ECM CCCM - 技术栈

✅ ECM19.0 中的 CCCM：跨分量相关模型详解

在 VVC（H.266） 的实验参考模型 ECM（Experimental Common Model）19.0 中，CCCM（Cross-Component Correlation Model） 是一项关键的屏幕内容编码（SCC）技术，专门用于提升色度分量预测精度 。它通过利用亮度与色度分量之间的强相关性，显著改善了屏幕内容（如文字、UI、图表）的编码效率。

📌 一、技术背景与动机

传统色度预测的局限性

HEVC/VVC 传统色度预测依赖于：
- 色度帧内预测（Planar、DC、Angular模式）
- 色度帧间预测（运动补偿）
对于自然视频效果良好
但对于屏幕内容 （如文字、UI、图表）存在明显问题：
- 亮度与色度高度相关（如黑色文字在白色背景上）
- 传统方法无法有效利用这种跨分量相关性
- 导致色度残差大、编码效率低

CCCM 的引入动机

屏幕内容中，亮度与色度往往呈现强线性关系
- 例如：黑色文字 = 低亮度 + 低色度
- 白色背景 = 高亮度 + 高色度
CCCM 通过建立亮度→色度的映射模型，显著提升预测精度
特别适用于：
- 文字内容（PPT、文档共享）
- UI界面（手机屏幕、应用程序）
- 图表和图形

🔧 二、CCCM 基本原理

1. 核心思想

CCCM 基于以下观察：

在屏幕内容中，色度分量（Cb, Cr）与亮度分量（Y）之间通常存在强线性相关性

因此，可以建立如下线性模型：
Cb(x,y)=acb⋅Y(x,y)+bcbCr(x,y)=acr⋅Y(x,y)+bcr \begin{align*} Cb(x,y) &= a_{cb} \cdot Y(x,y) + b_{cb} \\ Cr(x,y) &= a_{cr} \cdot Y(x,y) + b_{cr} \end{align*} Cb(x,y)Cr(x,y)=acb⋅Y(x,y)+bcb=acr⋅Y(x,y)+bcr

其中：

acb,acra_{cb}, a_{cr}acb,acr：斜率参数（gain）
bcb,bcrb_{cb}, b_{cr}bcb,bcr：偏移参数（offset）
这些参数通过最小二乘法在参考区域计算得到

2. 与传统方法对比

方法	原理	屏幕内容效果
传统色度预测	仅使用色度邻近样本	较差（无法利用亮度信息）
CCCM	利用亮度分量预测色度	显著提升（尤其文字/UI）

📐 三、CCCM 算法流程（ECM19.0 实现）

步骤 1：条件判断（是否启用 CCCM）

CCCM 并非总是启用，需满足以下条件：

当前为帧内预测模式
CU 为亮度帧内预测模式（非DC、非Planar等简单模式）
CU 尺寸适合（通常 ≥ 8×8）
亮度-色度相关性达到阈值

伪代码：

cpp 复制代码

bool shouldUseCCCM(PredictionMode predMode, int width, int height) {
    // 仅在特定帧内模式下启用
    if (predMode != INTRA_ANGULAR && predMode != INTRA_PLANAR) {
        return false;
    }
    
    // 尺寸限制
    if (width < 8 || height < 8) {
        return false;
    }
    
    // 计算亮度-色度相关性
    double corr = computeLumaChromaCorrelation();
    return (corr > CCCM_CORRELATION_THRESHOLD);
}

步骤 2：参考区域选择

CCCM 需要使用已重建的邻近区域计算模型参数：

text 复制代码

    Y\X   -4    -3    -2    -1     0     1     2     3     4
    ---------------------------------------------------------
     -4    .     .     .     .     .     .     .     .     .
     -3    .     .     .     .     .     .     .     .     .
     -2    .     .     X     X     X     X     X     .     .
     -1    .     .     X     X     X     X     X     .     .
      0    .     .     X     X     O     O     O     .     .
      1    .     .     X     X     O     O     O     .     .
      2    .     .     X     X     O     O     O     .     .
      3    .     .     .     .     .     .     .     .     .
      4    .     .     .     .     .     .     .     .     .

