CN111343458B - 一种基于重建残差的稀疏灰度图像编解码方法及系统 - Google Patents
一种基于重建残差的稀疏灰度图像编解码方法及系统 Download PDFInfo
- Publication number
- CN111343458B CN111343458B CN202010041098.0A CN202010041098A CN111343458B CN 111343458 B CN111343458 B CN 111343458B CN 202010041098 A CN202010041098 A CN 202010041098A CN 111343458 B CN111343458 B CN 111343458B
- Authority
- CN
- China
- Prior art keywords
- image
- coding
- decoder
- encoder
- residual
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- H04N19/44—Decoders specially adapted therefor, e.g. video decoders which are asymmetric with respect to the encoder
-
- 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
- H04N19/85—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
一种基于重建残差的稀疏灰度图像编解码方法,包括以下步骤:1)假定所述编解码系统中包含有n对级联的编解码器,则需要将图像扩展为n个通道的数据,其中新的通道以0填充,构成输入数据x;2)输入到编解码系统中,由编码器提取图像特征并将图像特征压缩成一个低维度的编码向量;3)由解码器对编码向量进行解码,获得一个通道的粗重建图像;4)将重建图像与原图像的差作为残差图像填充到x的零值通道中;5)重复步骤2)~4),直到x中所有零值通道都已被残差图像填充完毕;6)执行步骤2)获得编码向量,然后通过编码量化器进行编码量化;7)将量化后的编码输入到解码器获得最终的重建图像。以及提供一种基于重建残差的稀疏灰度图像编解码系统。本发明旨在提升图像编解码器对于稀疏灰度图像的重建精度,并提高对稀疏灰度图像的压缩率。
Description
技术领域
本发明属于图像编解码领域,尤其是对图像重建残差再利用来提高重建精度的编解码方法及系统。
背景技术
稀疏灰度图像通常用于描述物体的形状轮廓,其稀疏和灰度的特性使得稀疏灰度图像的细节丰富度相比自然图像要少得多,故相比一般自然图像,这类图像有更大的图像压缩潜力。本发明在自编码器的基础上提出了应用在稀疏灰度图像的自差异自编码器,通过将图像重建误差反复输入到编解码器中再进行重建的方法来减小编解码器的重建误差。在公开数据集和自有数据集上的实验表明,本发明提出的模型相比普通的自编码器在几乎不增加模型参数的前提下,在不同的压缩率下都可以显著提升图像的重建精度。此外,本发明通过实验表明该方法训练出的编解码器模型学习到了训练图像的全局轮廓特征,从而可以将该模型作为新颖性生成器,对从图像上提取并压缩的特征编码进行特征修改用以生成新颖逼真的图像。
特征压缩尤其是图像的特征压缩在近几年取得了长足的进展。一个图像压缩算法通常由两个部分组成,分别是图像编码器和图像解码器。图像编码器将图像编码为维度较低的编码向量,配套的图像解码器将编码后的编码向量还原为一张图像。无损压缩方法的重建图像与原图像完全一致,相应的,有损图像压缩算法的重建图像与原图像高度近似但并不完全相同。在图像压缩与编解码领域通常使用bpp(比特每像素)来衡量图像压缩算法的压缩率。通常有损压缩的压缩率越高重建精度就会越低。除了传统图像压缩算法例如JPEG、以及后来的Webp等技术以外,基于深度神经网络的图像特征压缩技术的潜力被越发的发掘出来,受到广泛的关注和投入。
但是由于自然图像通常大小不确定并且图像纹理的丰富度和复杂度很高,现有的图像压缩算法都是将一张完整的图像先切分成若干的小块(例如32x32或128x128),然后将每个小块分别输入编码器形成编码,接着将若干个小块的编码分别由解码器将编码重建为对应的小块图像,最后将小块图像汇总得到重建图像。使用这些方法压缩后生成的图像编码实际上是一个个小块图像的编码集合,而不是一整张原图像的全局高层特征的编码。这种方式虽然可以较好的应对图像压缩的任务,但由于像图像编辑这种需要修改图像全局高层特征的任务就不能直接使用现有的图像压缩算法提取到的图像小块的特征。
发明内容
为了克服已有图像编解码方法对于稀疏灰度图像压缩效率较低的问题,本发明提供一种基于重建残差的稀疏灰度图像编解码方法及系统,用于提高图像编解码器对于稀疏灰度图像的编解码精度,减小重建损失。
本发明解决其技术问题所采用的技术方案是:
一种基于重建残差的稀疏灰度图像编解码方法,所述方法包括以下步骤:
1)假定所述编解码系统中包含有n对级联的编解码器,则需要将图像扩展为n个通道的数据,其中新的通道以0填充,构成输入数据x;
