CN108171325B - 一种多尺度人脸恢复的时序集成网络、编码装置及解码装置 - Google Patents
一种多尺度人脸恢复的时序集成网络、编码装置及解码装置 Download PDFInfo
- Publication number
- CN108171325B CN108171325B CN201711460967.8A CN201711460967A CN108171325B CN 108171325 B CN108171325 B CN 108171325B CN 201711460967 A CN201711460967 A CN 201711460967A CN 108171325 B CN108171325 B CN 108171325B
- Authority
- CN
- China
- Prior art keywords
- input
- level
- gate
- base
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000011084 recovery Methods 0.000 title claims abstract description 26
- 230000010354 integration Effects 0.000 title abstract description 9
- 230000004913 activation Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 5
- 230000011664 signaling Effects 0.000 claims 3
- 238000000034 method Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/30—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using hierarchical techniques, e.g. scalability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/30—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using hierarchical techniques, e.g. scalability
- H04N19/31—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using hierarchical techniques, e.g. scalability in the temporal domain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Error Detection And Correction (AREA)
Abstract
本发明提出了一种多尺度人脸恢复的时序集成网络、编码装置及解码装置,该集成网络集成了多个不同层次的基编解码器,并且进一步的采用时序门来有效的进行多尺度人脸恢复问题。其中,针对多尺度人脸恢复的时序集成网络包括,一个全卷积网络,该全卷积网络包括N个基编码器和N个基解码器,N个基编码器输出N个层次的编码输出,N个基解码器输出N个层次的解码输出;N‑1个时序门单元,在编码端,对于N个层次的编码输出进行顺序地从下到上结合和选择;N‑1个时序门单元,在解码端,对于N个层次的解码输出进行顺序地从上到下的结合和选择。
Description
技术领域
本发明涉及图像信号处理,尤其是一种多尺度人脸恢复的时序集成网络、相应的编码装置及解码装置。
背景技术
在过去的几年里,人脸分析技术取得了显著的进步,比如人脸检测和人脸识别。以此同时,由于监控系统的快速发展,人脸分析技术已经被广泛应用于各种各样的应用,比如犯罪调查。然而,当面临低质量的人脸图片时。大多数人脸分析技术的性能会急剧下降。所以如何从一个低质量人脸恢复出高质量人脸是一个急需解决的挑战。
既然人脸恢复技术在实际应用中有极大的潜力,最近几年许多人脸恢复算法已经相继被提出。有些算法专注于解决人脸超分辨率问题。其他算法在进行人脸超分辨率的同时也把噪声考虑进来。我们观察到大多数现有的人脸恢复算法忽略了一个真实世界图片的重要特性,也就是实际应用中的图片经常包含不同尺度的人脸。并且,当图片被失真严重污染时,人脸检测算法就很难从图片中检测出人脸。所以,我们专注于解决更符合实际应用的人脸恢复问题,也就是多尺度人脸恢复问题。之前的算法通常使用自编码器进行人脸恢复。但是自编码器本身缺少了多尺度的表达,所以对多尺度人脸变换不能进行很好的表达。
发明内容
针对现有的人脸恢复技术的缺陷,本发明提供了一种新的集成网络,该集成网络集成了多个不同层次的基编解码器,并且进一步的采用时序门来有效的进行多尺度人脸恢复问题。
本发明提出了一种更有效多尺度人脸恢复的时序集成网络,有效的解决以下关键技术问题:
1)传统的自编码器缺乏多尺度表达能力,在多尺度人脸恢复这个问题上效果不好。然而本发明集成了多个层次的基自编码器,能够有效地对多尺度输入进行有效的表达,从而获得更好的恢复效果。
