CN109040763A - 一种基于生成式对抗网络的图像压缩方法及系统 - Google Patents
一种基于生成式对抗网络的图像压缩方法及系统 Download PDFInfo
- Publication number
- CN109040763A CN109040763A CN201810891737.5A CN201810891737A CN109040763A CN 109040763 A CN109040763 A CN 109040763A CN 201810891737 A CN201810891737 A CN 201810891737A CN 109040763 A CN109040763 A CN 109040763A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- compression
- original image
- differentiation
- 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.)
- Pending
Links
Classifications
-
- 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
- H04N19/70—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by syntax aspects related to video coding, e.g. related to compression standards
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种基于生成式对抗网络的图像压缩方法及系统，该方法包括获取训练数据；训练数据包括原始图像及其对应的压缩图像。根据训练数据，对生成网络和判别网络进行训练；获得图像生成网络模型。将待压缩图像输入图像生成网络模型进行压缩重建。与传统的图像压缩算法相比，本发明运用生成式对抗学习方法，训练生成网络和判别网络，优化生成网络的参数，获得图像生成网络模型。利用图像生成网络模型能够迅速对图像进行压缩，与基于编码冗余的压缩算法相比，压缩重建速度更快。与基于空间冗余的压缩算法相比，图像压缩后与原图的相似度高。
Description
技术领域
本发明涉及图像压缩技术领域，更具体的，涉及一种基于生成式对抗网络的图像压缩方法及系统。
背景技术
生活中，无论是利用哪种传输媒介进行传输的信息，都会遇到需要对大量图像数据进行传输与存储的问题。而对大量图像数据进行传输，需要保证其传输的质量、速度等，对其进行存储也要考虑其大小容量等。所以，要解决大量图像数据的传输与存储，在当前传输媒介中，存在传输带宽的限制，故在一些限制条件下传输尽可能多的活动图像，如何能对图像数据进行最大限度的压缩，并且保证压缩后的重建图像能够被用户所接受等问题，就成为研究图像压缩技术的问题之源。
图像数据之所以可以进行压缩，主要是因为一般原始图像数据是高度相关的，都含有大量的冗余信息。图像压缩编码的目的就是消除各种冗余，图像压缩编码的目的就是消除各种冗余，并在给定的畸变下用尽量少的比特数来表征和重建图像，使它符合预定应用场合的要求。
现如今的图像压缩算法大多有基于以下几个方面：针对编码冗余的压缩，针对空间冗余的压缩，针对不相关信息的压缩等。其中基于编码冗余的压缩主要有Huffman编码、Golomb编码和算术编码，这些算法需要对原始数据进行扫描，比较复杂，数据压缩和还原速度比较慢且信息恢复的不够丰富。基于空间冗余的压缩主要有LZW编码、行程编码、基于符号的编码、预测编码等，这些算法采用有损压缩的方式会丢失图像中重复或者不重要的信息，容易造成图像数据的损失。针对不相关信息的编码主要有块编码、小波编码等，变换方式一般选择Walsh-Hadamard变换、离散傅里叶变换(DFT)或离散余弦变换(DCT)，这些算法容易产生块效应，相邻子块间的边界变得可见。
发明内容
本发明为解决传统图像压缩算法过程复杂，数据压缩和还原速度比较慢的缺陷，提供一种基于生成式对抗网络的图像压缩方法及系统。
第一方面，本发明提供一种基于生成式对抗网络的图像压缩方法，包括：
获取训练数据；所述训练数据包括原始图像及其对应的压缩图像；
根据所述训练数据，对生成网络和判别网络进行训练；获得图像生成网络模型；
将待压缩图像输入所述图像生成网络模型进行压缩重建。
优选的，所述获取训练数据包括：
将原始图像输入预先训练的生成网络，得到对所述原始图像进行压缩重建后的压缩图像，将所述原始图像和压缩图像作为训练数据；其中，所述生成网络用于对图像进行压缩重建。
优选的，所述根据所述训练数据，对生成网络和判别网络进行训练；获得优化后的生成网络模型具体包括：
根据所述原始图像和压缩图像，训练所述生成网络和判别网络，所述判别网络用于判断输入的训练数据是原始图像的概率；
重复训练所述生成网络和判别网络，获得图像生成网络模型。
优选的，根据所述原始图像和压缩图像，训练所述生成网络和判别网络具体包括。
将所述原始图像输入生成网络，得到压缩图像；
将所述原始图像和压缩图像分别输入所述判别网络，获取判别概率；所述判别概率为输入判别网络的图像是原始图像的概率；