2)输入到编解码系统中,由编码器提取图像特征并将图像特征压缩成一个低维度的编码向量;
3)由解码器对编码向量进行解码,获得一个通道的粗重建图像;
4)将重建图像与原图像的差作为残差图像填充到x的零值通道中;
5)重复步骤2)~4),直到x中所有零值通道都已被残差图像填充完毕;
6)执行步骤2)获得编码向量,然后通过编码量化器进行编码量化;
7)将量化后的编码输入到解码器获得最终的重建图像。
一种基于重建残差的稀疏灰度图像编解码系统,包括:图像编码器,用于将高维的图像数据压缩为低维的编码向量;编码量化器:用于将分布在连续空间中的编码信息离散化,进一步减小编码向量的特征空间,从而减小编码向量占用的比特数;图像解码器,用于将低维的编码向量高精度地还原为编码前的图像。
进一步,所述图像编码器包括:图像特征提取单元:用于提取输入到编码器的图像纹理和细节特征;特征压缩单元,用于将提取到的图像特征压缩到低维度的编码向量空间中。
所述编码量化器是一个可选的组件,在具体的实施例中不使用编码量化器并不会影响所述基于重建残差的稀疏灰度图像编解码方法及系统的功能与正常使用。
所述编码量化器是基于k-means聚类算法,根据编码向量的各维度上的分布特性计算出各维度编码向量的若干个聚类中心,选择距离最近的聚类中心作为量化后的编码向量。
更进一步,所述图像解码器包括:特征解压单元,用于将编码器输出的编码向量还原为图像的特征信息;图像特征还原单元:利用还原后的图像特征来重建原始图像。
若干对编解码器中,只有最后一对编解码器的解码图像才是最终的重建图像。中间的若干个编解码器对的输出是粗重建图像,其与原图像的残差将填充到输入图像的零值通道中,被更新的输入图像作为下一对编解码器的输入。除此以外,所述编解码方法与系统需要将原图像与上一层级联的编码器-解码器获得的残差图像拼接起来输入到各层级联的编码器-解码器中。
本发明提出的基于重建残差的稀疏灰度图像编解码方法及系统可以用来提取图像的全局特征。本发明提出的图像编解码方法是应用于稀疏灰度图像而不是通用的自然图像上。稀疏灰度图像作为一种特殊的图像,其有效像素所占的比例相对较低,图像中含有许多不表示具体信息的无效像素作为背景,并且前景图案有一定的轮廓规律,故适合使用本发明所述图像编解码方法进行高度压缩。
此外,本发明还提出了一种基于k-means的量化方法来进一步提高图像特征的压缩率。
本发明的有益效果主要表现在:1引入基于重建残差的方法,将编解码器的粗重建结果与原图像的误差再反复输入到编解码器中,从而提高重建精度;2、引入一种基于k-means聚类算法的量化方法,可以进一步提高对图像的压缩率;3、所述编码器能过学习的图像特征是全局的轮廓特征,并非一个个图像块的局部特征组合。
附图说明
图1为本发明基于重建残差的稀疏灰度图像编解码系统的主要结构示意图。
图2为本发明基于重建残差的稀疏灰度图像编解码方法于一实例中的结构示意图。
图4为本发明基于重建残差的稀疏灰度图像编解码方法于一实例中的重建误差示意图。
图5为本发明基于重建残差的稀疏灰度图像编解码方法于一实例中的差值重建示意图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图5,一种基于重建残差的稀疏灰度图像编解码系统,包含一个编码器,一个可选的量化器和一个解码器,编码器E:Rd→Rm将一张图像x映射为对应的编码向量z=E(x),其中编码向量z又被称作隐编码,量化器Q:R→C将编码向量z的每个维度离散化为L=|C|个中心,通过得到z的近似值量化器Q以牺牲一点重建精度的代价进一步提高模型的压缩率,此外,本系统还有一个与编码器E配套的解码器D,解码器D通过还原编码向量中的图像特征来得到重建图像在图像编解码系统中重建损失越小越好。式中d是重建损失的度量方法,常用的有L1误差,MSE(均方误差或MS-SSIM(多层级结构相似性)等方法,编解码系统的重建损失如下:
L(E,D)=d(x,D(Q(E(x))))
为了实现更好地压缩输入图像的特征并且输出与原图像近乎一致的重建图像,在图2所示的实施例中编码器E和解码器D是通过卷积神经网络(CNN)来实现的,更具体的来说,E通过一层层的卷积操作对输入图像下采样得到编码向量,D通过一层层的反卷积操作对编码向量上采样输出重建图像,需要指出的是,本发明所述编解码系统中的编码器与解码器组件在不同的实施例中不只局限于卷积神经网络,亦可以使用全连接网络或其他基于深度学习方法。
与普通图像压缩算法将待压缩的原始图像先分成若干个小块不同的是,本发明所述的编码器是直接作用于高分辨率的原图像上的(例如1024x1024),由此编码器输出的编码向量保存了原图像完整的全局特征,而不是局部特征。由于编码器E和解码器D是通过卷积层或反卷积层以及全连接层来实现的,所以编解码器中的参数可以通过反向传播算法来不断学习。
卷积-反卷积网络可以很好的提取和保留图像的趋势特征信息,但是会丢失一部分的细节特征,例如图像中主体与背景的边缘信息,为了提高编码器-解码器网络对边缘特征的捕捉能力,同时又具备较高的系数利用率,本发明设计了一种结构可以将重建图像与原图像之间的残差图像输入到网络中,从而进一步利用在编解码过程中丢失的细节信息,减小图像的重建损失。
