CN110677671A - 一种图像压缩方法、装置及终端设备 - Google Patents

一种图像压缩方法、装置及终端设备 Download PDF

Info

Publication number
CN110677671A
CN110677671A CN201911061162.5A CN201911061162A CN110677671A CN 110677671 A CN110677671 A CN 110677671A CN 201911061162 A CN201911061162 A CN 201911061162A CN 110677671 A CN110677671 A CN 110677671A
Authority
CN
China
Prior art keywords
generator
image
discriminator
training
image compression
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
Application number
CN201911061162.5A
Other languages
English (en)
Inventor
于泓久
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Map Duck Mdt Infotech Ltd
Original Assignee
Hefei Map Duck Mdt Infotech Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei Map Duck Mdt Infotech Ltd filed Critical Hefei Map Duck Mdt Infotech Ltd
Priority to CN201911061162.5A priority Critical patent/CN110677671A/zh
Publication of CN110677671A publication Critical patent/CN110677671A/zh
Pending legal-status Critical Current

Links

Images

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
    • H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
    • 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
    • G06N3/08—Learning methods
    • 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
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/146—Data rate or code amount at the encoder output
    • H04N19/147—Data rate or code amount at the encoder output according to rate distortion criteria
    • 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
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
    • H04N19/182—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being a pixel

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明适用于图像压缩技术领域，提供了一种图像压缩方法、装置及终端设备，所述方法包括：将原始图像作为输入，以对抗学习的方式训练生成式对抗网络；通过所述训练后的生成式对抗网络对所述原始图像进行压缩。本发明通过生成式对抗网络来压缩图片，使得在不增加码流的情况下，增强重构图片的图片效果，提高图片压缩质量。