根据所述判别概率，调整所述生成网络的配置参数。
第二方面，本发明提供一种基于生成式对抗网络的图像压缩系统，包括：
获取模块，用于获取训练数据；所述训练数据包括原始图像及其对应的压缩图像；
训练模块，用于根据所述训练数据，对生成网络和判别网络进行训练；获得图像生成网络模型；
压缩模块，用于将待压缩图像输入所述图像生成网络模型进行压缩重建。
优选的，所述获取模块具体用于：
将原始图像输入预先训练的生成网络，得到对所述原始图像进行压缩重建后的压缩图像，将所述原始图像和压缩图像作为训练数据；其中，所述生成网络用于对图像进行压缩重建。
优选的，所述训练模块具体用于：
根据所述原始图像和压缩图像，训练所述生成网络和判别网络，所述判别网络用于判断输入的训练数据是原始图像的概率；
重复训练所述生成网络和判别网络，获得图像生成网络模型。
优选的，所述训练模块进一步用于：
将所述原始图像输入生成网络，得到压缩图像；
将所述原始图像和压缩图像分别输入所述判别网络，获取判别概率；所述判别概率为输入判别网络的图像是原始图像的概率；
根据所述判别概率，调整所述生成网络的配置参数。
第三方面，本发明提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行第一方面的各种可能的实现方式中任一中可能的实现方式所提供的基于生成式对抗网络的图像压缩方法。
第四方面，本发明提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面的各种可能的实现方式中任一中可能的实现方式所提供的基于生成式对抗网络的图像压缩方法。
本发明提供的基于生成式对抗网络的图像压缩方法及系统，使用生成式对抗学习方法，通过训练生成网络和判别网络，优化生成网络的参数，获得图像生成网络模型。利用图像生成网络模型对待压缩图片进行压缩重建，使压缩后的图像与原图像保持更高的相似度。
与传统的图像压缩算法相比，本发明运用生成式对抗学习方法，训练生成网络和判别网络，优化生成网络的参数，获得图像生成网络模型。利用图像生成网络模型能够迅速对图像进行压缩，与基于编码冗余的压缩算法相比，压缩重建速度更快。与基于空间冗余的压缩算法相比，图像压缩后与原图的相似度高。
附图说明
图1为根据本发明实施例提供的基于生成式对抗网络的图像压缩方法的流程示意图；
图2为根据本发明实施例提供的生成网络的训练示意图；
图3为根据本发明实施例提供的判别网络的训练示意图；
图4为根据本发明实施例提供的基于生成式对抗网络的图像压缩系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一模块实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
生成式对抗网络是非监督式学习的一种方法，通过让两个神经网络相互博弈的方式进行学习。生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生相当好的输出。本发明实施例运用生成式对抗学习方法，训练生成网络和判别网络，优化生成网络的参数，获得图像生成网络模型。利用图像生成网络模型能够迅速对图像进行压缩，与基于编码冗余的压缩算法相比，压缩重建速度更快。与基于空间冗余的压缩算法相比，图像压缩后与原图的相似度高。
图1为根据本发明实施例提供的基于生成式对抗网络的图像压缩方法的流程示意图，参照图1，该方法包括：
步骤101，获取训练数据；所述训练数据包括原始图像及其对应的压缩图像；
具体地，训练数据为对两个卷积神经网络进行训练所需的图像。训练数据包括原始图像及其对应的压缩图像。原始图像对应有原始图像经过压缩重建得到的压缩图像。
本实施例中，需要预先训练生成网络，该生成网络包括由多个卷积层构成的卷积编码结构和卷积解码结构。生成网络通过对输入的原始图像进行编码量化，将图片转换成压缩的特征，解码结构从压缩的特征恢复出原始的图片。
图2为根据本发明实施例提供的生成网络的训练示意图，原始图像作为生成网络的输入，经过卷积编码、量化以及哈夫曼编码可以得到图像压缩的特征，这个特征可以作为原始图片的表达进行存储和传输。同时，这个图像压缩特征经过反量化卷积解码，可以输出压缩图像。其中，哈夫曼编码(Huffman Coding)又称霍夫曼编码，是一种编码方式，哈夫曼编码是可变字长编码(VLC)的一种。该方法完全依据字符出现概率来构造异字头的平均长度最短的码字。
将原始图像输入预先训练的生成网络，得到对所述原始图像进行压缩重建后的压缩图像，其中，所述生成网络用于对图像进行压缩重建。
步骤102，根据所述训练数据，对生成网络和判别网络进行训练；获得图像生成网络模型；
具体地，将所述原始图像输入生成网络，得到对应的压缩图像；将所述原始图像和压缩图像分别输入所述判别网络，判别网络的目的是判别输入的训练数据是原始图像还是压缩图像。
图3为根据本发明实施例提供的判别网络的训练示意图；如图3所示，将所述原始图像和压缩图像作为判别网络的训练数据。重复训练生成网络和判别网络，优化生成网络的参数，获得图像生成网络模型。
步骤103，将待压缩图像输入所述图像生成网络模型进行压缩重建。
