特表 2023-545042 データストリームを復号する電子的方法及び置並びに関連するコンピュータプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2023-10-26

(54)【発明の名称】データストリームを復号する電子的方法及び置並びに関連するコンピュータプログラム

(51)【国際特許分類】

   H04N 19/91 20140101AFI20231019BHJP

   H04N 19/46 20140101ALI20231019BHJP

【ＦＩ】

H04N19/91

H04N19/46

【審査請求】未請求

【予備審査請求】未請求

(21)【出願番号】P 2023521083

(86)(22)【出願日】2021-10-01

(85)【翻訳文提出日】2023-05-30

(86)【国際出願番号】 EP2021077157

(87)【国際公開番号】W WO2022073885

(87)【国際公開日】2022-04-14

(31)【優先権主張番号】2010214

(32)【優先日】2020-10-06

(33)【優先権主張国・地域又は機関】FR

(81)【指定国・地域】

(71)【出願人】

【識別番号】521196970

【氏名又は名称】フォンダシオン ベー－コム

【氏名又は名称原語表記】ＦＯＮＤＡＴＩＯＮ Ｂ－ＣＯＭ

(74)【代理人】

【識別番号】100099759

【弁理士】

【氏名又は名称】青木 篤

(74)【代理人】

【識別番号】100123582

【弁理士】

【氏名又は名称】三橋 真二

(74)【代理人】

【識別番号】100092624

【弁理士】

【氏名又は名称】鶴田 準一

(74)【代理人】

【識別番号】100114018

【弁理士】

【氏名又は名称】南山 知広

(74)【代理人】

【識別番号】100153729

【弁理士】

【氏名又は名称】森本 有一

(74)【代理人】

【識別番号】100151459

【弁理士】

【氏名又は名称】中村 健一

(72)【発明者】

【氏名】フェリクス アンリ

(72)【発明者】

【氏名】ゴルドン クラル

【テーマコード（参考）】

5C159

【Ｆターム（参考）】

5C159MA04

5C159ME01

5C159PP04

5C159RC11

5C159UA02

5C159UA05

(57)【要約】

ビットシーケンスを復号する方法は、－ 人工ニューラルネットワーク（２９）の入力において、以前に復号された値（Ｖ）を適用するステップ、－ 以前に復号された値が適用される結果として、人工ニューラルネットワーク（２９）の出力においてコンテキストインデックス（Ｃ）を生成するステップ、－ 生成されたコンテキストインデックス（Ｃ）によって識別されたコンテキストでパラメータ化されたエントロピーデコーダ（３０）にビットシーケンス（Ｆｎｎ）の一部を適用することにより、新たな復号値（Ｖ）を取得するステップを含む。電子復号装置（２０）及び関連するコンピュータプログラムも提供される。

【特許請求の範囲】

【請求項1】

バイナリ要素のシーケンス（Ｆｎｎ）を復号する方法であって、
－ 人工ニューラルネットワーク（２９）の入力において、以前に復号された値（Ｖ）を適用するステップ（Ｅ７２）、
－ 前記適用の結果として、前記人工ニューラルネットワーク（２９）の出力においてコンテキストインデックス（Ｃ）を生成するステップ、
－ 前記生成されたコンテキストインデックス（Ｃ）によって識別されたコンテキストでパラメータ化されたエントロピーデコーダ（３０）に前記バイナリ要素のシーケンス（Ｆｎｎ）の一部を適用することにより、新たな復号値（Ｖ）を取得するステップ（Ｅ７０）、
を含む方法。

【請求項2】

前記人工ニューラルネットワーク（２９）の前記出力において、オーディオ又はビデオコンテンツを表すデータ（Ｉ）を生成するように、前記新たな復号値（Ｖ）を前記人工ニューラルネットワーク（２９）の前記入力に適用するステップ（Ｅ７２）をさらに含む、請求項１に記載の復号方法。

【請求項3】

前記エントロピーデコーダ（３０）によるエントロピー復号のプロセスは、前記人工ニューラルネットワーク（２９）の前記出力において新たなコンテキストインデックス（Ｃ）が生成されない限り一時停止される、請求項１又は２に記載の復号方法。

【請求項4】

前記バイナリ要素のシーケンス（Ｆｎｎ）は、前記エントロピーデコーダ（３０）内で使用可能なコンテキストのセットを示す情報（Ｉ１）をさらに含むデータストリームに含まれる、請求項１～３の何れか一項に記載の復号方法。

【請求項5】

前記情報（Ｉ１）は、前記エントロピーデコーダ（３０）内で使用可能なコンテキストの数を示す、請求項４に記載の復号方法。

【請求項6】

前記バイナリ要素のシーケンス（Ｆｎｎ）を含むデータストリームに含まれるパラメータ化データ（Ｉｉｎｉｔ）を使用して、前記エントロピーデコーダ（３０）内で使用可能な各コンテキストを初期化するステップ（Ｅ６６）を含む、請求項１～５の何れか一項に記載の復号方法。

【請求項7】

前記人工ニューラルネットワーク（２９）は、処理ユニット（２６）によって実装され、前記方法は、前記バイナリ要素のシーケンス（Ｆｎｎ）を含むデータストリームに含まれるデータに応じて前記処理ユニット（２６）を構成するステップ（Ｅ６０）を含む、請求項１～６の何れか一項に記載の復号方法。

【請求項8】

前記人工ニューラルネットワーク（２９）は、所与の時点で同じタイプの複数の演算を並列に実行するように設計された並列処理ユニット（２６）によって実装される、請求項１～７の何れか一項に記載の復号方法。

【請求項9】

前記エントロピーデコーダ（３０）は、前記並列処理ユニット（２６）とは別個のプロセッサ（２４）によって実装される、請求項８に記載の復号方法。

【請求項10】

コンピュータプログラムであって、プロセッサによって実行可能な命令を含み、且つ前記命令が前記プロセッサによって実行されると、請求項１に記載の復号方法を実装するように設計されたコンピュータプログラム。

【請求項11】

バイナリ要素のシーケンス（Ｆｎｎ）を復号するための電子装置（２０）であって、
－ 以前に復号された値（Ｖ）を入力として受け取り、且つコンテキストインデックス（Ｃ）を出力として生成するように設計された人工ニューラルネットワーク（２９）、
－ 前記バイナリ要素のシーケンス（Ｆｎｎ）を入力として受け取るように設計されたエントロピーデコーダ（３０）、
－ 前記エントロピーデコーダ（３０）の出力で新たな復号値（Ｖ）を取得するように、前記生成されたコンテキストインデックス（Ｃ）によって識別されたコンテキストで前記エントロピーデコーダ（３０）をパラメータ化するように設計された制御モジュール（２５）、
を含む電子装置（２０）。

【請求項12】

前記人工ニューラルネットワーク（２９）の前記出力において新たなコンテキストインデックス（Ｃ）が生成されない限り、前記エントロピーデコーダ（３０）によるエントロピー復号プロセスを一時停止することができる同期機構を含む、請求項１１に記載の電子復号装置。

【請求項13】

前記人工ニューラルネットワーク（２９）を実装することができる処理ユニット（２６）を含む、請求項１１又は１２に記載の電子復号装置。

【請求項14】

前記制御モジュール（２５）は、前記バイナリ要素のシーケンス（Ｆｎｎ）を含むデータストリームに含まれるデータ（Ｒ）に応じて前記処理ユニット（２９）を構成するように設計される、請求項１３に記載の電子復号装置。

【請求項15】

前記処理ユニット（２６）とは別個であり、且つ前記エントロピーデコーダ（３０）を実装するように設計されるプロセッサ（２４）を含む、請求項１３又は１４に記載の電子復号装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、データ復号の技術分野に関する。

【0002】

特に、本発明は、データストリームを復号する方法及び電子装置並びに関連するコンピュータプログラムに関する。

【背景技術】

【0003】

エントロピー符号化は、データ内の異なるシンボルの出現統計を考慮してそれらのデータを最適に圧縮するために、特にオーディオ又はビデオコンテンツの符号化の分野で使用される。

【0004】

このフレームワーク内において、ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｃｉｒｃｕｉｔｓ ａｎｄ Ｓｙｓｔｅｍｓ ｆｏｒ Ｖｉｄｅｏ Ｔｅｃｈｎｏｌｏｇｙ，ｖｏｌ．１３，ｎｏ．７，ｐｐ．６２０－６３６，Ｊｕｌｙ ２００３におけるＤ．Ｍａｒｐｅ、Ｈ．Ｓｃｈｗａｒｚ及びＴ．Ｗｉｅｇａｎｄによる論文「Ｃｏｎｔｅｘｔ－ｂａｓｅｄ ａｄａｐｔｉｖｅ ｂｉｎａｒｙ ａｒｉｔｈｍｅｔｉｃ ｃｏｄｉｎｇ ｉｎ ｔｈｅ Ｈ．２６４／ＡＶＣ ｖｉｄｅｏ ｃｏｍｐｒｅｓｓｉｏｎ ｓｔａｎｄａｒｄ」に記載されるように、例えばＣＡＢＡＣ（「コンテキスト適応バイナリ算術符号化」）が言及され得る。

【0005】

復号中、エントロピーデコーダは、常に、関連する規格で事前定義された方法において、以前に復号された構文要素に依存するコンテキストで構成される。

【発明の概要】

【課題を解決するための手段】

【0006】

本発明は、バイナリ要素のシーケンスを復号する方法であって、
－ 人工ニューラルネットワークの入力において、以前に復号された値を適用するステップ、
－ 前記適用の結果として、人工ニューラルネットワークの出力においてコンテキストインデックスを生成するステップ、
－ 生成されたコンテキストインデックスによって識別されたコンテキストでパラメータ化されたエントロピーデコーダにバイナリ要素のシーケンスの一部を適用することにより、新たな復号値を取得するステップ、
を含む方法を提案する。