Description

一种图像压缩方法、装置及终端设备
技术领域
本发明属于图像压缩技术领域，尤其涉及一种图像压缩方法、装置及终端设备。
背景技术
传统的图像压缩算法，例如jpeg、jpeg2000等，在获得极高压缩率的同时会大幅丢失图像中的高频信息，导致图像信息大幅丢失，引起图像失真。目前网站、社交媒体上的高清图片日益增多，随之而来的带宽消耗也不断增大，如不进行压缩的话会占用过多的资源空间，如运用传统的图像压缩算法，则会导致图像经压缩后不清晰等问题。
发明内容
有鉴于此，本发明实施例提供了一种图像压缩方法及终端设备，以解决现有技术中图像压缩质量低的问题。
本发明实施例的第一方面提供了一种图像压缩方法，包括：
将原始图像作为输入，以对抗学习的方式训练生成式对抗网络；
通过所述训练后的生成式对抗网络对所述原始图像进行压缩。
进一步地，所述生成式对抗网络包括生成器G和判别器D。
进一步地，所述以对抗学习的方式训练生成式对抗网络包括：
步骤S1：将原始图像输入生成器G中生成重构图像；
步骤S2：固定生成器G的参数，将所述重构图像输入判别器D，通过误差反向传播算法对判别器D进行训练使得判别器D的loss最小化；
步骤S3：冻结判别器D的参数，通过误差反向传播算法对生成器G进行训练使得生成器G的loss最小化；
步骤S4：重复执行步骤S1到S3直到向所述判别器D中输入所述重构图像跟原始图片得到的输出概率都为0.5，得到最终生成式对抗网络的参数。
进一步地，所述通过训练后的生成式对抗网络对所述原始图像进行压缩包括：
通过训练后的生成式对抗网络中的生成器G对所述原始图像进行压缩。
本发明实施例的第二方面提供了一种图像压缩装置，包括：
训练模块，用于将原始图像作为输入，以对抗学习的方式训练生成式对抗网络；
压缩模块，用于通过所述训练后的生成式对抗网络对所述原始图像进行压缩。
进一步地，所述训练模块还包括：
重构单元，用于将原始图像输入生成器G中生成重构图像；
判别器训练单元，用于固定生成器G的参数，将所述重构图像输入判别器D，通过误差反向传播算法对判别器D进行训练使得判别器D的loss最小化；
生成器训练单元，用于冻结判别器D的参数，通过误差反向传播算法对生成器G进行训练使得生成器G的loss最小化；
循环单元，用于重复执行步骤S1到S3直到向所述判别器D中输入所述重构图像跟原始图片得到的输出概率都为0.5，得到最终生成式对抗网络的参数。
进一步地，所述压缩模块还包括：
生成器压缩单元，用于通过训练后的生成式对抗网络中的生成器G对所述原始图像进行压缩。
本发明实施例的第三方面提供了一种图像压缩终端设备，包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如上第一方面所提供的方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如上第一方面所提供的方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：
本发明通过生成式对抗网络来压缩图片，使得在不增加码流的情况下，增强重构图片的图片效果，提高图片压缩质量。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的图像压缩方法的实现流程示意图；
图2是本发明实施例提供的图像压缩装置的结构示意图；
图3是本发明实施例提供的图像压缩终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
实施例一
图1示出了本发明实施例一提供的图像压缩方法的实现流程，该方法的执行主体可以是终端设备，详述如下：
步骤S101，将原始图像作为输入，以对抗学习的方式训练生成式对抗网络。
可选地，所述生成式对抗网络包括生成器G和判别器D。其中所述生成器G可以是自编码器，所述判别器D可以是VGG模型。
具体地，所述以对抗学习的方式训练生成式对抗网络包括：
步骤S1：将原始图像输入生成器G中生成重构图像；
可选地，生成器输入为原始图像，输出为重构图像。
步骤S2：固定生成器G的参数，将所述重构图像输入判别器D，通过误差反向传播算法对判别器D进行训练使得判别器D的loss最小化；
可选地，判别器D输入为生成器G的重构图像和原始图像，输出为概率表示。进一步地，判别器D的loss为D_loss，优化D_loss来更新判别器的网络参数。
步骤S3：冻结判别器D的参数，通过误差反向传播算法对生成器G进行训练使得生成器G的loss最小化；
可选地，生成器loss为传统的RD_loss和G_loss，常见的相似度有mse和ms-ssim。Mse越小越好，ms-ssim越趋近于1越好，本文采用ms_ssim作为相似度约束，优化RD_loss+G_loss来更新生成器G的网络参数。
步骤S4：重复执行步骤S1到S3直到向所述判别器D中输入所述重构图像跟原始图片得到的输出概率都为0.5，得到最终生成式对抗网络的参数。
可选地，得到的输出概率都为0.5即为生成器G与判别器D的极大极小博弈，在所有可能的函数生成器G和判别器D中，可以求出唯一均衡解，即G可以生成与原始图像相同的分布，而D判断的概率处处为0.5。
可选地，本实施例中采用Adam优化器对生成式对抗网络进行优化，训练时生成器G和判别器D交替训练，即训练一步生成器G，再训练一步判别器D，单独交替迭代训练，当判别器不再能区分重构图像和原始图像，即为训练结束
步骤S102，通过所述训练后的生成式对抗网络对所述原始图像进行压缩。
可选地，将原始图像输入训练后的生成式对抗网络中的生成器G生成重构图像，所述重构图像即为压缩图像。
本实施例中，通过生成式对抗网络来压缩图片，使得在不增加码流的情况下，增强重构图片的图片效果，提高图片压缩质量。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
实施例二
图2示出了本发明实施例提供的图像压缩装置的结构框图，为了便于说明，仅示出了与本发明实施例相关的部分。该图像压缩装置2包括：训练模块21，压缩模块22。
其中，训练模块21，用于将原始图像作为输入，以对抗学习的方式训练生成式对抗网络；
压缩模块22，用于通过所述训练后的生成式对抗网络对所述原始图像进行压缩。
可选地，所述生成式对抗网络包括生成器G和判别器D。
可选地，所述训练模块还包括：
重构单元，用于将原始图像输入生成器G中生成重构图像；
判别器训练单元，用于固定生成器G的参数，将所述重构图像输入判别器D，通过误差反向传播算法对判别器D进行训练使得判别器D的loss最小化；
