샘플을 입력으로 하여, 좌측 자식 노드(left child node) 또는 우측 자식 노드(right child node)에 대응되는 값을 출력하는 인트라 예측 모드 기반 영상 복호화 장치.An apparatus for decoding an image based on an intra prediction mode,
In the decision tree having a binary tree structure, the child nodes are sequentially selected from the root node using the split function stored in each node. Thereby, a leaf node search unit for searching for leaf nodes;
A class selector configured to select a class to which the leaf node and at least one intra prediction mode are mapped;
A prediction mode derivation unit for deriving an intra prediction mode of the current block by using the class; And
A prediction sample generator configured to generate a prediction sample of the current block based on the intra prediction mode,
The splitting function is composed of split parameters and outputs a value corresponding to a left child node or a right child node by inputting a reference sample neighboring the current block. An intra prediction mode based image decoding apparatus.인트라 예측(intra prediction) 모드 기반으로 영상을 부호화하는 방법에 있어서,
이진 트리(binary tree) 구조를 가지는 결정 트리(decision tree)에서 각 노드에 저장된 분할 함수(split function)를 이용하여 자식 노드(child node)를 선택하는 과정을 루트 노드(root node)로부터 순차적으로 수행함으로써, 리프 노드(leaf node)를 탐색하는 단계;
상기 리프 노드와 하나 이상의 인트라 예측 모드가 매핑되는 클래스(class)를 선택하는 단계; 및
상기 클래스를 이용하여 현재 블록의 인트라 예측 모드를 부호화하는 단계를 포함하고,
상기 분할 함수는 분할 파라미터(split parameter)로 구성되고, 상기 현재 블록에 이웃하는 참조 샘플을 입력으로 하여, 좌측 자식 노드(left child node) 또는 우측 자식 노드(right child node)에 대응되는 값을 출력하는 인트라 예측 모드 기반 영상 부호화 방법.A method of encoding an image based on an intra prediction mode,
In the decision tree having a binary tree structure, the child nodes are sequentially selected from the root node using the split function stored in each node. Thereby searching for leaf nodes;
Selecting a class to which the leaf node and at least one intra prediction mode are mapped; And
Encoding the intra prediction mode of the current block using the class,
The splitting function is composed of split parameters and outputs a value corresponding to a left child node or a right child node by inputting a reference sample neighboring the current block. An intra prediction mode based image coding method.제 12항에 있어서,
상기 분할 파라미터는 상기 결정 트리의 각 노드에서 좌측 자식 노드 또는 우측 자식 노드로 분할하였을 때 계산되는 불확실성의 감소를 최대화하는 방향으로 학습되는 인트라 예측 모드 기반 영상 부호화 방법.13. The method of claim 12,
And the splitting parameter is trained in a direction of maximizing a reduction in uncertainty calculated when each node of the decision tree is split into a left child node or a right child node.제 12항에 있어서,
상기 분할 파라미터는 상기 현재 블록에 이웃하는 참조 샘플 중에서 1개의 참조 샘플과 상기 현재 블록의 예측 샘플 중에서 1개의 예측 샘플을 이용하여 결정되는 인트라 예측 모드 기반 영상 부호화 방법.13. The method of claim 12,
The splitting parameter is an intra prediction mode-based image encoding method determined by using one reference sample among reference samples neighboring the current block and one prediction sample among the prediction samples of the current block.제 12항에 있어서,
상기 분할 파라미터는 상기 현재 블록에 이웃하는 참조 샘플 중에서 하나 이상의 참조 샘플과 상기 현재 블록의 예측 샘플 중에서 하나 이상의 예측 샘플을 이용하여 결정되는 인트라 예측 모드 기반 영상 부호화 방법.13. The method of claim 12,
And the splitting parameter is determined using at least one reference sample among reference samples neighboring the current block and at least one prediction sample among the prediction samples of the current block.제 12항에 있어서,
상기 분할 파라미터는 상기 현재 블록의 예측 샘플 중, 특정 예측 샘플의 샘플값과 수평 방향으로 상기 특정 예측 샘플의 우측에 인접한 예측 샘플의 샘플값간의 차이값과, 상기 특정 예측 샘플의 샘플값과 수직 방향으로 상기 특정 예측 샘플의 하단에 인접한 예측 샘플의 샘플값간의 차이값을 이용하여 결정되는 인트라 예측 모드 기반 영상 부호화 방법.13. The method of claim 12,
The splitting parameter may include a difference value between a sample value of a specific prediction sample and a sample value of a prediction sample adjacent to the right side of the specific prediction sample in a horizontal direction among the prediction samples of the current block, and a sample value and a vertical direction of the sample value of the specific prediction sample. The intra prediction mode based image encoding method is determined by using a difference value between sample values of a predictive sample adjacent to a lower end of the specific predictive sample.제 12항에 있어서,
상기 분할 파라미터는 상기 현재 블록의 각 예측 샘플의 샘플값과 특정 각도 방향으로 인접한 예측 샘플의 샘플값과의 차이값의 합을 이용하여 결정되는 인트라 예측 모드 기반 영상 부호화 방법.13. The method of claim 12,
And the splitting parameter is determined using a sum of a difference between a sample value of each prediction sample of the current block and a sample value of adjacent prediction samples in a specific angular direction.

Images