其中,第t对参与级联的编码器-解码器组合生成的残差图像定义为
为了充分利用每次迭代的图像重建过程中丢失的细节,我们使用如下方法将t-1次级联丢失的细节rt-1作为输入到编码器中的一部分。
其中cat方法表示图像在特征的叠加。
在图1所示的实施例中,所述自编码器系统在生成重建图像的过程中一共含有T对编码器-解码器,那么输入编码器的图像xinput则一共有T个通道。在第t次迭代中,
需要指出,在本实施例中由于x和的取值区间都是[-1,1],两者相减后的取值区间为[-2,2],为了让编解码网络更好的学习到细节特征,本实施例中将残差图像除以2从而让这一通道的图像的取值范围和原图像x一样都是[-1,1]。那么整个编解码网络输出的最终的重建图像
其中Qt是在t次级联的量化函数。
定义组合函数
ft(x)=D(Qt(E(x)))
在对编解码系统进行训练就等同于寻找函数ft(x)-x的极小值问题。同时由于编码器E[·]和解码器D[·]是可导的,Qt[·]在前向传播的时候是可导的,所以可以使用深度学习的方法学习到合适的编解码器网络参数。
在多数深度学习框架中,默认的数据类型是float32,这代表一个含有n个元素的编码向量需要占用32*n个比特。对于float32类型的变量来说,其可以表示232个不同的数值。通常在没有对编码向量作分布约束的编解码器中,编码向量在每一个维度上的分布并不是均匀的。这就导致采用等差数列定义的聚类中心使用的过多的比特来描述分布稀疏的特征值区间,影响了量化后的还原精度。所以本发明提出基于学习的聚类算法来预测模型输出的编码向量在每个维度上的分布情况,使用更多的比特来描述分布密集的特征区间,减小量化操作引入的误差。
对于一组聚类中心C={c1,...,cn},在前向传播的过程中可以使用以下公式得到距离某一元素最近的聚类中心
Q(zi)=argminj|cj-zi|
对于编码器输出的编码向量范围为[-1,1]情况,一个占用n比特的元素在经过量化后期误差满足:
若所述编解码系统中有T对级联的编码器-解码器组合,则:
但是由于量化函数Q(zi)的梯度几乎处处等于0,所以在网络的反向传播中需要使用以下近似函数来替代:
以上通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点和功效。本发明还可以通过另外不同的具体实例方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互结合。
需要说明的是,以上实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目绘制,其实际实施时各组件的数量及比例可为一种随意的改变。
Claims (7)
1.一种基于重建残差的稀疏灰度图像编解码方法,其特征在于:所述方法包括以下步骤:
1)假定编解码系统中包含有n对级联的编解码器,则需要将图像扩展为n个通道的数据,其中新的通道以0填充,构成输入数据x;
2)输入到编解码系统中,由编码器提取图像特征并将图像特征压缩成一个低维度的编码向量;
3)由解码器对编码向量进行解码,获得一个通道的粗重建图像;
4)将重建图像与原图像的差作为残差图像填充到x的零值通道中;
5)重复步骤2)~4),直到x中所有零值通道都已被残差图像填充完毕;
6)执行步骤2)获得编码向量,然后通过编码量化器进行编码量化;
7)将量化后的编码输入到解码器获得最终的重建图像。
2.一种如权利要求1所述的基于重建残差的稀疏灰度图像编解码方法实现的系统,其特征在于,所述系统包括:图像编码器,用于将高维的图像数据压缩为低维的编码向量;编码量化器:用于将低维度的分布在连续空间中的编码信息离散化,进一步减小编码向量的特征空间;图像解码器,用于将低维的编码向量高精度地还原为编码前的图像;所述的编解码系统是由若干个编码器-解码器组合级联而成的,每一对编码器和解码器的内部参数是相同的,只有最后一对级联的编码器-解码器组合中解码器输出的图像才是最终的重建图像,中间的若干个编码器-解码器组合中由解码器输出的图像是对原图像的粗重建,是编解码系统内部的中间产物;除了最后一对编码器-解码器以外,各级联组合中解码器输出的图像与输入到所述编解码系统的原图像的差值是为残差图像,残差图像用于提供给下一级参与级联的编码器-解码器组合,需要将原图像与上一层级联的编码器-解码器获得的残差图像拼接起来输入到各层级联的编码器-解码器中。
3.如权利要求2所述的系统,其特征在于:所述图像编码器包括:图像特征提取单元:用于提取输入到编码器的图像纹理和细节特征;特征压缩单元,用于将提取到的图像特征压缩到低维度的编码向量空间中。
4.如权利要求2或3所述的系统,其特征在于:所述编码量化器是一个可选的组件,缺少编码量化器并不会影响所述基于重建残差的稀疏灰度图像编解码方法及系统的功能与正常使用。
5.如权利要求4所述的系统,其特征在于:所述编码量化器是基于k-means聚类算法,根据训练图像在编码向量的各维度上的分布特性计算出各维度编码向量的若干个聚类中心,选择距离最近的聚类中心作为量化后的编码向量。