生成器训练单元，用于冻结判别器D的参数，通过误差反向传播算法对生成器G进行训练使得生成器G的loss最小化；
循环单元，用于重复执行步骤S1到S3直到向所述判别器D中输入所述重构图像跟原始图片得到的输出概率都为0.5，得到最终生成式对抗网络的参数。
可选地，所述压缩模块还包括：
生成器压缩单元，用于通过训练后的生成式对抗网络中的生成器G对所述原始图像进行压缩。
本实施例通过生成式对抗网络来压缩图片，使得在不增加码流的情况下，增强重构图片的图片效果，提高图片压缩质量。
实施例三
图3是本发明一实施例提供的图像压缩终端设备的示意图。如图3所示，该实施例的图像压缩终端设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32，例如图像压缩程序。所述处理器30执行所述计算机程序32时实现上述各个图像压缩方法实施例中的步骤，例如图1所示的步骤101至102。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块21至22的功能。
示例性的，所述计算机程序32可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器30执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述图像压缩终端设备3中的执行过程。例如，所述计算机程序32可以被分割成训练模块、压缩模块，各模块具体功能如下：
训练模块，用于将原始图像作为输入，以对抗学习的方式训练生成式对抗网络；
压缩模块，用于通过所述训练后的生成式对抗网络对所述原始图像进行压缩。
所述图像压缩终端设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述图像压缩终端设备可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是图像压缩终端设备3的示例，并不构成对图像压缩终端设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述图像压缩终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31可以是所述图像压缩终端设备3的内部存储单元，例如图像压缩终端设备3的硬盘或内存。所述存储器31也可以是所述图像压缩终端设备3的外部存储设备，例如所述图像压缩终端设备3上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器31还可以既包括所述图像压缩终端设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述图像压缩终端设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
由上可见，本实施例通过生成式对抗网络来压缩图片，使得在不增加码流的情况下，增强重构图片的图片效果，提高图片压缩质量。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，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，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种图像压缩方法，其特征在于，包括：
将原始图像作为输入，以对抗学习的方式训练生成式对抗网络；
通过所述训练后的生成式对抗网络对所述原始图像进行压缩。
2.如权利要求1所述的图像压缩方法，其特征在于，
所述生成式对抗网络包括生成器G和判别器D。
3.如权利要求1-2任一项所述的图像压缩方法，其特征在于，所述以对抗学习的方式训练生成式对抗网络包括：
步骤S1：将原始图像输入生成器G中生成重构图像；
步骤S2：固定生成器G的参数，将所述重构图像输入判别器D，通过误差反向传播算法对判别器D进行训练使得判别器D的loss最小化；
步骤S3：冻结判别器D的参数，通过误差反向传播算法对生成器G进行训练使得生成器G的loss最小化；
步骤S4：重复执行步骤S1到S3直到向所述判别器D中输入所述重构图像跟原始图片得到的输出概率都为0.5，得到最终生成式对抗网络的参数。
4.如权利要求1所述的图像压缩方法，其特征在于，所述通过训练后的生成式对抗网络对所述原始图像进行压缩包括：
通过训练后的生成式对抗网络中的生成器G对所述原始图像进行压缩。
5.一种图像压缩装置，其特征在于，包括：
训练模块，用于将原始图像作为输入，以对抗学习的方式训练生成式对抗网络；
压缩模块，用于通过所述训练后的生成式对抗网络对所述原始图像进行压缩。
6.如权利要求5所述的图像压缩装置，其特征在于，
所述生成式对抗网络包括生成器G和判别器D。
7.如权利要求5所述的图像压缩方法，其特征在于，所述训练模块还包括：
重构单元，用于将原始图像输入生成器G中生成重构图像；
判别器训练单元，用于固定生成器G的参数，将所述重构图像输入判别器D，通过误差反向传播算法对判别器D进行训练使得判别器D的loss最小化；
生成器训练单元，用于冻结判别器D的参数，通过误差反向传播算法对生成器G进行训练使得生成器G的loss最小化；
循环单元，用于重复执行步骤S1到S3直到向所述判别器D中输入所述重构图像跟原始图片得到的输出概率都为0.5，得到最终生成式对抗网络的参数。
8.如权利要求5所述的图像压缩方法，其特征在于，所述压缩模块还包括：
生成器压缩单元，用于通过训练后的生成式对抗网络中的生成器G对所述原始图像进行压缩。
9.一种图像压缩终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。
CN201911061162.5A 2019-11-01 2019-11-01 一种图像压缩方法、装置及终端设备 Pending CN110677671A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911061162.5A CN110677671A (zh) 2019-11-01 2019-11-01 一种图像压缩方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911061162.5A CN110677671A (zh) 2019-11-01 2019-11-01 一种图像压缩方法、装置及终端设备