2)由于自编码器结构中隐含了在编码器端对输入进行提取高层特征,在解码器端进行低层细节恢复。一些模型对自编码器的结构也进行的改进,比如SRGAN和RED-Net,但是这些网络没有探索多层次特征图之间的隐含层次关系。我们通过添加时序门单元能够顺序地从下到上提取高层特征,并且能顺序地从上到下恢复图像。
本发明提供一种针对多尺度人脸恢复的时序集成网络,其中,该网络包括,
一个全卷积网络,该全卷积网络包括N个基编码器和N个基解码器,N个基编码器输出N个层次的编码输出,N个基解码器输出N个层次的解码输出;
N-1个时序门单元,在编码端,对于N个层次的编码输出进行顺序地从下到上结合和选择;N-1个时序门单元,在解码端,对于N个层次的解码输出进行顺序地从上到下的结合和选择。编码和解码是串行的,所以这里时序门单元为2*(N-1)个。
进一步地,上述针对多尺度人脸恢复的时序集成网络,其中:
所述时序门单元包含由主动输入控制的两个门,一个为主动输入门,一个为被动输入门;
所述在编码端,对于N个层次的编码输出进行顺序地从下到上结合和选择具体为:在编码端,将高层的基编码器输出的高层编码特征输入到主动输入门,将顺序于该高层的低层的基编码器输出的低层编码特征输入到被动输入门,进行顺序的从下到上的结合和选择;
所述在解码端,对于N个层次的解码输出进行顺序地从上到下的结合和选择具体为:在解码端,将低层的基解码器输出的低层解码特征输入到主动输入门,将顺序于该低层的高层的基解码器输出的高层解码特征输入到被动输入门,进行顺序的从上到下的结合和选择。
本发明还提供了一种针对多尺度人脸恢复的时序编码装置,其中:该编码装置位于一个全卷积网络中,包括:
N个基编码器,N个基编码器输出N个层次的编码输出,N个基解码器输出N个层次的解码输出;
N-1个时序门单元,对于N个层次的编码输出进行顺序地从下到上结合和选择。
进一步地,上述针对多尺度人脸恢复的时序编码装置,其中:
所述时序门单元包含由主动输入控制的两个门,一个为主动输入门,一个为被动输入门;
所述对于N个层次的编码输出进行顺序地从下到上结合和选择具体为:在编码端,将高层的基编码器输出的高层编码特征输入到主动输入门,将顺序于该高层的低层的基编码器输出的低层编码特征输入到被动输入门,进行顺序的从下到上的结合和选择。
本发明还提供了一种针对多尺度人脸恢复的时序解码装置,其中:该解码装置位于全卷积网络中,包括:
N个基解码器,N个基解码器输出N个层次的解码输出;
N-1个时序门单元,对于N个层次的解码输出进行顺序地从上到下的结合和选择。
进一步地,上述针对多尺度人脸恢复的时序解码装置,其中:
所述时序门单元包含由主动输入控制的两个门,一个为主动输入门,一个为被动输入门;所述对于N个层次的解码输出进行顺序地从上到下的结合和选择具体为:在解码端,将低层的基解码器输出的低层解码特征输入到主动输入门,将顺序于该低层的高层的基解码器输出的高层解码特征输入到被动输入门,进行顺序的从上到下的结合和选择。
本发明具有以下优点和积极效果:
(1)本发明能够对多尺度的人脸失真图像进行自动恢复。
(2)本发明提出了一种时序集成网络,集成了多个层次的基编码器,并且采用顺序地特征结合和选择方法,能够对多尺度输入进行更好的表达,从而对图像进行更好的恢复。
(3)本发明提出了一个时序门单元,能够对多层次特征进行有效的结合和选择。
(4)本发明(SGEN和SGEN-MSE)在公共数据库上取得目前最好的结果,如表格1和表格2所示,PSNR,SSIM和MOS越高越好。
表格1.本发明在公共数据库上性能比较
表格2.本发明在公共数据库上性能比较
附图说明
图1为本发明时序集成网络的具体实施流程图;
图2为本发明采用的时序门单元。
具体实施方式
下面结合图1和图2来说明本发明的具体实施方案。
首先,我们的生成器是一个全卷积网络,全卷积网络的输入理论上可以是任意的尺寸。让我们表示第k个层的编码器特征为xk,第k个层的解码器特征为yk,第k个基编码器特征为Xk,第k个基解码器特征为Yk,并且假设总共有N个基编解码器。给定一个随机尺度的低质量人脸图片样本s,时序集成网络G可以用如下公式表示:
x1=lrelu(conv2(lrelu(conv(s)))),
xk=lrelu(conv2(xk-1)),k=2,3,...,N
X1=lrelu(conv2N(x1)),
Xk=SGU(lrelu(conv2N-k+1(xk)),Xk-1),k=2,3,...,N
Yk=relu(deconv2k(XN-k+1)),k=1,2,3,...,N
y1=relu(deconv2(Y1))
yk=relu(deconv2(SGU(Yk,yk-1))),k=2,3,...,N
G(s)=tanh(conv(yN)),
其中G(s)是生成的人脸图像,conv2k和d∈conv2k分别是2k下采样卷积和上采样解卷积操作。SGU是时序门单元。每个卷积层紧接着lrelu激活函数,每个解卷积层紧接着relu激活函数,生成器的最后一层是tanh激活函数。需要注意的是,在不同的卷积,解卷积操作和SGU单元之间没有共享参数。
为了时序地结合和选择多层信息,我们提出了一种时序门单元(SGU)。SGU时序地将两层基编解码器的信息作为输入,并且通过其中一个主动输入决定单元的输出。SGU由以下的公式描述:
f=σ(conv(xa))*xa+σ(conv(xa))*xp
