Jens Schneider

Sparse Signal Modeling in Video Coding


voorkant	achterkant

ISBN:

978-3-8440-8401-6

Reeks:

Aachen Series on Multimedia and Communications Engineering
Uitgever: Univ.-Prof. Dr.-Ing. Jens-Rainer Ohm
Aachen

Volume:

Trefwoorden:

Videocoding; Multimedia; Communications Engeneering

Soort publicatie:

Dissertatie

Taal:

Engels

Pagina's:

144 pagina's

Gewicht:

212 g

Formaat:

21 x 14,8 cm

Bindung:

Softcover

Prijs:

45,80 € / 57,30 SFr

Verschijningsdatum:

Januari 2022

Kopen:

Download:

Beschikbare online documenten voor deze titel:

U heeft Adobe Reader, nodig, om deze bestanden te kunnen bekijken. Hier vindt u ondersteuning en informatie, bij het downloaden van PDF-bestanden.

Let u er a.u.b. op dat de online-bestanden niet drukbaar zijn.


	Document		Document
	Soort bestand		PDF
	Kosten		34,35 EUR
	Acties		Tonen en kopen van het bestand - 1,5 MB (1590868 Byte)
	Acties		Kopen en downloaden van het bestand - 1,5 MB (1590868 Byte)


	Document		Inhoudsopgave
	Soort bestand		PDF
	Kosten		gratis
	Acties		Het bestand tonen - 182 kB (186663 Byte)
	Acties		downloaden van het bestand - 182 kB (186663 Byte)

Gebruikersinstellingen voor geregistreerde online-bezoekers

Hier kunt u uw adresgegevens aanpassen en uw documenten inzien.

Gebruiker:	niet aangemeld
Acties:	aanmelden/registreren Paswoord vergeten?

Aanbevelen:

Wilt u dit boek aanbevelen?

Recensie-exemplaar

Bestelling van een recensie-exemplaar.

Verlinking

Wilt u een link hebben van uw publicatie met onze online catalogus? Klik hier.

Samenvatting

Digital video content dominates the overall internet traffic in form of streaming or video telephony, which was especially observable during the shutdown due to the COVID-19 pandemic in the first half of the year 2020. Modern video coding standards, such as HEVC and VVC, rely on the hybrid video coding scheme, which combines the principle of a DPCM loop with transform coding, and was not changed over the last decades.

However, data driven approaches have proven their potential in regard to classical inverse problems in image processing recently. In particular, the Sparse-Land signal model showed promising results for the problems of e.g. denoising and super-resolution. Therefore, the concepts of dictionary learning and sparse coding are reviewed in this work, and an improved patch combination method for dictionary learning-based super-resolution is presented.

Moreover, this thesis builds on the conjecture that the application of pretrained sparse image models in the coding loop or in higher level coding concepts allows for compression rates which go beyond the performance of state-of-the-art video coding standards. Consequently, the main contribution of this work is the analysis of sparse signal models in the context of Versatile Video Coding (VVC). To this end, a sparse coding-based loop filter is proposed, dictionary learning-based super-resolution is introduced to several higher level coding concepts, and a sparse coding-based intra prediction method is developed. All approaches were evaluated experimentally and the reported results indicate their potential for a compression performance beyond video coding standards such as HEVC and VVC.