本发明实施例提供的基于生成式对抗网络的图像压缩方法，使用生成式对抗学习方法，通过训练生成网络和判别网络，优化生成网络的参数，获得图像生成网络模型。利用图像生成网络模型对待压缩图片进行压缩重建，使压缩后的图像与原图像保持更高的相似度。与传统的图像压缩算法相比，本发明实施例运用生成式对抗学习方法，训练生成网络和判别网络，优化生成网络的参数，获得图像生成网络模型。利用图像生成网络模型能够迅速对图像进行压缩，与基于编码冗余的压缩算法相比，压缩重建速度更快。与基于空间冗余的压缩算法相比，图像压缩后与原图的相似度高。
在上述实施例的基础上，步骤102中，根据所述训练数据，对生成网络和判别网络进行训练；获得优化后的生成网络模型具体包括：
根据原始图像和压缩图像，训练生成网络和判别网络，判别网络用于判断输入的训练数据是原始图像的概率；重复训练生成网络和判别网络，获得图像生成网络模型。
具体地，将原始图像输入生成网络，得到压缩图像。将原始图像和压缩图像分别输入所述判别网络，获取判别概率；判别概率为输入判别网络的图像是原始图像的概率。
根据所述判别概率，调整所述生成网络的配置参数。重复训练生成网络和判别网络，获得图像生成网络模型。
图4为根据本发明实施例提供的基于生成式对抗网络的图像压缩系统的结构示意图，如图4所示，该系统包括401、训练模块402和压缩模块403，其中，
获取模块401用于获取训练数据。训练数据包括原始图像及其对应的压缩图像。训练模块402用于根据所述训练数据，对生成网络和判别网络进行训练；获得图像生成网络模型。压缩模块403用于将待压缩图像输入所述图像生成网络模型进行压缩重建。
具体地，训练数据为对两个卷积神经网络进行训练所需的图像。训练数据包括原始图像及其对应的压缩图像。原始图像对应有原始图像经过压缩重建得到的压缩图像。
本实施例中，获取模块401需要预先训练生成网络，该生成网络包括由多个卷积层构成的卷积编码结构和卷积解码结构。生成网络通过对输入的原始图像进行编码量化，将图片转换成压缩的特征，解码结构从压缩的特征恢复出原始的图片。
原始图像作为生成网络的输入，经过卷积编码和量化编码可以得到图像压缩的特征，这个特征可以作为原始图片的表达进行存储和传输。同时，这个图像压缩特征经过反量化卷积解码，可以输出压缩图像。将原始图像输入预先训练的生成网络，得到对所述原始图像进行压缩重建后的压缩图像，其中，所述生成网络用于对图像进行压缩重建。
训练模块402将原始图像输入生成网络，得到对应的压缩图像；将所述原始图像和压缩图像分别输入所述判别网络，判别网络的目的是判别输入的训练数据是原始图像还是压缩图像。重复训练生成网络和判别网络，优化生成网络的参数，获得图像生成网络模型。
压缩模块403将待压缩图像输入所述图像生成网络模型进行压缩重建。
本发明实施例提供的基于生成式对抗网络的图像压缩系统，使用生成式对抗学习方法，通过训练生成网络和判别网络，优化生成网络的参数，获得图像生成网络模型。利用图像生成网络模型对待压缩图片进行压缩重建，使压缩后的图像与原图像保持更高的相似度。与传统的图像压缩算法相比，本发明实施例运用生成式对抗学习方法，训练生成网络和判别网络，优化生成网络的参数，获得图像生成网络模型。利用图像生成网络模型能够迅速对图像进行压缩，与基于编码冗余的压缩算法相比，压缩重建速度更快。与基于空间冗余的压缩算法相比，图像压缩后与原图的相似度高。
在上述实施例的基础上，训练模块402具体用于：
根据所述原始图像和压缩图像，训练所述生成网络和判别网络，所述判别网络用于判断输入的训练数据是原始图像的概率；重复训练所述生成网络和判别网络，获得图像生成网络模型。
具体地，将原始图像输入生成网络，得到压缩图像。将原始图像和压缩图像分别输入所述判别网络，获取判别概率；判别概率为输入判别网络的图像是原始图像的概率。
根据所述判别概率，调整所述生成网络的配置参数。重复训练生成网络和判别网络，获得图像生成网络模型。
本发明实施例提供了一种计算机程序产品，计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行第一方面的各种可能的实现方式中任一中可能的实现方式所提供的基于生成式对抗网络的图像压缩方法，例如包括：获取训练数据；所述训练数据包括原始图像及其对应的压缩图像；根据所述训练数据，对生成网络和判别网络进行训练；获得图像生成网络模型；将待压缩图像输入所述图像生成网络模型进行压缩重建。
本发明实施例提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使所述计算机执行第一方面的各种可能的实现方式中任一中可能的实现方式所提供的基于生成式对抗网络的图像压缩方法。例如包括：获取训练数据；所述训练数据包括原始图像及其对应的压缩图像；根据所述训练数据，对生成网络和判别网络进行训练；获得图像生成网络模型；将待压缩图像输入所述图像生成网络模型进行压缩重建。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明根据本发明实施例提供的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员而言，可以理解在不脱离根据本发明实施例提供的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，凡在根据本发明实施例提供的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在根据本发明实施例提供的保护范围之内。
