今天先大致講一下關於DMVR技術在VVC早期版本JEM中的具體實現方式，DMVR（Decoder-side motion vector refinement）技術就是解碼端運動矢量細化，意思就是在解碼端纔對運動矢量進行細化，而且編碼端也不用傳任何附加語法元素或者信息。
DMVR具體的過程如下圖所示：
第一步生成雙邊模板：在解碼端得到初始的Merge雙向MV後，在運動補償階段，對該塊的兩個初始MV形成的預測塊進行加權，得到一個新的預測塊，作爲一個初始預測值（即模板）,記爲P_Ori；
第二步計算初始SAD：然後用該模板和初始的兩個MV生成的預測塊（圖中的藍色線所指示的塊）計算SAD（sum of absolute differences）（前向列表和後向列表分別計算），作爲初始的SAD最小值用於後續的SAD的比較，選出最優的候選塊及其相應的候選MV。
第三步比較SAD選最優：在初始預測塊的周圍幾個像素的範圍內搜索對應的候選塊（圖中的紅色線所指示的塊）,總共是9個像素點位置，一個初始點以及周邊8個點。然後計算P_Ori與各個候選塊之間的差值並計算對應的SAD，與初始的SAD最小值相比較，選出SAD最小的那個候選塊，得到該候選塊的新的MV最爲當前編碼塊的最優MV，也就是對MV進行了細化。
這裏需要解釋幾個問題：
①爲什麼要選用SAD作爲代價比較的基準，而不是用RDcost？
因爲該技術只是用於解碼端的MV的修正，因此這時候解碼端已經接收到了傳過來的碼流信息，此時的碼率是確知的不變的，因此碼率已經無法作爲率失真的衡量基準，只有失真可以衡量，所以只需要SAD計算Cost就足夠了。
②該技術的背後的原理在哪？
答：我的個人理解就是，在編碼端已經得到了可能最優的MV，但在解碼端認爲這或許不是最優，因此要將其修正，而修正的方式就是利用原始MV預測得到的預測值（輸出）反過來作爲一個輸入，再對MV左適當的細化，這就是一個正反饋的過程，也類似於深度神經網絡中的反向傳播過程，利用神經末端的輸出反過來影響權重和神經元偏置。
③目前VTM6.0中由於覺得細化的MV並不一定比原始的MV更好，因此在DMVR的過程中優先考慮使用原始的MV，來減少DMVR細化過程中的不確定性帶來的性能上的損失。
關於該問題的詳細解析詳見DMVR的後續：VTM中的DMVR
未完待續~~~~~~
VTM6.0中的DMVR技術參考後續博客：H.266/VVC相關技術學習筆記26：VTM6.0版本中的DMVR（解碼端運動矢量細化）