CN111050170A - 基于gan的图片压缩系统构建方法、压缩系统及方法 - Google Patents

基于gan的图片压缩系统构建方法、压缩系统及方法 Download PDF

Info

Publication number
CN111050170A
CN111050170A CN201911240766.6A CN201911240766A CN111050170A CN 111050170 A CN111050170 A CN 111050170A CN 201911240766 A CN201911240766 A CN 201911240766A CN 111050170 A CN111050170 A CN 111050170A
Authority
CN
China
Prior art keywords
layer
picture
neural network
convolution
sampling
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
CN201911240766.6A
Other languages
English (en)
Inventor
冯落落
李锐
金长新
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.)
Shandong Inspur Artificial Intelligence Research Institute Co Ltd
Original Assignee
Shandong Inspur Artificial Intelligence Research Institute Co 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 Shandong Inspur Artificial Intelligence Research Institute Co Ltd filed Critical Shandong Inspur Artificial Intelligence Research Institute Co Ltd
Priority to CN201911240766.6A priority Critical patent/CN111050170A/zh
Publication of CN111050170A publication Critical patent/CN111050170A/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
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/124—Quantisation
    • 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
    • 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
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/13—Adaptive entropy coding, e.g. adaptive variable length coding [AVLC] or context adaptive binary arithmetic coding [CABAC]
    • 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

Abstract

本发明公开了一种基于GAN的图片压缩系统构建方法、压缩系统及方法，属于图片压缩领域，要解决的技术问题为如何有效的保存图片，捕获全局语义信息和局部纹理信息。构建方法包括如下步骤：构建编码器；构建量化器；构建熵编码器，并得到熵编码损失函数；构建解码器；通过训练图片和重构图片构造图片损失函数；通过判别器构造对抗损失函数；对熵编码损失函数、图片损失函数和对抗损失函数之和进行迭代计算，得到训练后图片压缩系统构。压缩方法为通过上述训练后统构进行压缩。终端中处理器被配置用于调用程序指令执行上述构建方法。存储介质中程序指令当被处理器执行时所述处理器执行上述构建方法。