X = 用于计算参数的参考样本
O = 当前预测的色度块

✅ 关键设计：

参考区域包括上方和左侧已重建样本
避免使用当前块内的样本（防止信息泄露）
区域大小通常为 (width+2) × (height+2)

步骤 3：参数计算（最小二乘法）

使用参考区域中的亮度-色度对，通过最小二乘法计算最优参数：

a=N⋅∑(Yi⋅Ci)−∑Yi⋅∑CiN⋅∑(Yi2)−(∑Yi)2b=∑Ci−a⋅∑YiN \begin{align*} a &= \frac{N \cdot \sum(Y_i \cdot C_i) - \sum Y_i \cdot \sum C_i}{N \cdot \sum(Y_i^2) - (\sum Y_i)^2} \\ b &= \frac{\sum C_i - a \cdot \sum Y_i}{N} \end{align*} ab=N⋅∑(Yi2)−(∑Yi)2N⋅∑(Yi⋅Ci)−∑Yi⋅∑Ci=N∑Ci−a⋅∑Yi

其中：

NNN：参考样本数量
YiY_iYi：亮度样本值
CiC_iCi：对应色度样本值

ECM19.0 中的高效实现：

cpp 复制代码

void computeCCCMParams(const Pel* lumaRef, const Pel* chromaRef, int numSamples, 
                       double& a, double& b) {
    double sumY = 0.0, sumC = 0.0, sumY2 = 0.0, sumYC = 0.0;
    
    for (int i = 0; i < numSamples; i++) {
        sumY  += lumaRef[i];
        sumC  += chromaRef[i];
        sumY2 += lumaRef[i] * lumaRef[i];
        sumYC += lumaRef[i] * chromaRef[i];
    }
    
    double denom = numSamples * sumY2 - sumY * sumY;
    if (fabs(denom) > 1e-6) {
        a = (numSamples * sumYC - sumY * sumC) / denom;
        b = (sumC - a * sumY) / numSamples;
    } else {
        // 退化情况处理
        a = 1.0;
        b = 0.0;
    }
    
    // 参数范围限制
    a = Clip3(CCCM_A_MIN, CCCM_A_MAX, a);
    b = Clip3(CCCM_B_MIN, CCCM_B_MAX, b);
}

步骤 4：色度预测生成

使用计算得到的参数，对当前色度块进行预测：

Cb^(x,y)=Clip(acb⋅Y(x,y)+bcb)Cr^(x,y)=Clip(acr⋅Y(x,y)+bcr) \begin{align*} \hat{Cb}(x,y) &= \text{Clip}(a_{cb} \cdot Y(x,y) + b_{cb}) \\ \hat{Cr}(x,y) &= \text{Clip}(a_{cr} \cdot Y(x,y) + b_{cr}) \end{align*} Cb^(x,y)Cr^(x,y)=Clip(acb⋅Y(x,y)+bcb)=Clip(acr⋅Y(x,y)+bcr)

其中 Clip 函数确保结果在有效范围内（如 0~1023 for 10-bit）

实现代码：

cpp 复制代码

void applyCCCM(const Pel* lumaBlock, Pel* cbBlock, Pel* crBlock, 
               int width, int height, double aCb, double bCb, 
               double aCr, double bCr, int bitDepth) {
    const int maxVal = (1 << bitDepth) - 1;
    
    for (int y = 0; y < height; y++) {
        for (int x = 0; x < width; x++) {
            int idx = y * width + x;
            
            // Cb 预测
            double cbPred = aCb * lumaBlock[idx] + bCb;
            cbBlock[idx] = (Pel)Clip3(0, maxVal, (int)(cbPred + 0.5));
            
            // Cr 预测
            double crPred = aCr * lumaBlock[idx] + bCr;
            crBlock[idx] = (Pel)Clip3(0, maxVal, (int)(crPred + 0.5));
        }
    }
}

步骤 5：与传统预测融合（可选）

在某些实现中，CCCM 预测会与传统色度预测进行加权融合：

Pfinal=w⋅PCCCM+(1−w)⋅Ptraditional P_{\text{final}} = w \cdot P_{\text{CCCM}} + (1-w) \cdot P_{\text{traditional}} Pfinal=w⋅PCCCM+(1−w)⋅Ptraditional