【0007】

人工ニューラルネットワークを用いてコンテキスト識別子を生成することにより、エントロピー符号化を使用する際の柔軟性が高まり、これは、特にデータのフォーマットが完全に事前定義されていない場合に興味深い。

【0008】

以下で説明するように、復号方法は、次に、複数の反復（現在の反復及び先行する反復を含む）のそれぞれにおいて、（上述のエントロピーデコーダを用いて）エントロピー復号によって復号値を取得することを含み得、上に定義した、バイナリ要素のシーケンスを復号する方法は、次に、
－ 先行する反復でエントロピー復号によって取得された復号値を人工ニューラルネットワークの入力に適用するステップ、
－ 前記適用の結果として、人工ニューラルネットワークの出力においてコンテキストインデックスを生成するステップ、
－ 生成されたコンテキストインデックスによって識別されたコンテキストでパラメータ化されたエントロピーデコーダにバイナリ要素のシーケンスの一部を適用することにより、現在の反復で復号値を取得するステップ、
を含み得る。

【0009】

本方法は、人工ニューラルネットワークの出力において、オーディオ又はビデオコンテンツを表すデータを生成するように、新たな復号値を人工ニューラルネットワークの入力に適用するステップをさらに含み得る。したがって、この場合、人工ニューラルネットワークは、一方ではコンテキストインデックスを生成し、他方ではオーディオ又はビデオコンテンツを表すデータを生成する。

【0010】

例えば、人工ニューラルネットワークの第１の部分は、コンテキストインデックスを生成し（したがって、この第１の部分は、以下の説明では「コンテキスト決定人工ニューラルネットワーク」と呼ばれる）、及び人工ニューラルネットワークの第２の部分は、オーディオ又はビデオコンテンツを表すデータを生成する（したがって、この第２の部分は、以下の説明では「復号人工ニューラルネットワーク」と呼ばれる）ことが規定され得る。

【0011】

さらに、エントロピーデコーダによるエントロピー復号のプロセスは、人工ニューラルネットワークの出力において新たなコンテキストインデックスが生成されない限り一時停止されることが規定され得る。これにより、人工ニューラルネットワークとエントロピーデコーダとの間の同期が可能となる。

【0012】

バイナリ要素のシーケンスは、データストリームに含まれ得る。この場合、データストリームは、エントロピーデコーダ内で使用可能なコンテキストのセットを示す情報も含み得る。このような情報は、例えば、エントロピーデコーダ内で使用可能なコンテキストの数を示す。

【0013】

本方法は、例えば、バイナリ要素のシーケンスを含むデータストリームに含まれるパラメータ化データを用いて、エントロピーデコーダ内で使用可能な各コンテキストを初期化するステップをさらに含み得る。

【0014】

下記の実施形態において該当するように、人工ニューラルネットワークは、処理ユニットによって実装され得る。

【0015】

次に、本方法は、バイナリ要素のシーケンスを含むデータストリームに含まれるデータに応じて処理ユニットを構成するステップを含み得る。

【0016】

例えば、この構成ステップ中、（人工ニューラルネットワークの出力において）初期コンテキストインデックスを生成するように（エントロピーデコーダがバイナリ要素のシーケンスの復号を開始する前でも）、人工ニューラルネットワークの入力において事前定義された値を適用することも可能である。したがって、エントロピーデコーダは、（上記のプロセスを開始するために人工ニューラルネットワークの入力に適用する第１の復号値を取得するように）バイナリ要素のシーケンスの第１の要素をエントロピー復号するために、この初期コンテキストインデックスによって示されるコンテキストでパラメータ化される。

【0017】

別の可能性によれば、エントロピーデコーダは、人工ニューラルネットワークがコンテキストインデックスを生成しない限り、事前定義された初期コンテキストでパラメータ化され得る。したがって、エントロピー復号は、バイナリ要素のシーケンスの第１の要素を処理し、したがって人工ニューラルネットワークがコンテキストインデックスを生成するように人工ニューラルネットワークの入力に適用される第１の復号値を取得するために、この初期コンテキストにおいて実行され得る。

【0018】

人工ニューラルネットワークは、例えば、所与の時点で同じタイプの複数の演算を並列に実行するように設計された並列処理ユニットによって実装される。

【0019】

エントロピーデコーダは、並列処理ユニットとは別個のプロセッサによって実装され得る。

【0020】

本発明は、コンピュータプログラムであって、プロセッサによって実行可能な命令を含み、且つこれらの命令がプロセッサによって実行されると、上記の復号方法を実装するように設計されたコンピュータプログラムも提案する。

【0021】

最後に、本発明は、バイナリ要素のシーケンスを復号するための電子装置であって、
－ 以前に復号された値を入力として受け取り、且つコンテキストインデックスを出力として生成するように設計された人工ニューラルネットワーク、
－ バイナリ要素のシーケンスを入力として受け取るように設計されたエントロピーデコーダ、
－ エントロピーデコーダの出力で新たな復号値を取得するように、生成されたコンテキストインデックスによって識別されたコンテキストでエントロピーデコーダをパラメータ化するように設計された制御モジュール、
を含む電子装置を提案する。

【0022】

以下で説明するように、以前に復号された値は、例えば、新たな復号値が取得される（すなわちエントロピーデコーダによって生成される）反復に先行する反復において、エントロピー復号によって復号される。

【0023】

この電子復号装置は、人工ニューラルネットワークの出力において新たなコンテキストインデックスが生成されない限り、エントロピーデコーダによるエントロピー復号プロセスを一時停止することができる同期機構を含み得る。

【0024】

この電子復号装置は、人工ニューラルネットワークを実装することができる処理ユニットも含み得る。

【0025】

次に、制御モジュールは、上に示したように処理ユニットが人工ニューラルネットワークを実装することができるように、バイナリ要素のシーケンスを含むデータストリームに含まれるデータに応じて処理ユニットを構成するように設計され得る。

【0026】

電子復号装置は、処理ユニットとは別個であり、且つエントロピーデコーダを実装するように設計されるプロセッサをさらに含み得る。

【0027】

当然のことながら、本発明の異なる特徴、代替形態及び実施形態は、相互に互換性がないか又は排他的でない限り、様々な組み合わせに従って互いに関連付けられ得る。

【0028】

さらに、本発明の様々な他の特徴は、本発明の非限定的な実施形態を示す図面を参照して行われる添付の説明から明らかになるであろう。

【図面の簡単な説明】

【0029】

【図1】人工ニューラルネットワークのいくつかの部分を含むデータ処理アセンブリを示す。

【図2】図１の処理アセンブリ内で使用されるフィーチャマップを概略的に示す。

【図3】本発明のフレームワーク内で使用される電子符号化装置を示す。

【図4】図３の電子符号化装置内で実装される符号化方法のステップを示すフローチャートである。

【図5】図３の電子符号化装置によって生成されたデータストリームを示す。

【図6】本発明による電子復号装置の一例を示す。

【図7】図６の電子復号装置内に実装される復号方法のステップを示すフローチャートである。

【発明を実施するための形態】

【0030】

図１は、以下で説明するように、オーディオ若しくはビデオコンテンツを符号化するか、又はビデオコンテンツのオーディオをレンダリングするために符号化されたデータを復号するために異なる部分が使用されるデータ処理アセンブリを示す。

【0031】

このアセンブリは、符号化人工ニューラルネットワーク８と、エントロピーエンコーダ１０と、コンテキスト決定人工ニューラルネットワーク４０と、エントロピーデコーダ３０と、復号人工ニューラルネットワーク２８とを含む。

【0032】

符号化人工ニューラルネットワーク８は、オーディオ又はビデオコンテンツの表現（ここでは非圧縮）を形成するコンテンツデータＢを入力として（すなわち入力層上で）受信するように設計される。例えば、ビデオコンテンツの場合、コンテンツデータは、画像シーケンスの各画像のピクセルごとに、ピクセルの輝度値を表すデータ及びピクセルのクロミナンス値を表すデータを含む。

【0033】

符号化人工ニューラルネットワーク８の入力層に所定の時点で適用されるコンテンツデータＢは、画像のブロック、又は画像成分のブロック（例えば、この画像の輝度若しくはクロミナンス成分のブロック又は色成分のブロック）、又はビデオシーケンスの画像、又はビデオシーケンスの画像の成分（例えば、輝度若しくはクロミナンス成分又は色成分）、又はビデオシーケンスの一連の画像も表し得る。

【0034】

例えば、符号化人工ニューラルネットワーク８の入力層のニューロン（又はノード）の少なくともいくつかは、それぞれ画像成分のピクセル値を受け取り、前記値は、１つのコンテンツデータＢによって表されることが規定され得る。

【0035】

これらのコンテンツデータＢが符号化人工ニューラルネットワーク８の入力（すなわち入力層）に適用されると、符号化人工ニューラルネットワーク８は、それ自体がオーディオ又はビデオコンテンツを表す値Ｖを出力として生成する。

【0036】

しかしながら、符号化人工ニューラルネットワーク８の出力で生成される代表値Ｖは、符号化人工ニューラルネットワーク８の入力に適用された、対応するコンテンツデータＢよりもコンパクトな表現を形成する。例えば、符号化人工ニューラルネットワーク８の出力層のノード数は、符号化人工ニューラルネットワーク８の入力層のノード数よりも少ない（例えば、４分の１又はさらに８分の１若しくは１６分の１）。