6.如权利要求2或3所述的系统,其特征在于:所述图像解码器包括:特征解压单元,用于将编码器输出的编码向量还原为图像的特征信息;图像特征还原单元:利用还原后的图像特征来重建原始图像。
7.如权利要求2或3所述的系统,其特征在于:将残差图像提供给下一级编码器-解码器前,将残差图像作线性变换或其他复杂变换或者不对残差图像作任何数学变换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010041098.0A CN111343458B (zh) | 2020-01-15 | 2020-01-15 | 一种基于重建残差的稀疏灰度图像编解码方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010041098.0A CN111343458B (zh) | 2020-01-15 | 2020-01-15 | 一种基于重建残差的稀疏灰度图像编解码方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111343458A CN111343458A (zh) | 2020-06-26 |
CN111343458B true CN111343458B (zh) | 2022-03-01 |
Family
ID=71185246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010041098.0A Active CN111343458B (zh) | 2020-01-15 | 2020-01-15 | 一种基于重建残差的稀疏灰度图像编解码方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111343458B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112053285B (zh) * | 2020-09-01 | 2024-05-31 | 平安科技(深圳)有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
CN113642709B (zh) * | 2021-08-16 | 2023-11-10 | 扬州大学 | 一种基于自编码器的数据重建方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103607591A (zh) * | 2013-10-28 | 2014-02-26 | 四川大学 | 结合超分辨率重建的图像压缩方法 |
WO2019056898A1 (zh) * | 2017-09-21 | 2019-03-28 | 华为技术有限公司 | 一种编码、解码方法及装置 |
CN110248190A (zh) * | 2019-07-03 | 2019-09-17 | 西安交通大学 | 一种基于压缩感知的多层残差系数图像编码方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8630341B2 (en) * | 2011-01-14 | 2014-01-14 | Mitsubishi Electric Research Laboratories, Inc. | Method for training and utilizing separable transforms for video coding |
-
2020
- 2020-01-15 CN CN202010041098.0A patent/CN111343458B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103607591A (zh) * | 2013-10-28 | 2014-02-26 | 四川大学 | 结合超分辨率重建的图像压缩方法 |
WO2019056898A1 (zh) * | 2017-09-21 | 2019-03-28 | 华为技术有限公司 | 一种编码、解码方法及装置 |
CN110248190A (zh) * | 2019-07-03 | 2019-09-17 | 西安交通大学 | 一种基于压缩感知的多层残差系数图像编码方法 |
Non-Patent Citations (5)
Title |
---|
Haigen Hu ; Chao Du ; Pierre Decazes ; Pierre Vera ; Su Ruan.A Prior Knowledge Intergrated Scheme for Detection and Segmentation of Lymphomas in 3D PET Images based on DBSCAN and GAs.《2019 IEEE International Conference on Bioinformatics and Biomedicine (BIBM)》.2019, * |