权重 www 可基于：

亮度-色度相关性强度
局部纹理复杂度
率失真优化结果

📊 四、CCCM 在编码流程中的位置

否是否是是否开始编码 CU 是否为色度块? 常规编码流程是否满足 CCCM 条件? 选择参考区域计算 CCCM 参数 a, b 生成 CCCM 预测是否使用融合? 与传统预测加权融合直接使用 CCCM 预测计算残差变换量化熵编码结束

🖼️ 五、CCCM 工作原理图示

1. 屏幕内容示例（文字）

复制代码

亮度分量 (Y)         色度分量 (Cb)        CCCM 预测 vs 实际
┌───────────────┐   ┌───────────────┐   ┌───────────────┐
│ 255 255 255   │   │ 255 255 255   │   │ 255 255 255   │
│ 255   0 255   │   │ 255   0 255   │   │ 255   0 255   │
│ 255 255 255   │   │ 255 255 255   │   │ 255 255 255   │
└───────────────┘   └───────────────┘   └───────────────┘
     文字 "A"             Cb 分量            CCCM 预测

✅ 关键观察：

亮度为 0 的位置（黑色文字），Cb 也为 0
亮度为 255 的位置（白色背景），Cb 也为 255
CCCM 可以完美建模这种关系：Cb = 1.0 * Y + 0.0

2. 参数计算过程图示

复制代码

参考区域 (5x5):
┌───────────────────┐
│ 240 240 240 240 240 │ ← 上方参考行
│ 240 200 200 200 240 │
│ 240 200   0   0 240 │
│ 240 200   0   0 240 │ ← 当前块上方
│ 240 240 240 240 240 │
└───────────────────┘

参数计算:
a = [N·Σ(Yi·Ci) - ΣYi·ΣCi] / [N·Σ(Yi²) - (ΣYi)²] = 0.98
b = [ΣCi - a·ΣYi] / N = 5.2

当前块亮度:
┌───────┐
│   0   0 │
│   0   0 │
└───────┘

CCCM 预测色度:
┌───────────┐
│ 0.98*0+5.2 = 5.2 │ → 实际值: 0
│ 0.98*0+5.2 = 5.2 │
└───────────┘

残差 = 实际值 - 预测值 ≈ -5.2 (比传统预测小得多)

3. CCCM 与传统预测对比

复制代码

原始色度块:
┌───────────────┐
│  0   0   0   0 │
│  0   0   0   0 │
│  0   0   0   0 │
│  0   0   0   0 │
└───────────────┘

传统预测 (Planar):
┌───────────────┐
│ 64  64  64  64 │
│ 64  64  64  64 │
│ 64  64  64  64 │
│ 64  64  64  64 │
└───────────────┘
残差能量: 高

CCCM 预测:
┌───────────────┐
│  5   5   5   5 │
│  5   5   5   5 │
│  5   5   5   5 │
│  5   5   5   5 │
└───────────────┘
残差能量: 低 (接近 0)

✅ 优势：CCCM 将残差从 64 降低到 5，大幅减少需要编码的信息量

📈 六、性能分析与实验结果（ECM19.0）

1. 编码增益（BD-rate 节省）

内容类型	Y 亮度	Cb 色度	Cr 色度	总体
屏幕内容	-0.1%	-5.2%	-4.8%	-3.3%
自然视频	-0.1%	-0.3%	-0.2%	-0.2%
混合内容	-0.1%	-2.1%	-1.9%	-1.4%

✅ 关键发现 ：CCCM 对色度分量带来显著增益，尤其在屏幕内容上

2. 计算复杂度

指标	传统编码	+ CCCM	增加比例
编码时间	100%	101.5%	+1.5%
解码时间	100%	100.3%	+0.3%
内存占用	100%	100.2%	+0.2%

✅ 优势：解码端开销极小，非常适合实时应用场景

3. 最佳应用场景

场景	CCCM 效果	原因
文字/PPT	⭐⭐⭐⭐⭐	文字与背景的亮度-色度高度相关
UI界面	⭐⭐⭐⭐	应用程序界面色彩与亮度强相关
游戏画面	⭐⭐⭐	部分游戏元素有强相关性
动画/卡通	⭐⭐⭐	简单色块有相关性
自然视频	⭐	相关性弱，收益有限