【0037】

人工ニューラルネットワーク８の出力で生成された代表値Ｖは、ここで、図２に概略的に示されるようにフィーチャマップＦのシーケンスに整理される。ここで、符号化人工ニューラルネットワーク８は、例えば、Ｎ個のフィーチャマップＦを生成する。

【0038】

各フィーチャマップＦは、例えば、２次元構造（又はマトリックス構造）を有する。したがって、ここでの各フィーチャマップＦは、Ｈ個の行及びＷ個の列の行列を形成する。

【0039】

所与のフィーチャマップＦ内の所与の位置にある要素は、符号化人工ニューラルネットワーク８の出力ノード（又は出力層のノード）によって生成される代表値Ｖに対応し、この出力ノードは、事前定義された方法でこの所与の位置及びこの所与のフィーチャマップＦに関連付けられる。ある可能な実施形態によれば、人工ニューラルネットワーク８は、所与の時点でＮ個のフィーチャマップのすべてを出力として（すなわちその出力層上で）生成する。別の可能な実施形態によれば、（例えば、画像内の異なる位置に対応する）コンテンツデータＢの異なるセットは、異なる時点で人工ニューラルネットワーク８の入力（すなわち入力層）に適用され、人工ニューラルネットワーク８は、これらの異なる時点のそれぞれにおいて、対応するフィーチャマップＦを出力として（すなわちその出力層上で）生成する（この場合、人工ニューラルネットワーク８の出力ノードは、単一のフィーチャマップＦの異なる位置にそれぞれ関連付けられる）。

【0040】

代替として、符号化人工ニューラルネットワーク８の出力で生成された代表値Ｖは、代表値Ｖの順序付けられたシーケンスに整理され得る。符号化人工ニューラルネットワーク８の入力に適用されたコンテンツデータＢが画像のあるブロック（又は画像成分のあるブロック）を表す場合、符号化人工ニューラルネットワーク８の出力で生成された代表値Ｖの順序付けられたシーケンスは、このブロックに関連付けられる。したがって、人工ニューラルネットワーク８によって連続して生成された代表値の異なるシーケンスは、画像の異なるブロック（又は画像の関連する成分の異なるブロック）にそれぞれ関連付けられる。

【0041】

さらに別の代替形態によれば、符号化人工ニューラルネットワーク８の出力で生成された代表値Ｖは、データの多次元（例えば、Ｍ次元）構造内に配置される。次に、この構造の各要素は、構造内のその位置、すなわち上述の例ではＭ個１組の座標によって識別される。次に、符号化人工ニューラルネットワーク８の所与の出力ノード（すなわち出力層の所与のノード）によって生成された代表値Ｖは、事前定義された方法でこの出力ノードに関連付けられた構造内の位置（すなわち事前定義された方法でこの出力ノードに関連付けられた座標）によって識別される構造の要素を形成する。

【0042】

符号化人工ニューラルネットワーク８の出力（すなわち出力層上）で生成された代表値Ｖは、一方ではエントロピーエンコーダ１０の入力に適用され、他方ではコンテキスト決定人工ニューラルネットワーク４０の入力（すなわち入力層）に適用される。

【0043】

したがって、コンテキスト決定人工ニューラルネットワーク４０は、入力として（すなわちその入力層上で）代表値Ｖ（例えば、符号化されている画像のブロックに対応するか、又は符号化されている画像の成分のブロックに対応する）を受け取り、その結果として、コンテキストインデックスＣを出力として生成する。コンテキストインデックスＣは、ここで、コンテキスト決定人工ニューラルネットワーク４０の出力ノード上で生成される。

【0044】

ここで説明する例では、コンテキスト決定人工ニューラルネットワーク４０は、この一意の出力ノードのみを含む。しかしながら、代替方法として、コンテキスト決定人工ニューラルネットワーク４０は、それぞれが少なくとも１つの代表値Ｖ（例えば、代表値Ｖのセット）にそれぞれ関連付けられた複数のコンテキストインデックスＣを出力として生成し得る。上に記載した事例では、コンテキスト決定人工ニューラルネットワーク４０の出力において生成されるコンテキストインデックスＣは、異なるフィーチャマップＦ（各々が代表値Ｖのセットを含む）とそれぞれ関連付けられ得る。

【0045】

図１に見られるように、コンテキスト決定人工ニューラルネットワーク４０によって生成されたコンテキストインデックスＣは、エントロピーエンコーダ１０及びエントロピーデコーダ３０に適用される。

【0046】

エントロピーエンコーダ１０は、符号化されるシンボルの特定の出現確率にそれぞれ対応するいくつかの統計ソースを符号化するように設計される。そのために、エントロピーエンコーダ１０は、所与の統計ソースに関連付けられた特定のコンテキストであって、効果的に符号化されたシンボル（ここでは代表値Ｖ）がこの統計ソースの期待確率を満たす場合、エントロピーエンコーダ１０が最適なエントロピー符号化を生成する特定のコンテキストでパラメータ化され得る。

【0047】

以下では、代表値Ｖのエントロピー符号化中にエントロピーエンコーダ１０がパラメータ化され得るコンテキストの数（すなわち代表値Ｖによって形成される信号において処理され得る異なる統計ソースの数）は、Ｋで示される。例えば、Ｋ＝１６０である。

【0048】

エントロピーエンコーダ１０は、ここで、ＣＡＢＡＣ（「コンテキスト適応バイナリ算術符号化」）タイプのものである。代替として、それは、別のタイプのエントロピーエンコーダ、例えばハフマンタイプのエンコーダ、算術エンコーダ又はＬＺＷ（「Ｌｅｍｐｅｌ－Ｚｉｖ－Ｗｅｌｃｈ」）エンコーダであり得る。

【0049】

エントロピーエンコーダ１０の入力で受け取った代表値Ｖは、エントロピーエンコーダ１０によるエントロピー符号化のために、事前定義された方法で順序付けられる。

【0050】

例えば、代表値がフィーチャマップＦのシーケンスに整理される、本明細書に記載される例では、異なるフィーチャマップＦがこのシーケンスの順序で処理され、各フィーチャマップＦ内において、要素（すなわち代表値Ｖ）は、事前定義された（スキャン）順序で考慮される。

【0051】

エントロピーエンコーダ１０は、コンテキスト決定人工ニューラルネットワーク４０の出力で生成されたコンテキストインデックスＣによって示されるコンテキストでパラメータ化される一方、入力として受け取った順序付けられた代表値Ｖのエントロピー符号化を実行する。複数のコンテキストインデックスＣがコンテキスト決定人工ニューラルネットワーク４０の出力で生成される代替実施形態では、それぞれ異なるフィーチャマップＦに関連して、エントロピーエンコーダ１０は、エントロピー符号化されているフィーチャマップＦに関連付けられたコンテキストインデックスＣによって示されるコンテキストで（常に）パラメータ化されながら、入力として受け取った順序付けられた代表値Ｖのエントロピー符号化を実行する。

【0052】

次に、エントロピーエンコーダ１０は、バイナリ要素のシーケンスＦｎｎを出力として生成する。以下で明らかになるように、バイナリ要素のこのシーケンスＦｎｎは、オーディオ又はビデオコンテンツを表す圧縮データのストリーム（図３を参照して以下に説明する電子符号化装置２の出力で生成され、且つ図６を参照して以下に説明する電子復号装置２０向けのデータストリーム）に対応する。

【0053】

バイナリ要素のシーケンスＦｎｎは、エントロピーエンコーダ３０の入力に適用され、エントロピーエンコーダ３０は、コンテキスト決定人工ニューラルネットワーク４０の出力で生成されたコンテキストインデックスＣによって示されるコンテキストでパラメータ化される。

【0054】

エントロピーデコーダ３０は、上に記載したエントロピーエンコーダ１０によって実行されるエントロピー符号化の逆であるエントロピー復号を実行するように設計される。したがって、エントロピーデコーダ３０は、ここで、ＣＡＢＡＣ（「コンテキスト適応バイナリ算術符号化」）タイプのエントロピーデコーダである。代替方法として、それは、別のタイプのエントロピーエンコーダ、例えば、ハフマンタイプのデコーダ、算術デコーダ又はＬＺＷ（「Ｌｅｍｐｅｌ－Ｚｉｖ－Ｗｅｌｃｈ」）デコーダであり得る。

【0055】

したがって、エントロピーデコーダ３０は、エントロピーエンコーダ１０の入力に適用されるものと同一の代表値Ｖを出力として生成する。（この点について、エントロピー符号化が無損失符号化であることを想起されたい。）

【0056】

エントロピーデコーダ３０の出力で生成された代表値Ｖは、復号人工ニューラルネットワーク２８の入力（すなわち入力層）に適用される。

【0057】

復号人工ニューラルネットワーク２８の入力ノード（又は入力層のノード）への代表値Ｖのそれぞれの割り当ては、事前定義されている。（符号化人工ニューラルネットワーク８の出力層は、復号人工ニューラルネットワーク２８の入力層に対応することがさらに観察される。実際、エントロピー符号化の使用は、データ圧縮の向上を可能にするが、これらのデータを変更しない。）

【0058】

復号人工ニューラルネットワーク２８が代表値Ｖを入力として受け取ると、復号人工ニューラルネットワーク２８は、オーディオ又はビデオ再生装置上での再生に適合したコンテンツの表現Ｉを出力として（すなわち出力層上で）生成する。