Description

基于GAN的图片压缩系统构建方法、压缩系统及方法
技术领域
本发明涉及图片压缩领域，具体地说是一种基于GAN的图片压缩系统构建方法、压缩系统及方法。
背景技术
基于深度学习DNN的图片压缩方法目前已经成为最近研究的主流方向。基于深度学习的图片压缩方法已经成为目前的主流方法的JPEG和BGP的有力竞争者。除了自然的图片上，深度学习方法实现了强有力的压缩率，它们还能都轻松的适应到具体的某个领域，例如立体图像或者医学影像，并且还可以通过图像的压缩表示直接进行索引。
深度学习方法也主要在PSNR和MS-SSIM上进行比较。由于对于非常低的比特率，保存图片中的全部内容是不可能的，由于这两种度量方式相比较保存纹理和全局结构，它们更倾向于局部结构的像素级保存，这会导致这两种度量方式失去了意义。因此为了更好利用深度学习算法，我们需要更好的目标度量方式。一个好的候选目标可以考虑对抗损失，这个损失可以很好地捕获全局语义信息和局部纹理信息，从而产生强有力的生成器，这个生成器可以很好地从一个语义标签图片，生成一个视觉效果上比较好的图片。
基于上述分析，如何有效的保存图片，捕获全局语义信息和局部纹理信息，是需要解决的技术问题。
发明内容
本发明的技术任务是针对以上不足，提供一种基于GAN的图片压缩系统构建方法、压缩系统及方法，来解决如何有效的保存图片，捕获全局语义信息和局部纹理信息的问题。
第一方面，本发明提供一种基于GAN的图片压缩系统构建方法，包括如下步骤：
构建神经网络模型作为编码器，通过编码器对训练图片进行编码、得到编码后图片；
构建量化器，通过量化器对编码后图片进行量化，得到量化结果；
构建神经网络模型作为熵编码器，通过熵编码器对量化结果进行熵编码，并得到熵编码损失函数；
构建神经网络模型作为解码器，通过解码器对量化结果进行解码，得到重构图片；
通过训练图片和重构图片中构造图片损失函数，所述图片损失函数为：
Figure BDA0002306151300000021
其中，x表示训练图片，
Figure BDA0002306151300000022
表示重构图片，
Figure BDA0002306151300000023
表示训练图片中像素点和重构图片中对应像素点之间的距离；
构建神经网络模型作为判别器，通过判别器构造对抗损失函数；
通过RMSProp优化方法对熵编码损失函数、图片损失函数和对抗损失函数之和进行迭代计算，得到训练后图片压缩系统构。
作为优选，所述作为编码器的神经网络模型至少一层，每一层均包括卷积、下采样和GDN激活函数；
作为解码器的神经网络模型至少一层，每一层均包括IGDN激活函数、下采样和卷积。
作为优选，所述作为编码器的神经网络模型共三层，每一层均包括一个卷积、一个下采样和一个GDN激活函数。
所述作为解码器的神经网络模型共三层，每一层均包括一个IGDN激活函数、一个下采样和一个卷积。
作为优选，所述作为编码器的神经网路的三层依次为第一层、第二层和第三层；
第一层中卷积的大小为9*9，第二层中卷积的大小为5*5，第三层中卷积的大小为5*5；
第一层中下采样的步长为4，第二层中下采样的步长为2，第三层中下采样的步长为2；
第一层输入通道的个数为128*1，第二层输入通道的个数为128*128，第三层输入通道的个数为128*128；
所述作为解码器的神经网络模型的三层依次为第一层、第二层和第三层；
第一层中卷积的大小为5*5，第二层中卷积的大小为5*5，第三层中卷积的大小为9*9；
第一层中下采样的步长为2，第二层中下采样的步长为2，第三层中下采样的步长为4；
第一层输入通道的个数为128*128，第二层输入通道的个数为128*128，第三层输入通道的个数为128*1。
作为优选，所述作为判别器的神经网络模型为在ImageNet上进行预训练的Vgg16，所述Vgg16的最后的输出层为一个二分类的输出层。
第二方面，本发明提供一种基于GAN的图片压缩系统，所述系统为通过如第一方面任一项所述的基于GAN的图片压缩系统构建方法得到的训练后系统；所述训练后系统包括：