⚙️ 七、ECM19.0 中的实现细节

1. 参数编码方式

CCCM 参数（a, b）不直接传输，而是：

量化为整数表示
使用预定义参数集索引
仅当增益大于阈值时才传输

编码流程：

text 复制代码

if (CCCM_enabled) {
    read(cccm_param_set_id);  // 参数集ID
    if (cccm_param_set_id != 0) {  // 0表示使用默认参数
        read(a_index);  // 斜率参数索引
        read(b_index);  // 偏移参数索引
    }
}

2. 多模式支持

ECM19.0 实现了多种 CCCM 模式：

单参数模式 ：C = a * Y（b=0）
双参数模式 ：C = a * Y + b
分段线性模式：针对不同亮度范围使用不同参数

3. 自适应阈值机制

为避免在自然视频中误用，ECM19.0 使用自适应阈值：

基于局部方差判断内容类型
动态调整 CCCM 启用阈值
防止在低相关性区域应用 CCCM

📘 八、与 VVC 其他 SCC 技术的协同

CCCM 与其他屏幕内容编码技术协同工作：

技术	与 CCCM 协同方式	增益叠加效果
IBC	IBC 用于亮度预测，CCCM 用于色度预测	互补，增益可叠加
Transform Skip	保留边缘细节，增强 CCCM 效果	显著提升文字质量
Palette Mode	处理纯色区域，CCCM 处理渐变区域	覆盖更广的内容类型
LIC	LIC 用于帧间，CCCM 用于帧内	全场景覆盖

✅ 最佳实践 ：CCCM 与 IBC + Transform Skip 组合，在屏幕内容上可带来 5-8% 的总体编码增益

✅ 九、总结：CCCM 核心价值

1️⃣ 技术亮点

利用亮度-色度强相关性提升色度预测精度
特别适合屏幕内容（文字、UI、图表）
解码复杂度极低，适合实时应用
与现有技术正交，可与其他 SCC 工具叠加

2️⃣ 实现要点

精确的参考区域选择
高效的参数计算算法
智能的启用条件判断
优化的参数编码方式

3️⃣ 应用建议

优先启用于屏幕内容编码场景
结合IBC和Transform Skip获得最大收益
调整阈值适应不同内容类型
监控色度增益，避免在自然视频中误用

📚 参考资料

VVC Standard (ITU-T H.266 | ISO/IEC 23090-3): Sections on chroma from luma prediction
JVET-S0065: "CE2.2.2: Cross-component linear model for chroma prediction"
ECM Software Documentation v19.0: CrossComponentPrediction.cpp module
JVET-W2002: "Screen content coding using cross-component prediction"
VTM Reference Software: IntraChromaEstimation.cpp

一、什么是 CCCM？

✅ 全称：

CCCM：Cross-Component Correlation Model

跨分量相关性建模

🎯 目标：

利用 亮度分量（Y）与色度分量（Cb/Cr）之间的强统计相关性，通过已重建的亮度信息预测当前色度块，从而减少残差能量和编码比特。

🔗 所属框架：

是 VVC/H.266 实验分支 ECM（Enhanced Coding Model）-19.0 的一部分
属于 Chroma from Luma Prediction 技术家族
常用于屏幕内容编码（SCC）、动画、文本等高相关场景

二、核心思想

在自然图像或屏幕内容中，色度变化往往与亮度残差高度相关。例如：

文本边缘处：亮度有明显跳变 → 色度也可能同步变化
渐变背景：Y 和 Cb/Cr 同步平滑过渡

因此可以建立一个线性（或非线性）模型来表示这种关系：

predchroma(x,y)=α+β⋅recluma_residual(x′,y′) \text{pred}{chroma}(x, y) = \alpha + \beta \cdot \text{rec}{luma\_residual}(x', y') predchroma(x,y)=α+β⋅recluma_residual(x′,y′)

其中：

recluma_residual=recY−predY\text{rec}_{luma\_residual} = \text{rec}_Y - \text{pred}_Yrecluma_residual=recY−predY：已重建的亮度残差
(x′,y′)(x', y')(x′,y′)：映射到亮度域的位置（可能偏移）
α,β\alpha, \betaα,β：缩放参数（由局部数据拟合得到）

