📄 提案名称：
EE2-2.4: Block-Vector Guided EIP (BV-EIP)
—— 基于块向量引导的外推滤波帧内预测
提案编号：
- JVET-AL0106-v2
- 作者单位：未明确（推测为华为或联合团队）
- 平台基础：ECM-16.1（VVC 实验参考软件）
一、核心思想概述
本提案在现有EIP（Extrapolation filter-based Intra Prediction）模式基础上，引入一种新的子模式：
✅BV-EIP：Block-Vector guided EIP
该方法通过一个从帧间预测中提取的“块向量”（Block Vector, BV）来指导 EIP 滤波器参数的计算区域选择，从而提升对非局部纹理和运动相关结构的建模能力。
不同于传统 EIP 仅使用当前块邻近的左上角重建像素，BV-EIP 利用历史信息中的空间偏移关系，将参考区域扩展到更远但语义相关的区域。
二、技术背景回顾：什么是 EIP？
在 VVC / ECM 架构中，EIP 是一种高级帧内预测工具，其基本流程如下：
- 使用一个 15-tap 的线性外推滤波器：
pred(x,y)=∑i=014ci⋅t(x−dxi,y−dyi) \text{pred}(x, y) = \sum_{i=0}^{14} c_i \cdot t(x - \text{dx}_i, y - \text{dy}_i)pred(x,y)=i=0∑14ci⋅t(x−dxi,y−dyi) - 滤波器系数cic_ici由最小二乘法拟合得到
- 训练样本来自当前编码单元（CU）周围的已重建邻域像素
- 预测按对角顺序进行，确保无数据依赖
原始 EIP 的局限在于：它只利用局部邻域（上方 + 左侧），难以捕捉长距离重复纹理或仿射变换类结构。
三、BV-EIP 方法详解
🔧 改进做法：引入“块向量”指导参考区域选择
1.什么是块向量（Block Vector, BV）？
- 它不是运动矢量（MV），而是来自Intra Translational Motion Prediction (IntraTMP)模块中的一个中间结果。
- IntraTMP 是一种用于帧内预测的快速搜索机制，尝试在当前图像中寻找与当前块相似的区域（即自相似性匹配）。
- 在 rough searching 阶段会生成一组候选位移向量，称为“块向量”。
👉 举例：
- 当前 CU 位于
(x=64, y=64) - IntraTMP 发现一个高度相似的块位于
(x=80, y=48) - 则块向量为：
BV = (16, -16)
这个向量反映了图像内部的平移对称性。
2.如何利用 BV 来改进 EIP？
提案的核心创新是：
不再使用固定的邻近区域来训练 EIP 滤波器系数，而是根据块向量
BV将参考区域“偏移”到另一个位置。
具体步骤如下：
| 步骤 | 描述 |
|---|---|
| (1) | 判断是否启用 BV-EIP 子模式： → 编码器决定是否为当前 CU 开启 BV-EIP → 若开启，则发送标志位 bv_eip_flag = 1 |
| (2) | 获取块向量BV(dx, dy)：→ 直接复用 IntraTMP 粗搜索阶段的结果 → 无需额外传输 MV 或索引 |
| (3) | 定义新的参考区域： → 原始参考区域 R₀ 为中心在 (x-1, y-1)的方形区域→ 新参考区域 R₁ = R₀ + BV，即整体平移 (dx, dy) |
| (4) | 在新区域 R₁ 内滑动滤波器模板，构建自相关矩阵R\mathbf{R}R和互相关向量r\mathbf{r}r → 同 CCCM 方法求解：c=R−1r\mathbf{c} = \mathbf{R}^{-1} \mathbf{r}c=R−1r |
| (5) | 使用该组系数进行正常 EIP 预测 |
✅ 关键点：
- 滤波器形状仍为 15-tap 方形模板（square shape only）
- 仅作为 EIP 的一种子模式存在
- 不改变预测顺序或编解码流程
3. 参考区域示意图还原（Figure 3）
虽然原文中 Figure 3 未能清晰显示，但我们可根据描述准确还原其结构。
文字描述关键句：
“Figure 3 illustrates the reference area in the BV-EIP method.”
