Nichtlineare Prädiktion basierend auf Dictionary Learning im Kontext der Videocodierung

• Antragsteller: Professor Dr.-Ing. Jens-Rainer Ohm
• Fachliche Zuordnung: Elektronische Halbleiter, Bauelemente und Schaltungen, Integrierte Systeme, Sensorik, Theoretische Elektrotechnik
• Förderung: Förderung von 2018 bis 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 407254021

Die möglichst präzise und detailgetreue Prädiktion und Rekonstruktion ist ein wichtiger Bestandteil zur Effizienzsteigerung von Videocodierverfahren. In diesem Projekt soll untersucht werden, wie Dictionary Learning (DL) Ansätze, die über die klassische Signaltheorie hinausgehen, Prädiktions- und Rekonstruktionsverfahren in der Videocodierung verbessern können. Ein Vorteil von DL-Verfahren wird darin gesehen, dass sie weniger komplex sind als Deep Neural Networks und daher in der Videocodierung auch decoderseitig eingesetzt werden können. Ein Schwerpunkt der Untersuchungen liegt dabei auf der Analyse des Einflusses von Codierartefakten auf DL / sparse coding Methoden. Dabei sollen u.a. DL basierte Ansätze zur Reduzierung der Codierartefakte aktueller Videocodierungsstandards entwickelt werden. Weiterhin soll DL für eine Super Resolution (SR) Hochtastung eingesetzt werden, um die Subpixelinterpolation in der Bewegungskompensation zu verbessern. Im Zusammenhang mit DL-SR soll weiterhin ein Codierschema entlang des Konzepts der dynamischen Auflösungsanpassung realisiert und untersucht werden. In der Intra-Prädiktion soll DL ebenfalls als Alternative zu konventionellen Verfahren eingesetzt werden. Ein letztes Ziel des Projekts besteht darin, Ansätze zur weiteren Komplexitätsreduktion von DL zu untersuchen.

• DFG-Verfahren: Sachbeihilfen