其中是SGU的输出,σ(x)是sigmoid激活函数,xa是主动输入,xp是被动输入。在编码端,高层基编码器作为主动输入,低层基编码器作为被动输入,使得网络逐渐提取高层特征。在解码端,低层基编码器作为主动输入,高层基编码器作为被动输入,使得网络逐渐恢复低层丰富细节。
传统的图像恢复问题的目标是最小化恢复图像和原始图像的均方根误差(MSE)。然而,最小化均方根误差经常会导致恢复图像比较模糊。我们提出在模型训练过程中加入生成对抗生成模型中(GAN)的对抗训练过程,使得生成出来的图像更加清晰自然。修改之后的损失函数有如下所示:
其中α是为了取得均方根误差项和对抗训练项平衡的权重。
Claims (6)
1.一种多尺度人脸恢复的时序集成网络系统,其特征在于:该网络系统包括,
一个全卷积网络,该全卷积网络包括N个层次的基编码器和N个层次的基解码器,每个层次的基编码器对该层次的人脸特征图进行编码,输出该层次的人脸特征图的编码输出;每个层次基解码器对该层次的人脸特征图进行编码,输出该层次的人脸特征图的解码输出;
N-1个时序门单元,在编码端,对于N个层次的人脸特征图的编码输出进行顺序地从下到上结合和选择;N-1个时序门单元,在解码端,对于N个层次的人脸特征图的解码输出进行顺序地从上到下的结合和选择;所述时序门单元采用SGU表示,SGU将两层基编解码器的信息作为输入,并且通过其中一个主动输入决定单元的输出;SGU由以下的公式描述:
f=σ(conv(xa))*xa+σ(conv(xa))*xp
其中f是SGU的输出,σ(x)是sigmoid激活函数,xa是主动输入,xp是被动输入;在编码端,高层基编码器作为主动输入,低层基编码器作为被动输入,使得网络逐渐提取高层特征;在解码端,低层基编码器作为主动输入,高层基编码器作为被动输入,使得网络逐渐恢复低层丰富细节。
2.根据权利要求1所述的一种多尺度人脸恢复的时序集成网络系统,其特征在于:
所述时序门单元包含由主动输入控制的两个门,一个为主动输入门,一个为被动输入门;
所述在编码端,对于N个层次的人脸特征图的编码输出进行顺序地从下到上结合和选择具体为:
在编码端,将高层的基编码器输出的高层编码特征输入到主动输入门,将顺序于该高层的低层的基编码器输出的低层编码特征输入到被动输入门,进行顺序的从下到上的结合和选择;
所述在解码端,对于N个层次的人脸特征图的解码输出进行顺序地从上到下的结合和选择具体为:
在解码端,将低层的基解码器输出的低层解码特征输入到主动输入门,将顺序于该低层的高层的基解码器输出的高层解码特征输入到被动输入门,进行顺序的从上到下的结合和选择。
3.一种多尺度人脸恢复的时序编码装置,其特征在于:该编码装置位于一个全卷积网络中,包括:
N个层次的基编码器,每个层次的基编码器对该层次的人脸特征图进行编码,输出该层次的人脸特征图的编码输出;
N-1个时序门单元,对于N个层次的人脸特征图的编码输出进行顺序地从下到上结合和选择;所述时序门单元采用SGU表示,SGU将两层基编解码器的信息作为输入,并且通过其中一个主动输入决定单元的输出;SGU由以下的公式描述:
f=σ(conv(xa))*xa+σ(conv(xa))*xp
其中f是SGU的输出,σ(x)是sigmoid激活函数,xa是主动输入,xp是被动输入;在编码端,高层基编码器作为主动输入,低层基编码器作为被动输入,使得网络逐渐提取高层特征;在解码端,低层基编码器作为主动输入,高层基编码器作为被动输入,使得网络逐渐恢复低层丰富细节。
4.根据权利要求3所述的一种多尺度人脸恢复的时序编码装置,其特征在于:
所述时序门单元包含由主动输入控制的两个门,一个为主动输入门,一个为被动输入门;
所述对于N个层次的人脸特征图的编码输出进行顺序地从下到上结合和选择具体为:
在编码端,将高层的基编码器输出的高层编码特征输入到主动输入门,将顺序于该高层的低层的基编码器输出的低层编码特征输入到被动输入门,进行顺序的从下到上的结合和选择。
5.一种多尺度人脸恢复的时序解码装置,其特征在于:该解码装置位于全卷积网络中,包括:
N个层次的基解码器,每个层次的基解码器对对该层次的人脸特征图进行解码,输出该层次的人脸特征图的解码输出;
N-1个时序门单元,对于N个层次的人脸特征图的解码输出进行顺序地从上到下的结合和选择;所述时序门单元采用SGU表示,SGU将两层基编解码器的信息作为输入,并且通过其中一个主动输入决定单元的输出;SGU由以下的公式描述:
f=σ(conv(xa))*xa+σ(conv(xa))*xp
其中f是SGU的输出,σ(x)是sigmoid激活函数,xa是主动输入,xp是被动输入;在编码端,高层基编码器作为主动输入,低层基编码器作为被动输入,使得网络逐渐提取高层特征;在解码端,低层基编码器作为主动输入,高层基编码器作为被动输入,使得网络逐渐恢复低层丰富细节。
6.根据权利要求5所述的一种多尺度人脸恢复的时序解码装置,其特征在于:
所述时序门单元包含由主动输入控制的两个门,一个为主动输入门,一个为被动输入门;
所述对于N个层次的人脸特征图的解码输出进行顺序地从上到下的结合和选择具体为:
在解码端,将低层的基解码器输出的低层解码特征输入到主动输入门,将顺序于该低层的高层的基解码器输出的高层解码特征输入到被动输入门,进行顺序的从上到下的结合和选择。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711460967.8A CN108171325B (zh) | 2017-12-28 | 2017-12-28 | 一种多尺度人脸恢复的时序集成网络、编码装置及解码装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711460967.8A CN108171325B (zh) | 2017-12-28 | 2017-12-28 | 一种多尺度人脸恢复的时序集成网络、编码装置及解码装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108171325A CN108171325A (zh) | 2018-06-15 |
CN108171325B true CN108171325B (zh) | 2020-08-28 |
Family
ID=62519169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711460967.8A Active CN108171325B (zh) | 2017-12-28 | 2017-12-28 | 一种多尺度人脸恢复的时序集成网络、编码装置及解码装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108171325B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109451308B (zh) | 2018-11-29 | 2021-03-09 | 北京市商汤科技开发有限公司 | 视频压缩处理方法及装置、电子设备及存储介质 |
CN113542758A (zh) * | 2020-04-15 | 2021-10-22 | 辉达公司 | 生成对抗神经网络辅助的视频压缩和广播 |
CN114862699B (zh) * | 2022-04-14 | 2022-12-30 | 中国科学院自动化研究所 | 基于生成对抗网络的人脸修复方法、装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0664037B1 (en) * | 1991-07-15 | 2001-12-19 | Iridian Technologies, Inc. | Biometric personal identification system based on iris analysis |
CN103971095A (zh) * | 2014-05-09 | 2014-08-06 | 西北工业大学 | 基于多尺度lbp和稀疏编码的大规模人脸表情识别方法 |
CN105095833A (zh) * | 2014-05-08 | 2015-11-25 | 中国科学院声学研究所 | 用于人脸识别的网络构建方法、识别方法及系统 |
CN105868706A (zh) * | 2016-03-28 | 2016-08-17 | 天津大学 | 一种基于稀疏自编码的三维模型识别方法 |
CN106791870A (zh) * | 2016-11-30 | 2017-05-31 | 华为技术有限公司 | 一种视频编码方法、视频解码方法以及相关设备 |
CN107273824A (zh) * | 2017-05-27 | 2017-10-20 | 西安电子科技大学 | 基于多尺度多方向局部二值模式的人脸识别方法 |
-
2017
- 2017-12-28 CN CN201711460967.8A patent/CN108171325B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0664037B1 (en) * | 1991-07-15 | 2001-12-19 | Iridian Technologies, Inc. | Biometric personal identification system based on iris analysis |
CN105095833A (zh) * | 2014-05-08 | 2015-11-25 | 中国科学院声学研究所 | 用于人脸识别的网络构建方法、识别方法及系统 |
CN103971095A (zh) * | 2014-05-09 | 2014-08-06 | 西北工业大学 | 基于多尺度lbp和稀疏编码的大规模人脸表情识别方法 |
CN105868706A (zh) * | 2016-03-28 | 2016-08-17 | 天津大学 | 一种基于稀疏自编码的三维模型识别方法 |
CN106791870A (zh) * | 2016-11-30 | 2017-05-31 | 华为技术有限公司 | 一种视频编码方法、视频解码方法以及相关设备 |
CN107273824A (zh) * | 2017-05-27 | 2017-10-20 | 西安电子科技大学 | 基于多尺度多方向局部二值模式的人脸识别方法 |
Non-Patent Citations (2)
Title |
---|
Online pattern recognition in subsequence time series clustering;Zolhavarieh S等;《3rd International Conference on Computer Engineering and Mathematical Sciences》;20141231;全文 * |