Claims (10)
1.一种基于生成式对抗网络的图像压缩方法，其特征在于，包括：
获取训练数据；所述训练数据包括原始图像及其对应的压缩图像；
根据所述训练数据，对生成网络和判别网络进行训练；获得图像生成网络模型；
将待压缩图像输入所述图像生成网络模型进行压缩重建。
2.根据权利要求1所述的方法，其特征在于，所述获取训练数据包括：
将原始图像输入预先训练的生成网络，得到对原始图像进行压缩重建后的压缩图像，将所述原始图像和压缩图像作为训练数据；其中，所述生成网络用于对图像进行压缩重建。
3.根据权利要求2所述的方法，其特征在于，所述根据所述训练数据，对生成网络和判别网络进行训练；获得优化后的生成网络模型具体包括：
根据所述原始图像和压缩图像，训练所述生成网络和判别网络，所述判别网络用于判断输入的训练数据是原始图像的概率；
重复训练所述生成网络和判别网络，获得图像生成网络模型。
4.根据权利要求3所述的方法，其特征在于，根据所述原始图像和压缩图像，训练所述生成网络和判别网络具体包括：
将所述原始图像输入生成网络，得到压缩图像；
将所述原始图像和压缩图像分别输入所述判别网络，获取判别概率；所述判别概率为输入判别网络的图像是原始图像的概率；
根据所述判别概率，调整所述生成网络的配置参数。
5.一种基于生成式对抗网络的图像压缩系统，其特征在于，包括：
获取模块，用于获取训练数据；所述训练数据包括原始图像及其对应的压缩图像；
训练模块，用于根据所述训练数据，对生成网络和判别网络进行训练；获得图像生成网络模型；
压缩模块，用于将待压缩图像输入所述图像生成网络模型进行压缩重建。
6.根据权利要求5所述的系统，其特征在于，所述获取模块具体用于：
将原始图像输入预先训练的生成网络，得到对所述原始图像进行压缩重建后的压缩图像，将所述原始图像和压缩图像作为训练数据；其中，所述生成网络用于对图像进行压缩重建。
7.根据权利要求6所述的系统，其特征在于，所述训练模块具体用于：
根据所述原始图像和压缩图像，训练所述生成网络和判别网络，所述判别网络用于判断输入的训练数据是原始图像的概率；
重复训练所述生成网络和判别网络，获得图像生成网络模型。
8.根据权利要求7所述的系统，其特征在于，所述训练模块进一步用于：
将所述原始图像输入生成网络，得到压缩图像；
将所述原始图像和压缩图像分别输入所述判别网络，获取判别概率；所述判别概率为输入判别网络的图像是原始图像的概率；
根据所述判别概率，调整所述生成网络的配置参数。
9.一种计算机程序产品，其特征在于，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如权利要求1至4任一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至4任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810891737.5A CN109040763A (zh) | 2018-08-07 | 2018-08-07 | 一种基于生成式对抗网络的图像压缩方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810891737.5A CN109040763A (zh) | 2018-08-07 | 2018-08-07 | 一种基于生成式对抗网络的图像压缩方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109040763A true CN109040763A (zh) | 2018-12-18 |
Family
ID=64649309
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810891737.5A Pending CN109040763A (zh) | 2018-08-07 | 2018-08-07 | 一种基于生成式对抗网络的图像压缩方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109040763A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109993678A (zh) * | 2019-03-26 | 2019-07-09 | 南京联创北斗技术应用研究院有限公司 | 一种基于深度对抗生成网络的鲁棒信息隐藏方法 |
| CN110062125A (zh) * | 2019-04-18 | 2019-07-26 | 西安万像电子科技有限公司 | 图像传输方法及装置 |
| CN110225350A (zh) * | 2019-05-30 | 2019-09-10 | 西安电子科技大学 | 基于生成式对抗网络的自然图像压缩方法 |
| CN110334805A (zh) * | 2019-05-05 | 2019-10-15 | 中山大学 | 一种基于生成对抗网络的jpeg域图像隐写方法和系统 |
| CN110677671A (zh) * | 2019-11-01 | 2020-01-10 | 合肥图鸭信息科技有限公司 | 一种图像压缩方法、装置及终端设备 |