【0059】

したがって、ビデオコンテンツ（画像又は画像のシーケンスを含む）の場合、人工ニューラルネットワーク２８は、出力として（すなわちその出力層上で）画像ブロック（若しくは画像成分のブロック又は代替方法として画像若しくは画像成分）の少なくとも１つの行列表現Ｉを生成する。

【0060】

上記に、図１を参照して、コンテンツデータＢから、このコンテンツを表す圧縮ストリーム（バイナリ要素のシーケンスＦｎｎ）を生成し、この圧縮ストリームを使用して、オーディオ又はビデオ再生装置での再生を目的とした、このコンテンツの表現Ｉを生成することを可能にするデータ処理アセンブリを説明した。

【0061】

そのようなデータセットは、これまで説明したような異なる人工ニューラルネットワーク８、２８、４０の学習フェーズ中、特定のタイプのコンテンツ及び／又は特定のレート－ひずみ妥協に対して最適化され得る。

【0062】

まず、オーディオ又はビデオ学習コンテンツのシーケンス（例えば、ここでは一連の学習ビデオ）が選択される。これは、このデータ処理アセンブリで圧縮することが望まれるコンテンツのタイプを表すコンテンツのセットである。

【0063】

次に、学習シーケンスの各コンテンツ（ここでは各ビデオ）が符号化人工ニューラルネットワーク８の入力に（コンテンツデータＢとして）適用され得、これにより（エントロピーエンコーダ１０の出力において）バイナリ要素のシーケンスＦｎｎ及び（復号人工ニューラルネットワーク２８の出力において）表示される表現Ｉを（上に説明したように）毎回生成することが可能となる。

【0064】

費用関数は、現在の構成におけるデータ処理アセンブリの効率を数値的に評価するために使用される。このような費用関数は、例えば、Ｒ＋λ．Ｄなどのレート－ひずみ費用であり、Ｄは、（表現Ｉを使用して）レンダリングされるコンテンツと、（コンテンツデータＢで表される）初期コンテンツとの間のひずみ（二乗誤差）であり、Ｒは、圧縮ストリーム（すなわちバイナリ要素のシーケンスＦｎｎ）の（実際又は推定の）レートであり、λは、圧縮及び品質間の妥協を選択することを可能にする、ユーザによって提供されるパラメータである。

【0065】

この費用関数は、費用関数を最小化するような方法において、人工ニューラルネットワーク８、２８、４０のニューロンに割り当てられた重みを変化させるために勾配逆伝搬学習アルゴリズム内で使用される。

【0066】

最小費用に達したと見なされるときの人工ニューラルネットワーク８、２８、４０のニューロンに割り当てられた重みは、それらが以下で使用されるため、これらの人工ニューラルネットワーク８、２８、４０、したがってデータ処理アセンブリを定義する。

【0067】

したがって、異なるタイプのコンテンツ（すなわち学習シーケンス）及び／又は圧縮及び品質間の異なる妥協（各妥協は、特定のパラメータλに対応する）に対して、それぞれこのタイプのいくつかの最適なデータ処理アセンブリを定義する（それぞれ特に人工ニューラルネットワーク８、２８、４０のニューロンに割り当てられた重みのセットによって定義される）ことが可能である。

【0068】

ここで、電子符号化装置及び電子復号装置内において、このようなデータ処理アセンブリの部分がどのように使用され得るかについて説明する。

【0069】

図３は、符号化人工ニューラルネットワーク８、コンテキスト決定人工ニューラルネットワーク４０及びエントロピーエンコーダ１０を使用する電子符号化装置２を示す。

【0070】

この電子符号化装置２は、プロセッサ４（例えば、マイクロプロセッサ）と、並列処理ユニット６、例えばグラフィック処理ユニット、すなわちＧＰＵ又はテンソル処理ユニット、すなわちＴＰＵとを含む。

【0071】

プロセッサ４は、制御モジュール５及び前述のエントロピーエンコーダ１０を実装するように、（例えば、プロセッサ４によって実行可能であり、且つプロセッサ４に関連付けられたメモリ（図示せず）に格納されたコンピュータプログラム命令によって）プログラムされる。

【0072】

図３に概略的に示されるように、制御モジュール５は、圧縮されるオーディオ又はビデオコンテンツを表すデータＰ、Ｂ、ここではフォーマットデータＰ及びコンテンツデータＢを受信する。これらのコンテンツデータＢは、図１の説明で前述したものと同じ性質のものであり、再度説明を行わない。

【0073】

フォーマットデータＰは、オーディオ又はビデオコンテンツの表現のフォーマットの特性、例えばビデオコンテンツの場合、画像サイズ（ピクセル単位）、フレームレート、輝度情報のビット深さ及びクロミナンス情報のビット深さを示す。

【0074】

並列処理ユニット６は、プロセッサ４によって（例えば、制御モジュール５によって）構成された後、符号化人工ニューラルネットワーク８及びコンテキスト決定人工ニューラルネットワーク４０（共に図１のデータ処理アセンブリなどのデータ処理アセンブリに属する）を実装するように設計される。そのために、並列処理ユニット６は、所与の時点で同じタイプの複数の演算を並列に実行するように設計される。

【0075】

以下では、符号化人工ニューラルネットワーク８及びコンテキスト決定人工ニューラルネットワーク４０から形成される人工ニューラルネットワークを「全体的符号化ネットワーク」９と呼ぶ。並列処理ユニット６は、（既に示したように、プロセッサ４によって構成された後に）この全体的符号化ネットワーク９を実装するように設計される。

【0076】

ここで、電子符号化装置２によって実装される符号化方法の例を、図４を参照して説明する。

【0077】

図４の方法は、図１を参照して上に説明した内容に従い、複数のデータ処理アセンブリの中からデータ処理アセンブリを選択するステップＥ２から始まる。

【0078】

既に説明したように、これらの異なるデータ処理アセンブリは、（図１に示すように）同じ一般構造を有し得るが、異なる人工ニューラルネットワーク８、２８、４０は、データ処理アセンブリごとに異なる重み（ニューロンに関連付けられる）によって定義される（最適化基準は、データ処理アセンブリごとに異なる）。

【0079】

データ処理アセンブリは、例えば、復号人工ニューラルネットワーク２８及びコンテキスト決定人工ニューラルネットワーク４０（以下に説明するような全体的復号ネットワークを共に形成する）が電子復号装置（図６に示され、以下に記載される電子復号装置２０など）のために使用可能なデータ処理アセンブリの中から選択され得る。そのために、電子符号化装置は、場合により、（電子復号装置又は専用サーバから）この電子復号装置によってアクセス可能な人工ニューラルネットワークのリストを事前に受け取ることができる。

【0080】

データ処理アセンブリは、（例えば、電子符号化装置２の図示しないユーザインタフェースを介してユーザによって示された）意図された用途に応じて選択することもできる。例えば、意図された用途がテレビ会議の場合、選択されたデータ処理アセンブリは、低レイテンシー復号を可能にする。他の用途では、選択されたデータ処理アセンブリは、ランダムアクセス復号を可能にし得る。

【0081】

低レイテンシーのビデオシーケンス復号プロセスでは、ビデオシーケンスの画像は、例えば、直ちに送信及び復号することができる符号化データによって表され、次に、このデータは、ビデオ画像の表示順序で送信することができ、これにより、この場合、符号化と復号との間に１フレームのレイテンシーが確保される。

【0082】

ランダムアクセスビデオシーケンス復号プロセスでは、複数の画像にそれぞれ関連する符号化データは、これらの画像の表示順序と異なる順序で送信され、これにより圧縮の向上が可能となる。次に、他の画像を参照しない符号化画像（いわゆるイントラフレーム）は、定期的に符号化することができ、これにより符号化されたストリーム内のいくつかの場所からビデオシーケンスの復号を開始することが可能となる。

【0083】

そのために、ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｃｉｒｃｕｉｔｓ ａｎｄ Ｓｙｓｔｅｍｓ ｆｏｒ Ｖｉｄｅｏ Ｔｅｃｈｎｏｌｏｇｙ，ｖｏｌ．２２．，ｎｏ．１２，ｐｐ．１６４９－１６６８，Ｄｅｃ．２０１２におけるＧ．Ｊ．Ｓｕｌｌｉｖａｎ、Ｊ．－Ｒ．Ｏｈｍ、Ｗ．－Ｊ．Ｈａｎ及びＴ．Ｗｉｅｇａｎｄによる論文「Ｏｖｅｒｖｉｅｗ ｏｆ ｔｈｅ Ｈｉｇｈ Ｅｆｆｉｃｉｅｎｃｙ Ｖｉｄｅｏ Ｃｏｄｉｎｇ（ＨＥＶＣ） Ｓｔａｎｄａｒｄ」を参照することができる。

【0084】

データ処理アセンブリは、可能な限り最良の圧縮－ひずみ妥協を得るために選択することもできる。

【0085】

データ処理アセンブリを選択するための異なる基準は、場合により、一緒に組み合わされ得る。

【0086】

一旦データ処理アセンブリが選択されると、制御モジュール５は、ステップＥ４において、並列処理ユニット６が、このデータ処理アセンブリにおいて意図した符号化プロセスを実装することができるように、並列処理ユニット６の構成に進む。

【0087】

このステップＥ４は、特に、並列処理ユニット６内における、選択されたデータ処理アセンブリの符号化人工ニューラルネットワーク８及びコンテキスト決定人工ニューラルネットワーク４０を含む全体的符号化ネットワーク９のインスタンス生成を含む。