编码器，为神经网络模型，用于对图片进行编码，得到编码后图片；
量化器，用于对编码后图片进行量化，得到量化结果；
解码器，用对量化结果进行解码，得到重构图片。
作为优选，所述作为编码器的神经网络模型至少一层，每一层均包括卷积、下采样和GDN激活函数；
所述作为解码器的神经网络模型至少一层，每一层均包括IGDN激活函数、下采样和卷积。
作为优选，所述作为编码器的神经网络模型共三层，每一层均包括一个卷积、一个下采样和一个GDN激活函数。
所述作为解码器的神经网络模型共三层，每一层均包括一个IGDN激活函数、一个下采样和一个卷积。
作为优选，所述作为编码器的神经网路的三层依次为第一层、第二层和第三层；
第一层中卷积的大小为9*9，第二层中卷积的大小为5*5，第三层中卷积的大小为5*5；
第一层中下采样的步长为4，第二层中下采样的步长为2，第三层中下采样的步长为2；
第一层输入通道的个数为128*1，第二层输入通道的个数为128*128，第三层输入通道的个数为128*128；
所述作为解码器的神经网络模型的三层依次为第一层、第二层和第三层；
第一层中卷积的大小为5*5，第二层中卷积的大小为5*5，第三层中卷积的大小为9*9；
第一层中下采样的步长为2，第二层中下采样的步长为2，第三层中下采样的步长为4；
第一层输入通道的个数为128*128，第二层输入通道的个数为128*128，第三层输入通道的个数为128*1。
第三方面，本发明提供一种基于GAN的图片压缩方法，包括如下步骤：
通过如第一方面任一项所述的基于GAN的图片压缩系统构建方法得到训练后系统；
以测试图片为输入，通过训练后系统对测试图片进行压缩和解压缩。
本发明的基于GAN的图片压缩系统构建方法、压缩系统及方法具有以下优点：通过GAN网络构建编码器和解码器，并通过对抗损失进行系统训练，得到的训练后系统，可以在很低的bit率下，尽可能保留图片的信息。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
下面结合附图对本发明进一步说明。
附图1为实施例1基于GAN的图片压缩系统构建方法、压缩系统及方法流程框图；
附图2为实施例2训练后系统中编码器的结构示意图；
附图3为实施例2训练后系统中解码器的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互结合。
本发明实施例提供一种基于GAN的图片压缩系统构建方法、压缩系统及方法，用于解决如何有效的保存图片，捕获全局语义信息和局部纹理信息的技术问题。
实施例1：
如附图1所示，本发明的一种基于GAN的图片压缩系统构建方法，包括如下步骤：
S100、构建神经网络模型作为编码器，通过编码器对训练图片进行编码、得到编码后图片；
S200、构建量化器，通过量化器对编码后图片进行量化，得到量化结果；
S300、构建神经网络模型作为熵编码器，通过熵编码器对量化结果进行熵编码，并得到熵编码损失函数；
S400、构建神经网络模型作为解码器，通过解码器对量化结果进行解码，得到重构图片；
S500、通过训练图片和重构图片中构造图片损失函数，所述图片损失函数为：
Figure BDA0002306151300000051
其中，x表示训练图片，
Figure BDA0002306151300000052
表示重构图片，
Figure BDA0002306151300000053
表示训练图片中像素点和重构图片中对应像素点之间的距离；
S600、构建神经网络模型作为判别器，通过判别器构造对抗损失函数；
S700、通过RMSProp优化方法对熵编码损失函数、图片损失函数和对抗损失函数之和进行迭代计算，得到训练后图片压缩系统构。
其中，作为编码器的神经网络模型共三层，按照传输方向依次为第一层、第二层和第三层，每一层按照传输方向均依次为一个卷积、一个下采样和一个GDN激活函数。第一层中卷积的大小为9*9，第二层中卷积的大小为5*5，第三层中卷积的大小为5*5；第一层中下采样的步长为4，第二层中下采样的步长为2，第三层中下采样的步长为2；第一层输入通道的个数为128*1，第二层输入通道的个数为128*128，第三层输入通道的个数为128*128。