| CN111050170A (zh) * | 2019-12-06 | 2020-04-21 | 山东浪潮人工智能研究院有限公司 | 基于gan的图片压缩系统构建方法、压缩系统及方法 |
| CN111711820A (zh) * | 2020-05-13 | 2020-09-25 | 哈尔滨工业大学 | 一种基于生成对抗网络的裂缝图像压缩采样方法 |
| CN111787323A (zh) * | 2020-05-23 | 2020-10-16 | 清华大学 | 一种基于对抗学习的可变比特率生成式压缩方法 |
| CN113362403A (zh) * | 2021-07-20 | 2021-09-07 | 支付宝(杭州)信息技术有限公司 | 图像处理模型的训练方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107123151A (zh) * | 2017-04-28 | 2017-09-01 | 深圳市唯特视科技有限公司 | 一种基于变分自动编码器和生成对抗网络的图像转化方法 |
| CN108154547A (zh) * | 2018-01-17 | 2018-06-12 | 百度在线网络技术（北京）有限公司 | 图像生成方法和装置 |
| US20180174052A1 (en) * | 2016-12-15 | 2018-06-21 | WaveOne Inc. | Using generative adversarial networks in compression |
-
2018
- 2018-08-07 CN CN201810891737.5A patent/CN109040763A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180174052A1 (en) * | 2016-12-15 | 2018-06-21 | WaveOne Inc. | Using generative adversarial networks in compression |
| CN107123151A (zh) * | 2017-04-28 | 2017-09-01 | 深圳市唯特视科技有限公司 | 一种基于变分自动编码器和生成对抗网络的图像转化方法 |
| CN108154547A (zh) * | 2018-01-17 | 2018-06-12 | 百度在线网络技术（北京）有限公司 | 图像生成方法和装置 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109993678B (zh) * | 2019-03-26 | 2020-04-07 | 南京联创北斗技术应用研究院有限公司 | 一种基于深度对抗生成网络的鲁棒信息隐藏方法 |
| CN109993678A (zh) * | 2019-03-26 | 2019-07-09 | 南京联创北斗技术应用研究院有限公司 | 一种基于深度对抗生成网络的鲁棒信息隐藏方法 |
| CN110062125A (zh) * | 2019-04-18 | 2019-07-26 | 西安万像电子科技有限公司 | 图像传输方法及装置 |
| CN110334805B (zh) * | 2019-05-05 | 2022-10-25 | 中山大学 | 一种基于生成对抗网络的jpeg域图像隐写方法和系统 |
| CN110334805A (zh) * | 2019-05-05 | 2019-10-15 | 中山大学 | 一种基于生成对抗网络的jpeg域图像隐写方法和系统 |
| CN110225350B (zh) * | 2019-05-30 | 2021-03-23 | 西安电子科技大学 | 基于生成式对抗网络的自然图像压缩方法 |
| CN110225350A (zh) * | 2019-05-30 | 2019-09-10 | 西安电子科技大学 | 基于生成式对抗网络的自然图像压缩方法 |
| CN110677671A (zh) * | 2019-11-01 | 2020-01-10 | 合肥图鸭信息科技有限公司 | 一种图像压缩方法、装置及终端设备 |
| CN111050170A (zh) * | 2019-12-06 | 2020-04-21 | 山东浪潮人工智能研究院有限公司 | 基于gan的图片压缩系统构建方法、压缩系统及方法 |
| CN111711820A (zh) * | 2020-05-13 | 2020-09-25 | 哈尔滨工业大学 | 一种基于生成对抗网络的裂缝图像压缩采样方法 |
| CN111787323A (zh) * | 2020-05-23 | 2020-10-16 | 清华大学 | 一种基于对抗学习的可变比特率生成式压缩方法 |
| CN111787323B (zh) * | 2020-05-23 | 2021-09-03 | 清华大学 | 一种基于对抗学习的可变比特率生成式压缩方法 |
| US11153566B1 (en) * | 2020-05-23 | 2021-10-19 | Tsinghua University | Variable bit rate generative compression method based on adversarial learning |