【0088】

このインスタンス生成は、特に、以下のステップ：
－ 並列処理ユニット６内において、全体的符号化ネットワーク９を実装するために必要なメモリスペースを確保するステップ、及び／又は
－ 全体的符号化ネットワーク９を定義する重みΓ及び活性化関数を使用して、並列処理ユニット６をプログラミングするステップ、及び／又は
－ コンテンツデータＢの少なくとも一部を並列処理ユニット６のローカルメモリにロードするステップ
を含み得る。

【0089】

以下のステップは、電子復号装置（例えば、図６を参照して以下に説明する電子復号装置２０）向けのデータストリームの符号化（すなわち準備）に関する。

【0090】

したがって、この方法は、特に、オーディオ又はビデオコンテンツの表現のフォーマットに特有のデータ（ここでは例えば符号化されているビデオシーケンスのフォーマットにリンクされたデータ）を含む第１のヘッダ部分Ｆｃを符号化するステップＥ６を含む。

【0091】

第１のヘッダ部分Ｆｃを形成するこれらのデータは、例えば、画像サイズ（ピクセル単位）、フレームレート、輝度情報のバイナリ深度及びクロミナンス情報のバイナリ深度を示す。これらのデータは、例えば、上述のフォーマットデータＰに基づいて構築される（潜在的な再フォーマット後）。

【0092】

制御モジュール５は、ステップＥ８において、ステップＥ２で選択されたデータ処理アセンブリに属する復号人工ニューラルネットワーク２８及びコンテキスト決定人工ニューラルネットワーク４０を含む全体的復号ネットワークを示すデータＲを含む第２のヘッダ部分の符号化を実行する。

【0093】

第１の可能な実施形態によれば、これらの指示データＲは、全体的復号ネットワークの識別子を含み得る。

【0094】

このような識別子は、（複数の全体的復号ネットワークの中で、例えば、電子復号装置に使用可能な全体的復号ネットワークのセットの中で）上述の全体的符号化ネットワーク９に対応する全体的復号ネットワークを示し、したがって、前記全体的復号ネットワークは、代表値Ｖを復号するために使用される必要がある。（このような全体的復号ネットワークは、一方では、全体的符号化ネットワーク９に含まれる符号化人工ニューラルネットワーク８に対応した復号人工ニューラルネットワークを含み、他方では、全体的符号化ネットワーク９に含まれるコンテキスト決定人工ニューラルネットワーク４０を含む。）

【0095】

すなわち、そのような識別子は、（特に電子符号化装置及び電子復号装置によって共有される）慣例により、例えば電子復号装置が使用可能な（又は電子復号装置によってアクセス可能な）すべての全体的復号ネットワークのうちからこの全体的復号ネットワークを定義する。既に示したように、電子符号化装置２は、場合により、（電子復号装置又は専用サーバから）電子復号装置によってアクセス可能な人工ニューラルネットワークのリストを事前に受信することができる。

【0096】

第２の可能な実施形態によれば、これらの指示データＲは、全体的復号ネットワークを記述するデータを含み得る。

【0097】

全体的復号ネットワーク（ステップＥ２で選択されたデータ処理アセンブリに属する復号人工ニューラルネットワーク２８及びコンテキスト決定人工ニューラルネットワーク４０を含む）は、例えば、ＭＰＥＧ－７ ｐａｒｔ １７などの規格に従って又はＪＳＯＮなどのフォーマットを用いて、これらの記述データ（又は復号人工ニューラルネットワークの符号化データ）によって符号化（すなわち表現）される。

【0098】

そのために、Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ３６ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ，Ｌｏｎｇ Ｂｅａｃｈ，Ｃａｌｉｆｏｒｎｉａ，ＰＭＬＲ ９７，２０１９におけるＳ．Ｗｉｅｄｅｍａｎｎらによる論文「ＤｅｅｐＣＡＢＡＣ：Ｃｏｎｔｅｘｔ－ａｄａｐｔｉｖｅ ｂｉｎａｒｙ ａｒｉｔｈｍｅｔｉｃ ｃｏｄｉｎｇ ｆｏｒ ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｃｏｍｐｒｅｓｓｉｏｎ」又はＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ａｎｄ Ｌｅａｒｎｉｎｇ Ｓｙｓｔｅｍｓ（Ｖｏｌ．３１，Ｉｓｓ．３），Ｍａｒｃｈ ２０２０におけるＳ．Ｗｉｅｄｅｍａｎｎらによる論文「Ｃｏｍｐａｃｔ ａｎｄ Ｃｏｍｐｕｔａｔｉｏｎａｌｌｙ Ｅｆｆｉｃｉｅｎｔ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｏｆ Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ」を参照することができる。

【0099】

指示データＲは、全体的復号ネットワークが人工ニューラルネットワークの所定のセットに属するかどうか（この場合、上述の第１の可能な実施形態が使用される）、又は全体的復号ネットワークがデータストリームで符号化されているかどうか、すなわち上述の記述データによって表現されているかどうか（この場合、上述の第２の可能な実施形態が使用される）を示す標識を含むことも規定され得る。

【0100】

図４の方法は、電子復号装置が上記の全体的復号ネットワークを使用して復号プロセスを実装する可能性を決定するステップＥ１０に続く。

【0101】

制御モジュール５は、例えば、電子復号装置が、この復号プロセスを実装するように設計されたモジュール又は電子復号装置によるこの復号プロセスの実装に適したソフトウェア（このソフトウェアが電子復号装置のプロセッサによって実行される場合）を含むかどうかを（潜在的に電子符号化装置２と電子復号装置との間の以前のやり取りを用いて）決定することにより、この可能性を決定する。

【0102】

制御モジュール５が、電子復号装置が復号プロセスを実装することが可能であると決定した場合、方法は、以下に説明するステップＥ１４に続く。

【0103】

制御モジュール５が、電子復号装置が復号プロセスを実装することが不可能であると決定した場合、方法は、（ステップＥ１４に進む前に）以下に説明するステップＥ１２を実行する。

【0104】

代替として、（ステップＥ１４を実行する前に）ステップＥ１２を実行するか否かの選択は、別の基準に応じて、例えば電子符号化装置２内に格納された（及び場合により電子符号化装置２のユーザインタフェースを介してユーザによって調整可能な）専用標識に応じて又は（例えば、電子符号化装置２のユーザインタフェースを介して得られる）ユーザによって行われる選択に応じて行うことができる。

【0105】

制御モジュール５は、ステップＥ１２において、電子復号装置のプロセッサによって実行可能なコンピュータプログラムＥｘｅ（又はコード）を含む第３のヘッダ部分をデータストリームで符号化する。（電子復号装置内でのコンピュータプログラムＥｘｅの使用は、図７を参照して以下に説明する。）

【0106】

電子復号装置内での実行に適合させるために、コンピュータプログラムは、例えば、ライブラリ内において、電子復号装置のハードウェア構成に関連する情報（例えば、電子符号化装置２と電子復号装置との間の以前のやり取り中に受信した情報）に応じて選択される。

【0107】

次に、図４の方法は、ステップＥ２で選択されたデータ処理アセンブリ（したがってこの同じアセンブリのエントロピーデコーダ３０）において使用されるエントロピーエンコーダ１０の構成を表すデータを符号化するステップに進む。

【0108】

したがって、図４の方法は、まず、エントロピー符号化に使用されるコンテキストのセットを示す情報Ｉ１を含む第４のヘッダ部分を符号化するステップＥ１４を含む。本明細書で説明する例では、情報Ｉ１は、エントロピー符号化に使用されるコンテキストの数Ｋを示す。

【0109】

次に、図４の方法は、エントロピー符号化に使用されるコンテキストごとに、関連するコンテキストをパラメータ化するためのデータＩｉｎｉｔを含む第５のヘッダ部分を符号化するステップＥ１６を含む。

【0110】

使用されるエントロピー符号化がＣＡＢＡＣタイプである、ここで説明する事例では、所与のコンテキストに関連付けられたパラメータ化データＩｉｎｉｔは、例えば、Ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ＩＴＵ－Ｔ Ｈ．２６５，ｐａｒｔ“９．３．２．２ Ｉｎｉｔｉａｌｉｚａｔｉｏｎ ｐｒｏｃｅｓｓ ｆｏｒ ｃｏｎｔｅｘｔ ｖａｒｉａｂｌｅｓ”に記載されるように、このコンテキストを初期化するためのデータである。

【0111】

他の実施形態では、所与のコンテキストに関連付けられたパラメータ化データは、エントロピー符号化中に関連するコンテキストに使用される確率モデルを示すデータであり得る。

【0112】

図４の方法は、異なるコンテキストに関連する上述のパラメータ化データを用いて、エントロピーエンコーダ１０を（制御モジュール５によって）初期化するステップＥ１８に続く。このタイプの初期化については、上述の文献（Ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ＩＴＵ－Ｔ Ｈ．２６５，ｐａｒｔ“９．３．２．２ Ｉｎｉｔｉａｌｉｚａｔｉｏｎ ｐｒｏｃｅｓｓ ｆｏｒ ｃｏｎｔｅｘｔ ｖａｒｉａｂｌｅｓ”）に記載されている。

【0113】

次に、図４の方法は、符号化プロセスを実装するステップＥ２０、すなわちここではコンテンツデータＢを全体的符号化ネットワーク９の入力に適用するステップ（又は言い換えると、入力としてコンテンツデータＢを用いて全体的符号化ネットワーク９を活性化するステップ）を含む。（したがって、コンテンツデータＢは、次に、符号化人工ニューラルネットワーク８の入力に適用される。）