多尺度非监督特征学习的人脸识别_;尹晓燕等;《计算机工程与应用》;20161231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108171325A (zh) | 2018-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Transformer-based image compression | |
CN110348487B (zh) | 一种基于深度学习的高光谱图像压缩方法及装置 | |
CN110933429B (zh) | 基于深度神经网络的视频压缩感知与重构方法和装置 | |
Wu et al. | Learned block-based hybrid image compression | |
US10965948B1 (en) | Hierarchical auto-regressive image compression system | |
CN108171325B (zh) | 一种多尺度人脸恢复的时序集成网络、编码装置及解码装置 | |
US11062210B2 (en) | Method and apparatus for training a neural network used for denoising | |
Dupont et al. | Coin++: Neural compression across modalities | |
CN103338376A (zh) | 一种基于运动矢量的视频隐写方法 | |
CN116233445B (zh) | 视频的编解码处理方法、装置、计算机设备和存储介质 | |
CN109949217A (zh) | 基于残差学习和隐式运动补偿的视频超分辨率重建方法 | |
CN113747163A (zh) | 基于上下文重组建模的图像编码、解码方法及压缩方法 | |
CN113297804A (zh) | 基于U-Transformer多层次特征重构的异常检测方法及系统 | |
Lin et al. | Multistage spatial context models for learned image compression | |
Kabir et al. | Edge-based transformation and entropy coding for lossless image compression | |
Wang et al. | Gridformer: Residual dense transformer with grid structure for image restoration in adverse weather conditions | |
CN116600119B (zh) | 视频编码、解码方法、装置、计算机设备和存储介质 | |
Kim et al. | Long-term video generation with evolving residual video frames | |
Matsuda et al. | Lossless coding using predictors and arithmetic code optimized for each image | |
Zhuang et al. | A robustness and low bit-rate image compression network for underwater acoustic communication | |
CN115496134A (zh) | 基于多模态特征融合的交通场景视频描述生成方法和装置 | |
Hu et al. | HDVC: Deep Video Compression with Hyperprior-Based Entropy Coding | |
CN107018287A (zh) | 使用视频缩影对图像进行降噪的方法和装置 | |
CN113141506A (zh) | 基于深度学习的图像压缩神经网络模型、及其方法和设备 | |
Liu et al. | Adversarial robust image steganography against lossy JPEG compression |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP02 | Change in the address of a patent holder | ||
CP02 | Change in the address of a patent holder |
Address after: No.443 Huangshan Road, Shushan District, Hefei City, Anhui Province 230022 Patentee after: University of Science and Technology of China Address before: 230026 Jinzhai Road, Baohe District, Hefei, Anhui Province, No. 96 Patentee before: University of Science and Technology of China |