| CN113362403A (zh) * | 2021-07-20 | 2021-09-07 | 支付宝(杭州)信息技术有限公司 | 图像处理模型的训练方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109040763A (zh) | 一种基于生成式对抗网络的图像压缩方法及系统 | |
| Pandit et al. | Review of video compression techniques based on fractal transform function and swarm intelligence | |
| CN107197260B (zh) | 基于卷积神经网络的视频编码后置滤波方法 | |
| CN110087092A (zh) | 基于图像重构卷积神经网络的低码率视频编解码方法 | |
| CN109903351B (zh) | 基于卷积神经网络和传统编码相结合的图像压缩方法 | |
| CN111093081A (zh) | 一种图像无损压缩方法及系统 | |
| CN105430416A (zh) | 一种基于自适应稀疏域编码的指纹图像压缩方法 | |
| CN104704826B (zh) | 两步量化和编码方法和装置 | |
| MXPA02000815A (es) | Esquema de compresion de video que utiliza tren de ondas. | |
| CN106658003A (zh) | 一种基于字典学习的图像压缩系统的量化方法 | |
| US20220360788A1 (en) | Image encoding method and image decoding method | |
| CN113132735A (zh) | 一种基于视频帧生成的视频编码方法 | |
| Sun et al. | Dictionary learning for image coding based on multisample sparse representation | |
| CN113132727B (zh) | 可伸缩机器视觉编码方法和运动引导图像生成网络的训练方法 | |
| Löhdefink et al. | On low-bitrate image compression for distributed automotive perception: Higher peak snr does not mean better semantic segmentation | |
| CN105794208B (zh) | 编码解码图像方法、编码解码图像设备及相应计算机可读介质 | |
| Wu et al. | An efficient BTC image compression technique | |
| US9369734B2 (en) | Method and apparatus for encoding and decoding by wavelet transform | |
| Masmoudi et al. | A novel bio-inspired static image compression scheme for noisy data transmission over low-bandwidth channels | |
| Shah et al. | Vector quantization with codebook and index compression | |
| Shoba et al. | A Study on Data Compression Using Huffman Coding Algorithms | |
| Saudagar | Learning based coding for medical image compression | |
| Gulia et al. | Comprehensive Analysis of Flow Incorporated Neural Network based Lightweight Video Compression Architecture | |
| Rahman et al. | An integer wavelet transform based lossless image compression technique using arithmetic coding | |
| Dakua et al. | Lossless ECG compression for event recorder based on Burrows-Wheeler transformation and move-to-front coder |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |
|
| RJ01 | Rejection of invention patent application after publication |