对应的，作为解码器的神经网络模型共三层，按照传输方向，依次为第一层、第二层和第三层，每一层按照传输方向均依次为一个IGDN激活函数、一个下采样和一个卷积。第一层中卷积的大小为5*5，第二层中卷积的大小为5*5，第三层中卷积的大小为9*9；第一层中下采样的步长为2，第二层中下采样的步长为2，第三层中下采样的步长为4；第一层输入通道的个数为128*128，第二层输入通道的个数为128*128，第三层输入通道的个数为128*1。
通过训练图片和重构图片中构造图片损失函数，该图片损失函数为：
Figure BDA0002306151300000061
其中，x表示训练图片，
Figure BDA0002306151300000062
表示重构图片，
Figure BDA0002306151300000063
表示训练图片中像素点和重构图片中对应像素点之间的距离；
作为判别器的神经网络模型为在ImageNet上进行预训练的Vgg16，所述Vgg16的最后的输出层为一个二分类的输出层。
本发明的一种基于GAN的图片压缩系统构建方法，得到训练后的图片压缩系统，该训练后图片压缩系统可在很低的bit率下，尽可能保留图片的信息。
实施例2：
本发明的一种基于GAN的图片压缩系统，为通过如实施例1公开的一种基于GAN的图片压缩系统构建方法得到的训练后系统，该训练后系统包括编码器、量化器和解码器，其中编码器为神经网络模型，用于对图片进行编码，得到编码后图片；量化器用于对编码后图片进行量化，得到量化结果；解码器用于对量化结果进行解码，得到重构图片。
其中，如附图2所示，作为编码器的神经网络模型共三层，按照传输方向依次为第一层、第二层和第三层，每一层按照传输方向均依次为一个卷积、一个下采样和一个GDN激活函数。第一层中卷积的大小为9*9，第二层中卷积的大小为5*5，第三层中卷积的大小为5*5；第一层中下采样的步长为4，第二层中下采样的步长为2，第三层中下采样的步长为2；第一层输入通道的个数为128*1，第二层输入通道的个数为128*128，第三层输入通道的个数为128*128。
对应的，如附图2所示，作为解码器的神经网络模型共三层，按照传输方向，依次为第一层、第二层和第三层，每一层按照传输方向均依次为一个IGDN激活函数、一个下采样和一个卷积。第一层中卷积的大小为5*5，第二层中卷积的大小为5*5，第三层中卷积的大小为9*9；第一层中下采样的步长为2，第二层中下采样的步长为2，第三层中下采样的步长为4；第一层输入通道的个数为128*128，第二层输入通道的个数为128*128，第三层输入通道的个数为128*1。
该训练后图片压缩系统可在很低的bit率下，尽可能保留图片的信息。
该训练后系统对图片进行压缩和解压的过程，压缩过程就是输入一张图片给编码器，然后通过量化器，把量化之后的结果进行存储，这也是图片在存储的时候，所存储的文件；解码的时候，我们把量化的结果输入到生成器也就是解码器中，进行图片的重构，从而获得解码后的图片。该系统可将一个700K的图片有效的压缩到30K左右。
实施例3：
本发明提供一种基于GAN的图片压缩方法，包括如下步骤：
S100、通过如实施例1公开的一种基于GAN的图片压缩系统构建方法得到训练后系统；
S200、以测试图片为输入，通过训练后系统对测试图片进行压缩和解压缩。
其中，通过训练后系统对测试图片进行压缩和解压缩，为：
S210、图片输入编码器进行编码，得到编码后图片；
S220、通过量化器对编码后图片进行量化，得到量化结果；
S230、把量化结果进行存储，这也是图片在存储的时候，所存储的文件；
S240、解码的时候，把量化结果输入到解码器中，进行图片的重构，从而获得解码后的图片。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (10)