Haigen Hu ; Chao Du ; Qiu Guan ; Qianwei Zhou ; Plerre Vera ; Su Ruan.A Background-based Data Enhancement Method for Lymphoma Segmentation in 3D PET Images.《 2019 IEEE International Conference on Bioinformatics and Biomedicine (BIBM)》.2019, * |
Haigen Hu ; Yixing Zheng ; Qianwei Zhou ; Jie Xiao ; Shengyong Chen ; .MC-Unet: Multi-scale Convolution Unet for Bladder Cancer Cell Segmentation in Phase-Contrast Microscopy Images.《2019 IEEE International Conference on Bioinformatics and Biomedicine (BIBM)》.2019, * |
基于深层卷积残差网络集成的黑色素瘤分类方法;胡海根;孔祥勇;周乾伟;管秋;陈胜勇;《计算机科学》;20190515;全文 * |
基于深度残差网络的皮肤癌黑色素瘤识别;管秋,李疆,胡海根,龚明杰,陈峰;《浙江工业大学学报》;20190430;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111343458A (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109889839B (zh) | 基于深度学习的感兴趣区域图像编码、解码系统及方法 | |
Johnston et al. | Improved lossy image compression with priming and spatially adaptive bit rates for recurrent networks | |
CN111147862B (zh) | 一种基于目标编码的端到端图像压缩方法 | |
CN110248190B (zh) | 一种基于压缩感知的多层残差系数图像编码方法 | |
CN111009018A (zh) | 基于深度神经网络的图像降维和重建方法 | |
CN111246206B (zh) | 一种基于自编码器的光流信息压缩方法及装置 | |
CN108174218B (zh) | 基于学习的视频编解码系统 | |
CN111669587A (zh) | 一种视频图像的拟态压缩方法、装置、存储介质及终端 | |
CN111641832A (zh) | 编码方法、解码方法、装置、电子设备及存储介质 | |
US11354822B2 (en) | Stop code tolerant image compression neural networks | |
CN110677651A (zh) | 一种视频压缩方法 | |
Sonal | A study of various image compression techniques | |
CN113259676A (zh) | 一种基于深度学习的图像压缩方法和装置 | |
CN111343458B (zh) | 一种基于重建残差的稀疏灰度图像编解码方法及系统 | |
CN108650509B (zh) | 一种多尺度自适应近似无损编解码方法及系统 | |
CN113747163B (zh) | 基于上下文重组建模的图像编码、解码方法及压缩方法 | |
CN113163203A (zh) | 深度学习特征压缩和解压缩方法、系统及终端 | |
Zebang et al. | Densely connected AutoEncoders for image compression | |
Li et al. | Multiple description coding based on convolutional auto-encoder | |
CN114386595B (zh) | 一种基于超先验架构的sar图像压缩方法 | |
Akbari et al. | Learned multi-resolution variable-rate image compression with octave-based residual blocks | |
Ranjbar Alvar et al. | Joint image compression and denoising via latent-space scalability | |
CN111432211B (zh) | 一种用于视频编码的残差信息压缩方法 | |
CN111080729B (zh) | 基于Attention机制的训练图片压缩网络的构建方法及系统 | |
Shah et al. | Vector quantization with codebook and index 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 |