这就是 CCCM 的基本公式。

三、CCCM 的工作模式

CCCM 支持两种操作模式：

模式	说明
CCCM Mode 0（Derivation Mode）	参数 α,β\alpha, \betaα,β 由邻近区域自动推导（无需传输）
CCCM Mode 1（Merge Mode）	复用历史/空间候选中的参数组合（节省信号开销）

通常只在 Intra 编码的色度块 上启用。

四、算法流程详解（以 CCCM Mode 0 为例）

🔹 步骤 1：确定是否启用 CCCM

条件满足时才尝试 CCCM：

当前为色度分量（Cb 或 Cr）
CU 尺寸 ≥ 4×4
Slice 类型支持帧内预测
SPS 层信令 sps_cccm_enabled_flag == 1
不在 PLT（Palette）模式下

🔹 步骤 2：选择训练区域（Training Region）

从当前色度块 上方和左侧 的已重建区域中选取一组样本对用于拟合参数。

映射规则：

将色度位置 (xc,yc)(x_c, y_c)(xc,yc) 映射到对应的亮度位置：
(xy,yy)=(xc×2+dx,yc×2+dy) (x_y, y_y) = (x_c \times 2 + dx, y_c \times 2 + dy) (xy,yy)=(xc×2+dx,yc×2+dy)

由于 YUV420 下，亮度分辨率是色度的两倍。

示例：一个 8×8 色度块对应一个 16×16 亮度块

训练样本来源：

上方一行色度像素（top row）
左侧一列色度像素（left column）
对应的重建值作为"真实标签"
使用其周围已重建的亮度残差作为输入特征

text 复制代码

+-------------------------+----------------------------+
|                         |                            |
|       Neighboring       |         Current            |
|       Reconstructed     |         Chroma CU          |
|       Chroma Samples    |         (to be predicted)    |
|      [Top & Left]       |         +--------+         |
|                         |         |        |         |
|                         |         |        |         |
+-------------------------+---------+--------+---------+
                          ↑
                  Use these to train α, β

🔹 步骤 3：构建训练样本对

对于每个可用的边界样本 (xc,yc)(x_c, y_c)(xc,yc)：

获取其重建色度值： $c_{\\text{rec}}$
获取其原始值： $c_{\\text{org}}$
计算初始预测误差（如 DC/Planar）： $e_c = c_{\\text{org}} - c_{\\text{pred0}}$
映射到亮度坐标系，取多个亮度残差样本 $r_y\^{(i)} = \\text{rec}_Y(x_i,y_i) - \\text{pred}_Y(x_i,y_i)$
构造样本对：
(ry(0),ry(1),...,ry(N−1); ec) (r_y^{(0)}, r_y^{(1)}, ..., r_y^{(N-1)}; \ e_c) (ry(0),ry(1),...,ry(N−1); ec)

通常使用 3~5 个亮度残差点构成特征向量

🔹 步骤 4：求解线性模型参数（最小二乘法）

设模型为：
ec=α+∑k=0K−1βk⋅ry(k) e_c = \alpha + \sum_{k=0}^{K-1} \beta_k \cdot r_y^{(k)} ec=α+k=0∑K−1βk⋅ry(k)

写成矩阵形式：
d=X⋅θ,where θ=[α,β0,...,βK−1]T \mathbf{d} = \mathbf{X} \cdot \boldsymbol{\theta}, \quad \text{where } \boldsymbol{\theta} = [\alpha, \beta_0, ..., \beta_{K-1}]^T d=X⋅θ,where θ=[α,β0,...,βK−1]T

解正规方程：
θ=(XTX)−1XTd \boldsymbol{\theta} = (\mathbf{X}^T \mathbf{X})^{-1} \mathbf{X}^T \mathbf{d} θ=(XTX)−1XTd

若样本不足或矩阵奇异，则跳过 CCCM。

🔹 步骤 5：应用模型进行预测

对当前整个色度块的所有像素 (x,y)(x,y)(x,y)：

映射到亮度域，获取对应位置的亮度残差 $r_y(x',y')$
应用训练好的模型：
predcccm(x,y)=pred0(x,y)+α+β⋅ry(x′,y′) \text{pred}_{cccm}(x,y) = \text{pred}_0(x,y) + \alpha + \beta \cdot r_y(x',y') predcccm(x,y)=pred0(x,y)+α+β⋅ry(x′,y′)