1.基于GAN的图片压缩系统构建方法，其特征在于包括如下步骤：
构建神经网络模型作为编码器，通过编码器对训练图片进行编码、得到编码后图片；
构建量化器，通过量化器对编码后图片进行量化，得到量化结果；
构建神经网络模型作为熵编码器，通过熵编码器对量化结果进行熵编码，并得到熵编码损失函数；
构建神经网络模型作为解码器，通过解码器对量化结果进行解码，得到重构图片；
通过训练图片和重构图片构造图片损失函数，所述图片损失函数为：
Figure FDA0002306151290000011
其中，x表示训练图片，
Figure FDA0002306151290000012
表示重构图片，
Figure FDA0002306151290000013
表示训练图片中像素点和重构图片中对应像素点之间的距离；
构建神经网络作为判别器，通过判别器构造对抗损失函数；
通过RMSProp优化方法对熵编码损失函数、图片损失函数和对抗损失函数之和进行迭代计算，得到训练后图片压缩系统构。
2.根据权利要求1所述的基于GAN的图片压缩系统构建方法，其特征在于所述作为编码器的神经网络模型至少一层，每一层均包括卷积、下采样和GDN激活函数；
作为解码器的神经网络模型至少一层，每一层均包括IGDN激活函数、下采样和卷积。
3.根据权利要求2所述的基于GAN的图片压缩系统构建方法，其特征在于所述作为编码器的神经网络模型共三层，每一层均包括一个卷积、一个下采样和一个GDN激活函数。
所述作为解码器的神经网络模型共三层，每一层均包括一个IGDN激活函数、一个下采样和一个卷积。
4.根据权利要求3所述的基于GAN的图片压缩系统构建方法，其特征在于所述作为编码器的神经网路的三层依次为第一层、第二层和第三层；
第一层中卷积的大小为9*9，第二层中卷积的大小为5*5，第三层中卷积的大小为5*5；
第一层中下采样的步长为4，第二层中下采样的步长为2，第三层中下采样的步长为2；
第一层输入通道的个数为128*1，第二层输入通道的个数为128*128，第三层输入通道的个数为128*128；
所述作为解码器的神经网络模型的三层依次为第一层、第二层和第三层；
第一层中卷积的大小为5*5，第二层中卷积的大小为5*5，第三层中卷积的大小为9*9；
第一层中下采样的步长为2，第二层中下采样的步长为2，第三层中下采样的步长为4；
第一层输入通道的个数为128*128，第二层输入通道的个数为128*128，第三层输入通道的个数为128*1。
5.根据权利要求1、2、3或4所述的基于GAN的图片压缩系统构建方法，其特征在于所述作为判别器的神经网络模型为在ImageNet上进行预训练的Vgg16，所述Vgg16的最后的输出层为一个二分类的输出层。
6.基于GAN的图片压缩系统，其特征在于所述系统为通过如权利要求1-5任一项所述的基于GAN的图片压缩系统构建方法得到的训练后系统；所述训练后系统包括：
编码器，为神经网络模型，用于对图片进行编码，得到编码后图片；
量化器，用于对编码后图片进行量化，得到量化结果；
解码器，用对量化结果进行解码，得到重构图片。
7.根据权利要求6所述的基于GAN的图片压缩系统，其特征在于所述作为编码器的神经网络模型至少一层，每一层均包括卷积、下采样和GDN激活函数；
所述作为解码器的神经网络模型至少一层，每一层均包括IGDN激活函数、下采样和卷积。
8.根据权利要求7所述的基于GAN的图片压缩系统，其特征在于所述作为编码器的神经网络模型共三层，每一层均包括一个卷积、一个下采样和一个GDN激活函数。
所述作为解码器的神经网络模型共三层，每一层均包括一个IGDN激活函数、一个下采样和一个卷积。
9.根据权利要求8所述的基于GAN的图片压缩系统，其特征在于所述作为编码器的神经网路的三层依次为第一层、第二层和第三层；
第一层中卷积的大小为9*9，第二层中卷积的大小为5*5，第三层中卷积的大小为5*5；
第一层中下采样的步长为4，第二层中下采样的步长为2，第三层中下采样的步长为2；
第一层输入通道的个数为128*1，第二层输入通道的个数为128*128，第三层输入通道的个数为128*128；
所述作为解码器的神经网络模型的三层依次为第一层、第二层和第三层；
第一层中卷积的大小为5*5，第二层中卷积的大小为5*5，第三层中卷积的大小为9*9；
第一层中下采样的步长为2，第二层中下采样的步长为2，第三层中下采样的步长为4；
第一层输入通道的个数为128*128，第二层输入通道的个数为128*128，第三层输入通道的个数为128*1。
10.基于GAN的图片压缩方法，其特征在于包括如下步骤：
通过如权利要求1-5任一项所述的基于GAN的图片压缩系统构建方法得到训练后系统；
以测试图片为输入，通过训练后系统对测试图片进行压缩和解压缩。
CN201911240766.6A 2019-12-06 2019-12-06 基于gan的图片压缩系统构建方法、压缩系统及方法 Pending CN111050170A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911240766.6A CN111050170A (zh) 2019-12-06 2019-12-06 基于gan的图片压缩系统构建方法、压缩系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911240766.6A CN111050170A (zh) 2019-12-06 2019-12-06 基于gan的图片压缩系统构建方法、压缩系统及方法

