CN111711817A - 一种结合卷积神经网络的hevc帧内编码压缩性能优化研究 - Google Patents

一种结合卷积神经网络的hevc帧内编码压缩性能优化研究 Download PDF

Info

Publication number
CN111711817A
CN111711817A CN201910201131.9A CN201910201131A CN111711817A CN 111711817 A CN111711817 A CN 111711817A CN 201910201131 A CN201910201131 A CN 201910201131A CN 111711817 A CN111711817 A CN 111711817A
Authority
CN
China
Prior art keywords
video
convolutional neural
neural network
hevc
coding
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.)
Granted
Application number
CN201910201131.9A
Other languages
English (en)
Other versions
CN111711817B (zh
Inventor
何小海
王婷
孙伟恒
熊淑华
王正勇
卿粼波
滕奇志
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN201910201131.9A priority Critical patent/CN111711817B/zh
Publication of CN111711817A publication Critical patent/CN111711817A/zh
Application granted granted Critical
Publication of CN111711817B publication Critical patent/CN111711817B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04N19/134—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
    • 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
    • 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
    • H04N19/17—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 an image region, e.g. an object
    • H04N19/172—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 an image region, e.g. an object the region being a picture, frame or field
    • 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
    • H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
    • H04N19/59—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving spatial sub-sampling or interpolation, e.g. alteration of picture size or resolution
    • 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)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (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)

Abstract

本发明提出了一种结合卷积神经网络的HEVC帧内编码压缩性能优化研究，将下采样过程、HEVC的编解码过程、上采样及质量增强过程集成为一体。为高效提取视频帧的结构特征，在所提压缩框架中集成了两个卷积神经网络。提出了一种下采卷积神经网络(DwSCNN，Down Sampling CNN)代替双三次下采，在有效降低分辨率的同时保留细节信息，得到更为紧凑的低分辨率视频序列，将此低分辨率视频序列通过HEVC帧内编码进行进一步的数据量压缩，通过提出一个质量增强卷积神经网络(PPCNN，Post Processing CNN)来改善解码后恢复到原始分辨率的降质视频序列。本发明可广泛应用于数字电影拍摄传输、文体活动直播、远程教育培训和目标检测等领域。