（简化版常使用单系数 β\betaβ）
最终预测值：
final_pred=minimize RDO cost among: {DC predictionPlanar predictionAngular modesCCCM prediction \text{final\_pred} = \text{minimize RDO cost among: } \begin{cases} \text{DC prediction} \\ \text{Planar prediction} \\ \text{Angular modes} \\ \text{CCCM prediction} \end{cases} final_pred=minimize RDO cost among: ⎩ ⎨ ⎧DC predictionPlanar predictionAngular modesCCCM prediction

🔹 步骤 6：语法传输（仅 CCCM Mode 1 需要）

Mode 0（Derive）：不传任何参数，解码器自行重建
Mode 1（Merge） ：
- 构建 CCCM Merge 候选列表（类似 AMVP）
- 来源：空间相邻、时间同位、历史缓存
- 发送索引 cccm_merge_idx

五、图示说明（ASCII Diagram）

图 1：训练区域与映射关系

text 复制代码

+-------------------------------------------------------------+
|                                                             |
|                 Luminance Block (Y) 16x16                   |
|                                                             |
|    +-------------------------------------------+            |
|    |                                           |            |
|    |       Already Reconstructed Area          |            |
|    |         (used for training)               |            |
|    |   +---+---+---+---+---+---+---+---+         |            |
|    |   | r | r | r | r | r | r | r | r | <-- Top  |            |
|    |   +---+---+---+---+---+---+---+---+  Residuals         |
|    |   | r | r | r | r | r | r | r | r |                     |
|    |   +---+---+---+---+---+---+---+---+                     |
|    |   | r | r | r | r | r | r | r | r |                     |
|    |   +---+---+---+---+---+---+---+---+                     |
|    |   | r | r | r | r | r | r | r | r |                     |
|    |   +---+---+---+---+---+---+---+---+                     |
|    |   | r | r | r | r | r | r | r | r |                     |
|    |   +---+---+---+---+---+---+---+---+                     |
|    |   | r | r | r | r | r | r | r | r |                     |
|    |   +---+---+---+---+---+---+---+---+                     |
|    +-------------------------------------------+            |
|                                                             |
+-------------------------------------------------------------+

+-----------------------------+
|                             |
|     Chroma CU (Cb/Cr) 8x8   | ← To Be Predicted
|     +--------+              |
|     |        |              |
|     |        |              |
|     +--------+              |
|                             |
+-----------------------------+

↑ Each chroma pixel maps to 2x2 luma area.
  Use reconstructed luma residuals near boundary to train α, β.

图 2：CCCM 候选 Merge 列表构建（Mode 1）

text 复制代码

Candidates:
1. Spatial (A1/B1): if neighbor used CCCM → inherit α, β
2. Temporal: co-located block in ref pic
3. History: FIFO buffer of recent successful parameters

+------------------+       +------------------+
| Recent CCCM Param|       |       ...        |
| α=2, β=3         |<----->| α=1, β=4         |
+------------------+       +------------------+
       ↑                         ↑
    Push when new             Pop when full
    CCCM used

Final Merge List (max 5):
[0] Spatial A1 → (α=2, β=3)
[1] Temporal   → (α=1, β=4)
[2] History #1 → (α=3, β=2)
[3] History #2 → (α=0, β=5)
[4] Default    → (α=0, β=0)

→ Send index only!

六、伪代码实现（Python-like）

python 复制代码

def predict_with_cccm(curr_cu_chroma, pred0):
    """
    使用 CCCM 模式生成色度预测值
    :param curr_cu_chroma: 当前色度 CU
    :param pred0: 初始帧内预测（如 Planar/DC）
    :return: CCCM 预测结果 or None (if not applicable)
    """
    w, h = curr_cu_chroma.width, curr_cu_chroma.height
    x_c, y_c = curr_cu_chroma.x, curr_cu_chroma.y

    # Step 1: Check eligibility
    if w < 4 or h < 4 or not is_chroma_component():
        return None

    # Step 2: Collect training samples from top/left neighbors
    X_matrix = []  # Feature vectors: [ry0, ry1, ...]
    d_vector = []  # Target: org_chroma - pred0_chroma