【0114】

したがって、ステップＥ２０は、（ここでは全体的符号化ネットワーク９の出力において）代表値Ｖ及びコンテキストインデックスＣを生成することを可能にする。正確には、代表値Ｖは、符号化人工ニューラルネットワーク８の出力で生成され、これらの代表値Ｖは、コンテキスト決定人工ニューラルネットワーク４０の入力に対して、このコンテキスト決定人工ニューラルネットワーク４０が出力としてコンテキストインデックスＣを生成するように適用される。

【0115】

次に、図４の方法は、エントロピーエンコーダ１０によって代表値Ｖをエントロピー符号化するステップＥ２２を含み、エントロピーエンコーダ１０は、全体的符号化ネットワーク９の出力において（ここでは正確にはコンテキスト決定人工ニューラルネットワーク４０の出力において）生成されたコンテキストインデックスＣによって定義されるコンテキストで（場合により制御モジュール５を介して）パラメータ化される。コンテキスト決定人工ニューラルネットワーク４０（したがって全体的符号化ネットワーク９）が代表値Ｖのセットにそれぞれ関連付けられた複数のコンテキストインデックスＣを生成する代替実施形態では、エントロピーエンコーダ１０による代表値Ｖのエントロピー符号化は、エントロピー符号化されている代表値Ｖを含むセットに関連付けられたコンテキストインデックスＣによって定義されるコンテキストでエントロピーエンコーダ１０をパラメータ化することによって行われる。

【0116】

したがって、エントロピーエンコーダ１０は、オーディオ又はビデオコンテンツを圧縮形式で表すバイナリ要素のシーケンスＦｎｎを出力として生成する。

【0117】

ステップＥ２２は、場合により、上述の論文「Ｃｏｎｔｅｘｔ－ｂａｓｅｄ ａｄａｐｔｉｖｅ ｂｉｎａｒｙ ａｒｉｔｈｍｅｔｉｃ ｃｏｄｉｎｇ ｉｎ ｔｈｅ Ｈ．２６４／ＡＶＣ ｖｉｄｅｏ ｃｏｍｐｒｅｓｓｉｏｎ ｓｔａｎｄａｒｄ」に記載されるように、代表値Ｖを二値化するサブステップを含み得る（したがってエントロピー符号化前に）。この二値化ステップの目的は、多数の値を取ることができる代表値Ｖをバイナリ要素のシーケンスに変換することであり、各バイナリ要素は、エントロピー符号化によって符号化される（及びこの場合、コンテキストは、各バイナリ要素の符号化に関連付けられる）。

【0118】

特に、ステップＥ２０が、圧縮されるオーディオ又はビデオコンテンツの一部のみの処理を可能にする場合（例えば、ステップＥ２０が、圧縮されるビデオシーケンスのブロック、成分又は画像の処理を実行する場合）、ステップＥ２０（コンテンツの連続部分の代表値を取得するため）及びステップＥ２２（これらの代表値のエントロピー符号化を実行するため）の実施を繰り返すことが可能である。

【0119】

したがって、プロセッサ４は、ステップＥ２４において、ヘッダＦｅｔ及びバイナリ要素のシーケンスＦｎｎを含む完全なデータストリームを構築することができる。

【0120】

完全なデータストリームは、ヘッダＦｅｔ及びバイナリ要素のシーケンスＦｎｎが個々に識別可能であるように構築される。

【0121】

ある可能な実施形態によれば、ヘッダＦｅｔは、完全なデータストリーム内で開始されるバイナリ要素シーケンスＦｎｎの標識を含む。この標識は、例えば、ビット単位での、完全なデータストリームの先頭からのバイナリ要素のシーケンスＦｎｎの先頭の場所である。（すなわち、この場合、ヘッダは、所定の固定長を有する。）

【0122】

ヘッダＦｅｔ及びバイナリ要素のシーケンスＦｎｎを識別するための他の手段は、代替として、例えばマーカ（すなわちバイナリ要素のシーケンスＦｎｎの先頭を示すために使用されるビットの組み合わせであり、その使用は、データストリームの残りの部分又は少なくともヘッダＦｅｔ内で禁止される）として企図され得る。

【0123】

ステップＥ２４で構築されたデータストリームは、「パケットトランスポートシステム」又は「バイトストリーム」フォーマットなど、それ自体が知られている伝送フォーマットでカプセル化され得る。

【0124】

（例えば、ＲＴＰプロトコルによって提案される）「パケットトランスポートシステム」フォーマットの場合、データは、識別可能なパケットによって符号化され、且つ通信ネットワーク上で伝送される。ネットワークは、ネットワーク層によって提供されるパケット識別情報を使用して、データ（画像、画像群並びにここではヘッダＦｅｔ及びバイナリ要素のシーケンスＦｎｎ）の境界を簡単に識別することができる。

【0125】

「バイトストリーム」フォーマットでは、具体的には、パケットが存在せず、ステップＥ２４の構築は、一意のバイナリ組み合わせ（０ｘ０００００００１など）がデータ間の境界を識別できるようにするネットワーク抽象化層（ＮＡＬ）ユニットの使用などのさらなる手段を使用して、関連するデータの境界（各画像に対応するストリームの部分間の境界及びここではヘッダＦｅｔとバイナリ要素のシーケンスＦｎｎとの間の境界など）を識別することを可能にする必要がある。

【0126】

次に、ステップＥ２４で構築された完全なデータストリームは、ステップＥ２６において、以下に説明する電子復号装置２０に向けて（図示しない通信手段によって及び／又は少なくとも１つの通信ネットワークを介して）送られるか、又は（後に伝送するために又は代替として例えば電子符号化装置自体内で後に復号するために、この場合、電子符号化装置は、図６を参照して以下に説明する復号方法２０をさらに実装するように設計される）電子符号化装置２内に格納され得る。

【0127】

したがって、このデータストリームは、図５に示されるように、ヘッダＦｅｔ及びバイナリ要素のシーケンスＦｎｎを含む。

【0128】

上記から明らかなように、ヘッダＦｅｔは、
－ オーディオ又はビデオコンテンツ表現フォーマットのデータ特性を含む第１の部分Ｆｃ、
－ （復号人工ニューラルネットワーク及びコンテキスト決定人工ニューラルネットワークを含む）全体的復号ネットワークを示すデータＲを含む第２の部分と、
－ 場合により、電子復号装置のプロセッサによって実行可能なコンピュータプログラムＥｘｅを含む第３の部分、
－ エントロピー符号化に使用されるコンテキストのセットを示す情報Ｉ１を含む第４の部分、
－ エントロピー符号化に使用されるコンテキストごとに、関連するコンテキストをパラメータ化するためのデータＩｉｎｉｔを含む第５の部分、
を含む。

【0129】

考えられる代替形態によれば、エントロピー符号化に使用されるコンテキストのセットを示す情報Ｉ１を伝送しないように規定され得、この場合、エントロピーエンコーダ及びエントロピーデコーダは、事前に（慣例によって）定義されたコンテキストのセットを使用することができる。

【0130】

図６は、エントロピーデコーダ３０、コンテキスト決定人工ニューラルネットワーク４０及び復号人工ニューラルネットワーク２８（これらの要素は、図１を参照して上に説明される）を使用する電子復号装置２０を示す。

【0131】

この電子復号装置２０は、受信ユニット２１、プロセッサ２４（例えば、マイクロプロセッサ）及び並列処理ユニット２６、例えばグラフィック処理ユニット、すなわちＧＰＵ又はテンソル処理ユニット、すなわちＴＰＵを含む。

【0132】

受信ユニット２１は、例えば、通信回路（無線周波数通信回路など）であり、電子符号化装置２などの外部電子装置からデータ（特にここでは上記のデータストリーム）を受信すること及びこれらのデータをプロセッサ２４（例えば、受信ユニット２１は、バスによってプロセッサ２４に接続される）に通信することを可能にする。

【0133】

電子復号装置２０は、ストレージユニット２２、例えばメモリ（場合により書き換え可能な不揮発性メモリ）又はハードドライブも含む。ストレージユニット２２は、プロセッサ２４の別個の要素として図５に示されているが、代替として、ストレージユニット２２は、プロセッサ２４に統合され得る（すなわち含まれ得る）。

【0134】

この場合、プロセッサ２４は、例えば、ストレージユニット２２に格納されたコンピュータプログラムの複数の命令を連続して実行するように適合される。

【0135】

これらの命令の一部は、プロセッサ２４によって実行されると、特に後述する機能を有する制御モジュール２５を実装することを可能にする。代替として、制御モジュール２５の機能のいくつかは、後述するように、ステップＥ５２において、ヘッダＦｅｔ内で識別された命令をプロセッサ２４によって実行することによって実装され得る。

【0136】

ストレージユニット２２に格納された命令の別の部分は、プロセッサ２４によって実行されると、前述のエントロピーデコーダ３０を実装することを可能にする。代替として、エントロピーデコーダ３０は、後述するように、ステップＥ５２において、ヘッダＦｅｔ内で識別された命令をプロセッサ２４によって実行することによって実装され得る。

【0137】

並列処理ユニット２６は、プロセッサ２４によって（ここでは正確には制御モジュール２５によって）構成された後にコンテキスト決定人工ニューラルネットワーク４０及び復号人工ニューラルネットワーク２８を実装するように設計される。そのために、並列処理ユニット２６は、所与の時点で同じタイプの複数の演算を並列に実行するように設計される。