Publications (1)

Publication Number Publication Date
CN111050170A true CN111050170A (zh) 2020-04-21

Family

ID=70233659

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911240766.6A Pending CN111050170A (zh) 2019-12-06 2019-12-06 基于gan的图片压缩系统构建方法、压缩系统及方法

Country Status (1)

Country Link
CN (1) CN111050170A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111538614A (zh) * 2020-04-29 2020-08-14 济南浪潮高新科技投资发展有限公司 一种操作系统的时序异常操作行为检测方法
CN113313777A (zh) * 2021-07-29 2021-08-27 杭州博雅鸿图视频技术有限公司 一种图像压缩处理方法、装置、计算机设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845471A (zh) * 2017-02-20 2017-06-13 深圳市唯特视科技有限公司 一种基于生成对抗网络的视觉显著性预测方法
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
CN109977922A (zh) * 2019-04-11 2019-07-05 电子科技大学 一种基于生成对抗网络的行人掩模生成方法
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
US20190373293A1 (en) * 2019-08-19 2019-12-05 Intel Corporation Visual quality optimized video compression

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845471A (zh) * 2017-02-20 2017-06-13 深圳市唯特视科技有限公司 一种基于生成对抗网络的视觉显著性预测方法
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
CN109977922A (zh) * 2019-04-11 2019-07-05 电子科技大学 一种基于生成对抗网络的行人掩模生成方法
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
US20190373293A1 (en) * 2019-08-19 2019-12-05 Intel Corporation Visual quality optimized video compression

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SHINOBU KUDO ELT: "GAN-based Image Compression Using Mutual Information Maximizing", 《2019 PICTURE CODING SYMPOSIUM》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111538614A (zh) * 2020-04-29 2020-08-14 济南浪潮高新科技投资发展有限公司 一种操作系统的时序异常操作行为检测方法
CN111538614B (zh) * 2020-04-29 2024-04-05 山东浪潮科学研究院有限公司 一种操作系统的时序异常操作行为检测方法
CN113313777A (zh) * 2021-07-29 2021-08-27 杭州博雅鸿图视频技术有限公司 一种图像压缩处理方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
Minnen et al. Joint autoregressive and hierarchical priors for learned image compression
CN112203093B (zh) 一种基于深度神经网络的信号处理方法
US20170347100A1 (en) Region-adaptive hierarchical transform and entropy coding for point cloud compression, and corresponding decompression
CN111641832B (zh) 编码方法、解码方法、装置、电子设备及存储介质
CN110602494A (zh) 基于深度学习的图像编码、解码系统及编码、解码方法
CN111641826B (zh) 对数据进行编码、解码的方法、装置与系统
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
CN111247797A (zh) 用于图像编解码的方法和装置
CN113079378B (zh) 图像处理方法、装置和电子设备
Ayzik et al. Deep image compression using decoder side information
CN116233445B (zh) 视频的编解码处理方法、装置、计算机设备和存储介质
Zhang et al. Learned scalable image compression with bidirectional context disentanglement network
CN111050170A (zh) 基于gan的图片压缩系统构建方法、压缩系统及方法
CN110930408A (zh) 基于知识重组的语义图像压缩方法
CN111080729B (zh) 基于Attention机制的训练图片压缩网络的构建方法及系统
CN115776571B (zh) 一种图像压缩方法、装置、设备及存储介质
CN110730347A (zh) 图像压缩方法、装置及电子设备
EP1639831B1 (en) Method for compression of data
CN1848960B (zh) 使用非标准化矢量量化编码器的符合视频标准的残差编码
Yang et al. Graph-convolution network for image compression
CN110717948A (zh) 一种图像后处理方法、系统及终端设备
Kamble et al. Quadtree partitioning and extended weighted finite automata-based fractal colour video coding
CN117915107B (zh) 图像压缩系统、图像压缩方法、存储介质与芯片
US20230239470A1 (en) Video encoding and decoding methods, encoder, decoder, and storage medium
CN111565317A (zh) 图像压缩方法、编解码网络训练方法、装置及电子设备

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200421