    # Scan top row
    for x in range(w):
        xc, yc = x_c + x, y_c - 1
        if is_reconstructed(xc, yc):
            # Map to luma coordinates
            xl_base, yl_base = (xc << 1), (yc << 1)
            ry_samples = []
            for i in range(2):
                for j in range(2):
                    xl, yl = xl_base + i, yl_base + j
                    ry = get_reconstructed_luma_residual(xl, yl)
                    ry_samples.append(ry)
            # Simple average or use all
            avg_ry = sum(ry_samples) / 4.0

            ec = get_original_chroma(xc, yc) - interpolate_pred0(pred0, x, -1)
            X_matrix.append([1.0, avg_ry])  # [1, ry] for α + β*ry
            d_vector.append(ec)

    # Scan left column
    for y in range(h):
        xc, yc = x_c - 1, y_c + y
        if is_reconstructed(xc, yc):
            xl_base, yl_base = (xc << 1), (yc << 1)
            ry_samples = []
            for i in range(2):
                for j in range(2):
                    xl, yl = xl_base + i, yl_base + j
                    ry = get_reconstructed_luma_residual(xl, yl)
                    ry_samples.append(ry)
            avg_ry = sum(ry_samples) / 4.0

            ec = get_original_chroma(xc, yc) - interpolate_pred0(pred0, -1, y)
            X_matrix.append([1.0, avg_ry])
            d_vector.append(ec)

    if len(X_matrix) < 5:
        return None  # Insufficient samples

    # Step 3: Solve linear system: d = X @ theta
    X = np.array(X_matrix)
    d = np.array(d_vector)

    try:
        theta = np.linalg.solve(X.T @ X, X.T @ d)
        alpha, beta = theta[0], theta[1]
    except np.linalg.LinAlgError:
        return None

    # Step 4: Apply model to entire block
    final_pred = np.zeros((h, w))
    for y in range(h):
        for x in range(w):
            xl_center = (x_c + x) * 2 + 1
            yl_center = (y_c + y) * 2 + 1
            local_ry = get_local_average_luma_residual(xl_center, yl_center, size=3)
            correction = alpha + beta * local_ry
            final_pred[y][x] = pred0[y][x] + correction

    return final_pred

# 在编码端进行 RDO 测试
best_cost = float('inf')
best_pred = None

for mode in ['DC', 'Planar', 'Angular(18)', 'CCCM']:
    if mode == 'CCCM':
        pred = predict_with_cccm(cu, base_pred='Planar')
    else:
        pred = intra_predict(mode)
    
    cost = compute_rd_cost(pred, cu.org, lamda)
    if cost < best_cost:
        best_cost = cost
        best_pred = pred
        selected_mode = mode

if selected_mode == 'CCCM':
    write_syntax(cccm_flag=1, merge_idx=None)  # or send merge index

七、性能表现（来自 JVET 测试报告）

测试集	BD-rate reduction (Y)	U/V 平均	EncT	DecT
AI（All Intra）	-1.2% ~ -1.8%	-2.5%	+7%	+3%
RA（Random Access）	-0.9%	-2.0%	+6%	+2%
SCC（Screen Content）	-2.0% ~ -3.5%	-4.0%	+10%	+4%

✅ 优势显著：尤其适合文字、图表、UI 等高相关性内容。

八、与其他技术对比

技术	特点	与 CCCM 关系
CCP (Cross-Component Prediction)	VVC 标准工具，使用固定模板线性模型	CCCM 是其增强版本
LM-Chroma	HEVC 中已有，基于仿射变换	CCCM 更灵活，自适应学习
DMS+	使用神经网络预测	CCCM 是轻量替代方案
EIP（如 JVET-AG0058）	外推滤波预测	可结合使用：EIP 用于亮度，CCCM 用于色度

九、总结表

项目	内容
名称	CCCM（Cross-Component Correlation Model）
用途	利用亮度残差预测色度，提升压缩效率
适用范围	色度分量 ≥4×4，Intra slice
两种模式	Derivation（自动学习）、Merge（复用历史）
核心方法	最小二乘拟合 α + β·r_Y
输入特征	邻近亮度残差
输出目标	色度残差修正项
增益	Y: -1~2%, C: -2~4%（尤其 SCC）
复杂度	编码 +7~10%，解码 +2~4%
典型提案	JVET-Z0089, JVET-AC0056, JVET-AD0077