【0138】

既に示したように、コンテキスト決定人工ニューラルネットワーク４０及び復号人工ニューラルネットワーク２８は、ここでは「全体的復号ネットワーク」と呼ばれ、図６では２９と表示される人工ニューラルネットワークを共に形成する。

【0139】

図５に概略的に示すように、プロセッサ２４は、（ここでは受信ユニット２１を介して）ヘッダＦｅｔ及びバイナリ要素のシーケンスＦｎｎを含むデータストリームを受信する。

【0140】

以下に説明するように、復号人工ニューラルネットワーク２８は、バイナリ要素のシーケンスＦｎｎの（エントロピーデコーダ３０による）エントロピー復号によって取得されるデータの処理のフレームワーク内で使用され、このデータ処理は、最初のオーディオ又はビデオコンテンツＢに対応するオーディオ又はビデオコンテンツを取得することを目的とする。

【0141】

ストレージユニット２２は、複数のパラメータセットを格納することができ、各パラメータセットは、全体的復号ネットワーク（コンテキスト決定人工ニューラルネットワーク及び復号人工ニューラルネットワークを含む）を定義する。以下で説明するように、プロセッサ２４は、この場合、これらのパラメータセットの中の特定のパラメータセットを用いて、並列処理ユニット２６が、次に、この特定のパラメータセットによって定義される人工ニューラルネットワーク（すなわちここでは全体的復号ネットワーク）を実装することができるように、並列処理ユニット２６を構成することができる。

【0142】

ストレージユニット２２は、特に、ランダムアクセスデコーダを形成する第１の人工ニューラルネットワークを定義する第１のパラメータセット及び／又は低レイテンシーデコーダを形成する第２の人工ニューラルネットワークを定義する第２のパラメータセットを格納し得る。

【0143】

この場合、電子復号装置２０は、コンテンツへのランダムアクセスが望まれる状況及びコンテンツが遅延なく表示されるべき状況の両方に対して、事前に復号オプションを有する。

【0144】

ここで、図７を参照して、電子復号装置２０内に実装され、一方では（コンテキスト決定人工ニューラルネットワーク４０によって生成されたコンテキストインデックスＣに応じてパラメータ化される）エントロピーデコーダ３０を使用し、他方では並列処理ユニット２６によって実装される人工ニューラルネットワーク２８を使用する復号方法について説明する。

【0145】

図７の方法は、ヘッダＦｅｔ及びバイナリ要素のシーケンスＦｎｎを含むデータストリームを（電子復号装置２０、正確にはここでは受信ユニット２１によって）受信するステップＥ５０から始まる。受信ユニット２１は、制御モジュール２５による処理のために、受信したデータストリームをプロセッサ２４に伝送する。

【0146】

次に、制御モジュール２５は、例えば、（ステップＥ２４の説明で既に述べた）バイナリ要素シーケンスの先頭の標識により、受信データストリーム内のヘッダＦｅｔ及びバイナリ要素のシーケンスＦｎｎを識別するステップＥ５２に進む。

【0147】

制御モジュール２５は、ステップＥ５２において、（図５を参照して上に説明したように）ヘッダＦｅｔの異なる部分も識別することができる。

【0148】

ステップＥ５２において、第１のデータ内で実行可能命令（コンピュータプログラムＥｘｅの命令など）が識別（すなわち検出）される場合、制御モジュール２５は、ステップＥ５４において、ヘッダデータの処理（及び場合によりエントロピー復号）の（後述の）ステップの少なくともいくつかを実装するために、これらの実行可能命令の実行を開始し得る。これらの命令は、プロセッサ２４又は代替として電子復号装置２０内でインスタンス生成された仮想マシンによって実行され得る。

【0149】

図７の方法は、オーディオ又はビデオコンテンツの表現のフォーマットの特徴を取得するように、このフォーマットの特徴であるデータＦｃを復号するステップＥ５６に続く。例えば、ビデオコンテンツの場合、データ部分Ｆｃの復号は、画像サイズ（ピクセル単位）、及び／又はフレームレート、及び／又は輝度情報のバイナリ深度、及び／又はクロミナンス情報のバイナリ深度を取得することを可能にする。

【0150】

次に、制御モジュール２５は、使用される全体的復号ネットワークを示すデータＲを復号するステップＥ５８に進む。

【0151】

第１の可能性によれば、既に示したように、これらのデータＲは、例えば、人工ニューラルネットワークの所定のセット内で全体的復号ネットワーク２８を示す識別子である。

【0152】

この所定のセットは、例えば、電子復号装置２０によってアクセス可能な全体的復号ネットワークのセット、すなわち（上に示したように）それに関して電子復号装置２０が、関連する人工ニューラルネットワークを定義するパラメータのセットを格納するか、又は（以下に説明するように）サーバなどのリモート電子機器に接続することにより、このパラメータのセットにアクセスし得る全体的復号ネットワークのセットである。

【0153】

この場合、制御モジュール２５は、例えば、ストレージユニット２２において、復号された識別子に関連付けられたパラメータのセット（このパラメータのセットは、復号された識別子によって識別される全体的復号ネットワークを定義する）の読み取りに進み得る。

【0154】

代替として（又は復号された識別子によって識別される全体的復号ネットワークに関してストレージユニット２２にパラメータのセットが格納されていない場合）、制御モジュール２５は、パラメータのセットに対する要求をリモートサーバに伝送し（この要求は、例えば、復号された識別子を含む）、且つ復号された識別子によって識別される人工ニューラルネットワーク（ここでは全体的復号ネットワークを形成する）を定義するパラメータのセットを応答として受信することができる。

【0155】

（読み取られた又は受信された）パラメータのセットは、実際には、復号人工ニューラルネットワーク２８を定義する特定のパラメータ及びコンテキスト決定人工ニューラルネットワーク４０を定義する他のパラメータを含み得る。

【0156】

第２の可能な実施形態によれば、既に示したように、データＲは、全体的復号ネットワーク２９を記述するデータＲｃである。

【0157】

既に示したように、これらの記述データ（又は符号化データ）は、例えば、ＭＰＥＧ－７ ｐａｒｔ １７などの規格に従って又はＪＳＯＮなどのフォーマットを用いて符号化される。

【0158】

これらの記述データの復号により、コンテキスト決定人工ニューラルネットワーク４０及び復号人工ニューラルネットワーク２８（これらに対して、以下に説明するように、バイナリ要素のシーケンスＦｎｎからのエントロピー復号によって取得されたデータが適用される）を含む、使用される全体的復号ネットワーク２９を定義するパラメータを取得することが可能となる。

【0159】

このようなパラメータは、実際には、復号人工ニューラルネットワーク２８を定義する特定のパラメータ及びコンテキスト決定人工ニューラルネットワーク４０を定義する他のパラメータを含み得る。

【0160】

いくつかの実施形態では、上述の第１の可能性又は第２の可能性の使用は、既に示したように、データＲにも含まれる標識に依存する。

【0161】

何れの選択肢が使用されても、使用される全体的復号ネットワークを示すデータＲの復号は、（ここでは制御モジュール２５が）特に復号人工ニューラルネットワーク２８のフィーチャを決定することを可能にする。したがって、例えば、本明細書に記載する例では、制御モジュール２５は、復号人工ニューラルネットワーク２８の入力で期待されるフィーチャマップの数Ｎ及びこれらのフィーチャマップのサイズＨ、Ｗを決定する。実際、上に説明したように、符号化人工ニューラルネットワーク８の出力層に対応する復号人工ニューラルネットワーク２８の入力層、フィーチャマップＦの各要素は、所定の方法で復号人工ニューラルネットワークの入力ノード（又は入力層のノード）に関連付けられる。したがって、フィーチャマップＦの数及びサイズは、復号人工ニューラルネットワーク２８のフィーチャ及び上述のデータＦｃ（特に画像サイズを含む）などの特定のヘッダデータにリンクされる。

【0162】

次に、制御モジュール２５は、ステップＥ６０において、全体的復号ネットワーク２９を定義するパラメータ（ステップＥ５８で取得されたパラメータ）を用いて、並列処理ユニット２６が、この全体的復号ネットワーク２９（コンテキスト決定人工ニューラルネットワーク４０及び復号人工ニューラルネットワーク２８を含む）を実装することができるように、並列処理ユニット２６の構成に進む。

【0163】

この構成ステップＥ６０は、特に、並列処理ユニット２６内での、ここではステップＥ５８で取得されたパラメータを使用した、全体的復号ネットワーク２９のインスタンス生成（したがってコンテキスト決定人工ニューラルネットワーク４０及び復号人工ニューラルネットワーク２８のインスタンス生成）を含む。

【0164】

このインスタンス生成は、特に、以下のステップ：
－ 並列処理ユニット２６内において、全体的復号ネットワーク２９を実装するために必要なメモリスペースを確保するステップ、及び／又は、
－ 全体的復号ネットワーク２９を定義するパラメータ（例えば、重みΓ’及び活性化関数を含む）（ステップＥ５８で取得されたパラメータ）を使用して、並列処理ユニット２６をプログラミングするステップ、
を含み得る。

【0165】

構成ステップＥ６０は、全体的復号ネットワーク２９が活性化され、したがって、出力として（正確には、コンテキスト決定人工ニューラルネットワーク４０の出力において）初期コンテキストインデックスＣを生成するように、全体的復号ネットワーク２９の入力層への（例えば、ストレージユニット２２に格納された）事前定義された（初期）値の適用をさらに含み得る。