并结合上下文可知：
- 当前 CU 是一个正方形块（如 8×8）
- 传统 EIP 的参考区域是紧邻左上的一片区域（记作 A）
- BV-EIP 将此区域沿块向量方向移动到另一位置（记作 B）
🖼 图 3：BV-EIP 参考区域示意图（ASCII 还原版）
+---------------------------------------------------------+ | | | Reference Picture (Same Frame) | | | | +---------------------+ | | | Area A | | | | (Original Ref) | | | | +----+ | | | | | CU | | | | | +----+ | | | +---------------------+ | | ↑ | | (-w, -h) corner | | | | ↓ BV = (+dx, -dy) | | | | +---------------------+ | | | Area B | | | | (Shifted by BV) | | | | +-|-+ | | |O| ← Current CU | | +-|-+ | +-----------------------|-+ | | | Current Coding Unit (CU) | at (x, y) +---------------------------------------------------------+ Legend: CU : Current coding unit being predicted Area A: Traditional EIP reference region near top-left Area B: Proposed BV-EIP reference region shifted by block vector BV O : Position of current CU🔍 示例说明
假设：
- 当前 CU 大小为 8×8，位于
(x=64, y=64) - IntraTMP 粗搜索找到最相似块位于
(x=72, y=56)→ 块向量BV = (8, -8) - 传统参考区域大小为 16×16，中心位于
(63, 63) - 则新参考区域中心变为：
(63+8, 63-8) = (71, 55)
➡️ 即从(71,55)周围采集样本用于训练 EIP 滤波器系数
这相当于告诉编码器：“你不用只看我身边这些点，可以去那个长得像我的地方学怎么预测我。”
四、语法设计与编解码一致性
✅ 信令机制
- 引入一个新语法元素：
bv_eip_flag0：关闭 BV-EIP，使用标准 EIP 流程1：启用 BV-EIP，后续操作基于 BV 导出参考区域
- 该标志与其他 EIP 子模式共存（如 merge mode）
- 块向量本身不需编码传输，直接取自 IntraTMP 的中间结果
✅ 解码端如何同步？
由于：
- IntraTMP 在解码端也可执行（用于其他 intra 预测优化）
- 块向量可完全复现
- 滤波器形状固定为 square
- 移动规则公开透明
因此，解码器可以完全重建相同的参考区域 R₁，无需任何额外比特。
✅ 实现了零信令开销下的性能增益潜力
五、技术优势总结
| 特性 | 说明 |
|---|---|
| 突破局部性限制 | 利用图像自相似性，访问远距离相关区域 |
| 复用已有信息 | 块向量来自 IntraTMP，无需新增计算或存储 |
| 低复杂度集成 | 仅修改参考区域位置，其余流程不变 |
| 保持兼容性 | 仍是 EIP 的子模式，不影响主框架 |
| 无需新增语法 | 仅需一个 flag 控制开关 |
六、完整流程框图（文字描述）
开始 ↓ 判断当前 CU 是否适合 EIP？ ↓ 若启用 EIP： ↓ 发送 eip_mode_flag ↓ 是否使用 BV-EIP 子模式？ ↓ 是 → 发送 bv_eip_flag = 1 ↓ 从 IntraTMP 获取块向量 BV(dx, dy) ↓ 定义原始参考区域 R₀（如 16×16 邻域） ↓ 平移得到新区域 R₁ = R₀ + BV ↓ 在 R₁ 中滑动 square filter shape ↓ 构建 R 矩阵和 r 向量 ↓ 求解滤波器系数 c₀~c₁₄ ↓ 按对角顺序生成预测值 否 → 使用传统 EIP 方法（基于邻近区域） ↓ 进入残差编码阶段七、结论
本提案提出的BV-EIP 方法是一种轻量级但富有洞察力的增强型帧内预测技术。其核心做法是：
利用 IntraTMP 中产生的块向量（Block Vector），将 EIP 滤波器的训练区域从传统的左上邻域，平移到一个语义相关的远程区域，从而更好地捕捉图像内部的重复结构与几何相似性。
关键特征包括：
- ✅ 仅允许方形滤波器形状（square filter shape）
- ✅ 参考区域由块向量引导偏移
- ✅ 不增加信令负担（复用已有向量）
- ✅ 解码端可完全同步重建
这种方法有效拓展了 EIP 的感知范围，使其从“局部外推”进化为“非局部感知 + 局部预测”，为未来 AI 驱动的相似性预测提供了良好接口。