Publications (1)

Publication Number Publication Date
CN110677671A true CN110677671A (zh) 2020-01-10

Family

ID=69085534

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911061162.5A Pending CN110677671A (zh) 2019-11-01 2019-11-01 一种图像压缩方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN110677671A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365464A (zh) * 2020-11-09 2021-02-12 成都信息工程大学 一种基于gan的医学图像病变区域弱监督定位方法
CN112565777A (zh) * 2020-11-30 2021-03-26 通号智慧城市研究设计院有限公司 基于深度学习模型视频数据传输方法、系统、介质及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180174052A1 (en) * 2016-12-15 2018-06-21 WaveOne Inc. Using generative adversarial networks in compression
CN109040763A (zh) * 2018-08-07 2018-12-18 北京飞搜科技有限公司 一种基于生成式对抗网络的图像压缩方法及系统
CN109544656A (zh) * 2018-11-23 2019-03-29 南京信息工程大学 一种基于生成对抗网络的压缩感知图像重建方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180174052A1 (en) * 2016-12-15 2018-06-21 WaveOne Inc. Using generative adversarial networks in compression
CN109040763A (zh) * 2018-08-07 2018-12-18 北京飞搜科技有限公司 一种基于生成式对抗网络的图像压缩方法及系统
CN109544656A (zh) * 2018-11-23 2019-03-29 南京信息工程大学 一种基于生成对抗网络的压缩感知图像重建方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365464A (zh) * 2020-11-09 2021-02-12 成都信息工程大学 一种基于gan的医学图像病变区域弱监督定位方法
CN112365464B (zh) * 2020-11-09 2021-08-10 成都信息工程大学 一种基于gan的医学图像病变区域弱监督定位方法
CN112565777A (zh) * 2020-11-30 2021-03-26 通号智慧城市研究设计院有限公司 基于深度学习模型视频数据传输方法、系统、介质及设备

Similar Documents

Publication Publication Date Title
CN110222758B (zh) 一种图像处理方法、装置、设备及存储介质
CN109671026B (zh) 基于空洞卷积及自动编解码神经网络的灰度图像降噪方法
CN109949219B (zh) 一种超分辨率图像的重构方法、装置及设备
CN108596267B (zh) 一种图像重建方法、终端设备及计算机可读存储介质
CN110569961A (zh) 一种神经网络训练方法、装置及终端设备
CN111862251B (zh) 医学图像重建技术的方法、装置、存储介质和电子设备
CN110830808A (zh) 一种视频帧重构方法、装置及终端设备
CN110838085B (zh) 一种图像的超分辨率重建方法、装置及电子设备
CN110677671A (zh) 一种图像压缩方法、装置及终端设备
CN111210004B (zh) 卷积计算方法、卷积计算装置及终端设备
Zhao et al. Comprehensive and delicate: An efficient transformer for image restoration
CN110650339A (zh) 一种视频压缩方法、装置及终端设备
CN111083478A (zh) 一种视频帧重构方法、装置及终端设备
CN110913230A (zh) 一种视频帧预测方法、装置及终端设备
CN110913219A (zh) 一种视频帧预测方法、装置及终端设备
Rezk et al. On-the-fly parallel processing IP-core for image blur detection, compression, and chaotic encryption based on FPGA
Chen et al. Enhanced separable convolution network for lightweight jpeg compression artifacts reduction
CN111083479A (zh) 一种视频帧预测方法、装置及终端设备
CN110515591B (zh) 基于区块链的随机数生成方法及装置
CN111083494A (zh) 一种视频编码方法、装置及终端设备
CN110944212A (zh) 一种视频帧重构方法、装置及终端设备
CN111178513A (zh) 神经网络的卷积实现方法、卷积实现装置及终端设备
CN110782415A (zh) 一种图像补全方法、装置及终端设备
CN111383289A (zh) 图像处理方法、装置、终端设备及计算机可读存储介质
Tian et al. Hard parameter sharing for compressing dense-connection-based image restoration network

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200110

WD01 Invention patent application deemed withdrawn after publication