【0166】

次に、制御モジュール２５は、ステップＥ６２において、エントロピーデコーダ３０内で使用可能なコンテキストのセットを示す（ここではエントロピーデコーダ３０内で使用可能なコンテキストの数Ｋを示す）情報Ｉ１の復号に進む。既に示したように、例えばＫ＝１６０である。

【0167】

次に、制御モジュール２５は、ステップＥ６４において、使用されるコンテキストのセット（このセットは、ステップＥ６２で復号された情報Ｉ１のために決定される）の異なるコンテキストにそれぞれ関連するパラメータ化データＩｉｎｉｔの復号に進む。

【0168】

次に、制御モジュール２５は、（ステップＥ６４で復号された）関連するコンテキストのパラメータ化データＩｉｎｉｔを使用して、エントロピーデコーダ３０内で使用可能な各コンテキストを初期化するステップＥ６６を実装することができる。

【0169】

より正確には、エントロピーエンコーダ３０は、ここで、適応型であり、各コンテキストは、このコンテキストに関連するパラメータ化データＩｉｎｉｔによって定義される確率モデルを用いて初期化される。

【0170】

代替として、エントロピーデコーダ３０が各コンテキストに対して固定確率モデルを使用する場合、制御モジュール２５は、ステップＥ６６において、エントロピーデコーダ３０によって使用可能な各コンテキストを、このコンテキストに関連するパラメータ化データＩｉｎｉｔによって定義される確率モデルを用いて構成する。

【0171】

次に、制御モジュール２５は、全体的復号ネットワーク２９の出力で生成された（すなわちここではコンテキスト決定人工ニューラルネットワーク４０の出力で生成された）コンテキストインデックスＣによって識別されたコンテキストでエントロピーデコーダ３０をパラメータ化しながら、（受信ユニット２１を介して受信された）バイナリ要素のシーケンスＦｎｎをエントロピーデコーダ３０の入力に適用する（ステップＥ７０）。

【0172】

第１の反復中（すなわちステップＥ７０への最初の移行中）、コンテキストインデックスＣは、例えば、上に説明したように、ステップＥ６０中に全体的復号ネットワーク２９の予想活性化の結果として生成された上述の初期コンテキストインデックスＣである。代替方法として、全体的復号ネットワーク２９がコンテキストインデックスＣを生成しない限り（すなわちここでは最初の反復中）、エントロピーデコーダ３０は、場合により、ストレージユニット２２に格納された事前定義された初期コンテキストでパラメータ化され得る（この場合、ステップＥ６０は、全体的復号ネットワーク２９の予想活性化のために全体的復号ネットワーク２９に対して事前定義された値を適用することを含まない）。

【0173】

したがって、後の反復中（すなわちステップＥ７６で後述するループに起因するステップＥ７０への後の移行中）、エントロピーデコーダ３０は、ステップＥ７０への以前の移行中に（エントロピー復号によって）復号された代表値Ｖが、（ステップＥ７２への以前の移行中に）全体的復号ネットワーク２９の入力に適用されている場合、全体的復号ネットワーク２９によって生成されたコンテキストインデックスＣによって識別されたコンテキストでパラメータ化される。

【0174】

したがって、エントロピーデコーダ３０は、ステップＥ７０において、（バイナリ要素のシーケンスＦｎｎのエントロピー復号によって）新たな代表値Ｖを生成する。

【0175】

実際には、（対応する代表値Ｖのエントロピー復号が行われる時点で、使用されるコンテキストインデックスＣが使用可能であることを保証するように）全体的復号ネットワーク２９とエントロピーエンコーダ３０との間の同期のための機構が設けられ得る。この同期機構は、例えば、新たなコンテキストインデックスＣが全体的復号ネットワーク２９の出力において（すなわち正確にはコンテキスト決定人工ニューラルネットワーク４０の出力において）使用可能でない限り、（エントロピーデコーダ３０による）エントロピー復号の一時停止を含む。

【0176】

第１の可能な実施形態によれば、中間変数Ｃ’が、メモリ内（例えば、プロセッサ２４のレジスタ内又はストレージユニット２２内）に格納され、全体的復号ネットワーク２９によって（すなわち正確にはコンテキスト決定人工ニューラルネットワーク４０によって）更新される。新たなコンテキストインデックスＣが全体的復号ネットワーク２９によって（すなわち正確にはコンテキスト決定人工ニューラルネットワーク４０によって）提供されない限り、（エントロピーデコーダ３０による）エントロピー復号は、中断される。中間変数Ｃ’がメモリ内で更新されると直ちに、１つ（又は所定の数の）代表値Ｖのエントロピー復号が、中間変数Ｃ’によって定義されたコンテキスト（全体的復号ネットワーク２９によって生成されるコンテキストインデックスＣと同一）を用いて実行され、次に、エントロピー復号は、（さらに全体的復号ネットワーク２９の出力、すなわちコンテキスト決定人工ニューラルネットワーク４０の出力における新たなコンテキストインデックスＣの生成への中間変数Ｃ’の新たな更新まで）再び一時停止される。

【0177】

第２の可能な実施形態によれば、同期機構は、（エントロピーデコーダ３０による）エントロピー復号の進行を全体的復号ネットワーク２９による（すなわち正確にはコンテキスト決定人工ニューラルネットワーク４０による）コンテキストインデックスＣの生成に依存させることにある。この第２の実施形態では、情報（例えば、コンテキストインデックスＣ自体又は代替方法として専用の同期情報）が、使用されるコンテキストインデックスＣを提供するニューラルネットワークの部分（例えば、ニューラルネットワークの層）が活性化されるときに、全体的復号ネットワーク２９から（例えば、コンテキスト決定人工ニューラルネットワーク４０から）エントロピーデコーダ３０に伝送される。この情報が伝送されると、代表値Ｖ（又は所定数の代表値Ｖ）が、エントロピー復号によって（現在のコンテキストインデックスＣによって定義されたコンテキストでパラメータ化されたエントロピーデコーダ３０によって）復号される。

【0178】

さらに、コンテキスト決定人工ニューラルネットワーク４０（したがって全体的符号化ネットワーク２９）が代表値Ｖのセットにそれぞれ関連付けられた複数のコンテキストインデックスＣを生成する、既に述べた代替実施形態では、エントロピーエンコーダ３０による代表値Ｖのエントロピー符号化は、その時点でエントロピー符号化によって取得される代表値Ｖを含むセットに関連付けられたコンテキストインデックスＣによって定義されるコンテキストで、エントロピーエンコーダ３０を常にパラメータ化することによって行われる。

【0179】

例えば、代表値ＶがフィーチャマップＦのシーケンスに整理される、本明細書で説明する例では、エントロピーデコーダ３０は、異なるフィーチャマップＦの連続的な（エントロピー）復号を可能にし、したがって、制御モジュール２５は、エントロピー復号されるフィーチャマップＦに関連付けられたコンテキストインデックスＣによって定義されるコンテキストでエントロピーデコーダ３０を（常に）パラメータ化することができる。

【0180】

次に、プロセッサ２４は（ここではエントロピーエンコーダ３０の出力で直接的に又は代替方法として制御モジュール２５を介して）、ステップＥ７２において、代表値Ｖを、一方ではこれらのデータが少なくとも部分的に復号人工ニューラルネットワーク２８を使用する復号プロセスによって処理され、他方ではコンテキスト決定人工ニューラルネットワーク４０の出力で（新たな）コンテキストインデックスＣが生成されるように、並列処理ユニット２６によって実装された人工ニューラルネットワーク（全体的復号ネットワーク）２９に対して適用（すなわち提示）することができる。

【0181】

ここで説明する例では、復号ニューラルネットワーク２８は、代表値Ｖを入力として受信し、オーディオ又はビデオ再生装置での再生に適合した符号化コンテンツの表現Ｉを出力として生成する。すなわち、代表値Ｖ（ここではフィーチャマップＦの形式における）が復号人工ニューラルネットワーク２８の入力層に適用され、復号人工ニューラルネットワーク２８の出力層が符号化コンテンツの上述の表現Ｉを生成する。したがって、ビデオコンテンツ（画像又は画像のシーケンスを含む）の場合、人工ニューラルネットワーク２８は、出力として（すなわちその出力層上で）画像の少なくとも１つの行列表現Ｉを生成する。

【0182】

図１の説明で既述のように、フィーチャマップＦの要素（すなわち代表値Ｖ）と復号人工ニューラルネットワーク２８の入力ノード（又は入力層のノード）との関連付けは、事前に定義される。

【0183】

特定の実施形態では、（例えば、ブロック又は画像に対応する）特定の代表値Ｖを処理するために、復号人工ニューラルネットワーク２８は、例えば、先行するブロック又は先行する画像に対応する以前のデータ（ここでは前の代表値Ｖ）の処理中、人工ニューラルネットワーク２８の出力で生成されたデータの少なくともいくつかを入力として受信することができる。この場合、復号人工ニューラルネットワーク２８の出力で生成されたデータを復号人工ニューラルネットワーク２８の入力に再注入するステップＥ７４に進む。

【0184】

次に、制御モジュール２５は、ステップＥ７６において、バイナリ要素のシーケンスＦｎｎの処理が完了したかどうかを決定する。

【0185】

否定的決定（Ｎ）の場合、この方法は、ステップＥ７０にループして、バイナリ要素のシーケンスＦｎｎの後続の部分のエントロピー復号を実行し、（このエントロピー復号によって生成された）他の代表値Ｖを復号人工ニューラルネットワーク２８に適用する。

【0186】

肯定的決定（Ｐ）の場合、この方法は、ステップＥ７８で終了する。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図】

【図7】

【国際調査報告】