Description

一种结合卷积神经网络的HEVC帧内编码压缩性能优化研究
技术领域
本发明涉及图像通信领域中的视频编码技术问题，尤其是涉及一种结合卷积神经网络的HEVC帧内编码压缩性能优化研究。
背景技术
近年来，智能移动终端的普及使得人们对视频分辨率的要求越来越高。在此背景下，新一代高效视频编码标准H.265/HEVC(High Efficiency Video Coding)应运而生。H.265/HEVC包含最新的视频编码技术，其具有比以往标准更加出色的性能，相较于H.264/AVC在同等编码质量下能节省50％左右的码率。现今，应用于卫星、智能家居等领域的高清数字电影的拍摄，均采用帧内编码方式进行压缩，HEVC帧内编码的应用日益广泛，受终端设备编解码方式和其固定的带宽限制，迫切需要我们在视频帧内压缩标准上进一步实现视频高性能压缩。为实现高质量视频压缩传送，结合下采减少视频传输数据量再进行质量提升的超分辨率重建工作也越来越多并取得一定成效。并且随着深度学习在计算机视觉领域取得的巨大成就，用于HEVC编解码后处理的深度学习方法很多。但是，结合卷积神经网络的压缩性能优化研究较少，并且不能避免繁杂的压缩编码数据处理过程。因此本发明期望通过一种将下采样、编解码、上采样和质量增强等环节集成于一体的端对端压缩性能优化方法，较好的提高HEVC帧内编码压缩效率。
目前学术界关于采用空域分辨率变换去除编码视频空间冗余以此提升图像和视频压缩效率及采用卷积神经网络改善重建图像和视频质量的研究已有很多。Georgis G提出首先对原始视频先进行高斯卷积模糊，然后对其进行二倍下采样获得低分辨率视频，将低分辨率视频进行编码得到码流，在解码端对码流进行解码，然后对解码视频采用一种低复杂度的超分辨率重建算法L-SEABI使其恢复到原始的尺寸，该方法改善了重建视频质量并且减少了计算时间。CHEN H采用一种基于块自适应下采样和超分辨率重建的方法来改善低码率段图像编码质量。DONG J通过找到空域下采样和视频编码引起失真的最优下采样比，实现低码率段视频最优压缩性能。Tao W在针对图像压缩JPEG和JPEG2000标准上提出一种将下采、编码、上采集成于一体的端对端压缩性能优化方法，较好的改善压缩编码数据处理过程。
发明内容
针对高性能视频压缩编码标准HEVC压缩效率和性能还可以提高，进一步研究解决高效视频压缩的问题，本文发明提出一种结合卷积神经网络的HEVC帧内编码压缩性能优化研究，在合理的时间复杂度范围内，尽可能控制视频传输数据量和提高重建视频质量并且使压缩编码数据处理过程集成于一体。
本发明的基本思想是在控制时间复杂度的前提下，充分去除视频空间冗余、改善重建视频质量和集成压缩数据处理过程来达到高效视频压缩的目的。在视频编码前，采用构建好的空域下采样网络DwSCNN(Down Sampling CNN)将原始视频进行空域下采样成原视频1/4大小的低分辨率视频，对得到的低空间分辨率视频进行HEVC编解码，将解码视频采用双三次插值恢复到原始尺寸，最后采用构建的质量增强网络PPCNN(Post Processing CNN)对低质分辨率视频进行质量增强。
本发明针对H.265/HEVC标准提出了一种结合卷积神经网络的HEVC帧内编码压缩性能优化研究，在视频编码前，采用训练好的空域下采样网络DwSCNN的最佳模型去除视频空间冗余信息并保留较多的原视频高频信息，对得到的低空间分辨率视频进行HEVC帧内编解码，将解码视频采用双三次插值恢复到原始空间分辨率，最后采用训练好的质量增强网络PPCNN最佳模型对低质分辨率视频进行质量增强，改善重建视频质量，以此得到结合卷积神经网络的压缩性能优化研究。具体主要包括以下过程步骤：
(1)构建一种基于卷积神经网络的空域下采样网络DwSCNN(Down Sampling CNN)，在降低视频分辨率的同时尽可能地捕捉原始视频的结构纹理和细节信息；
(2)在编码前将原始视频进行空域下采样成原视频1/4大小的低分辨率视频，其中空域下采样方法为DwSCNN下采样；
(3)将低分辨率视频经H.265/HEVC编码，编码采用帧内编码方式，得到压缩后的视频码流，对视频码流经H.265/HEVC解码后得到解码视频；
(4)对解码的低分辨率视频经空域上采后，视频恢复到原始尺寸大小，其中空域上采为双三次上采样；
(5)构建一种基于卷积神经网络的质量增强网络PPCNN(Post Processing CNN)，其能增强恢复到原始空间分辨率的降质视频序列的质量。
本发明的上述技术方案中，所述的结合卷积神经网络的HEVC帧内编码压缩性能优化研究，采用下采样、编解码、上采样和质量增强等环节的压缩框架，有效去除了视频空间冗余、减少视频传输码率并增强重建视频质量。
本发明的上述技术方案中，所述的结合卷积神经网络的HEVC帧内编码压缩性能优化研究，空域下采样方法为DwSCNN下采样，降低视频空间冗余的同时，利用深度学习的优势较好地提取了原始视频结构纹理和细节信息。
本发明的上述技术方案中，所述的结合卷积神经网络的HEVC帧内编码压缩性能优化研究，对恢复到原始空间分辨率的降质视频序列采用一个后处理网络PPCNN改善质量，PPCNN对降质视频帧进一步特征增强和去噪，得到的重建视频质量较高。
本发明的上述技术方案中，所述的结合卷积神经网络的HEVC帧内编码压缩性能优化研究，当训练出下采样网络DwSCNN和质量增强网络PPCNN的最佳模型后，可将HEVC压缩过程的下采、编解码、上采和质量增强集成于一体，较好的提高HEVC压缩编码性能同时，改善压缩编码数据处理过程。
根据本发明的上述方法可以编制执行上述一种结合卷积神经网络的HEVC帧内编码压缩性能优化研究。
本发明是基于以下思路分析而完成的：
首先构建一种基于卷积神经网络的空域下采样网络DwSCNN(Down SamplingCNN)。其一共有8个卷积层，前6个卷积核分别紧跟一个参数化修正线性单元(PReLU)作为非线性激活函数，用于对帧内编码特征提取；第7个卷积层用于增强特征映射，提取更能表达重建图像的特征；为确保输入视频帧和重建残差大小一致，需要在尺寸下采前采用残差学习，残差学习的引入加快网络收敛，进一步获得图像高频信息；第8个卷积层步长为2实现空间分辨率的降低。8个卷积层使得在本研究应用场景下，框架结构取得较快的收敛速度和最高的质量重建。DwSCNN能保留更加丰富的视频结构特征和高频信息。在编码前，采用训练好的DwSCNN将原始视频进行空域下采样为原视频1/4大小的低分辨率视频。低分辨率视频经HEVC帧内编解码后得到解码视频。
解码视频通过双三次上采恢复到原始大小。恢复到原始空间分辨率大小的低质视频通过构建的基于卷积神经网络的质量增强网络PPCNN(Post Processing CNN)进行质量提升。PPCNN基于一种非常深的网络VDSR提出，其依旧是一个20层的全卷积网络，前19个卷积核分别紧跟一个参数化修正线性单元(PReLU)作为非线性激活函数，用于对帧内编码特征提取；第20个卷积层用于增强特征映射，完成图像的重建；为了加速收敛和解决消失梯度问题，采用残差学习。PPCNN进一步增强视频特征，使得重建低质视频质量得到改善。
训练出下采样网络DwSCNN和质量增强网络PPCNN的最佳模型后，可将HEVC压缩过程的下采、编解码和上采及质量增强集成于一体，较好的提高HEVC压缩编码性能同时，改善压缩编码数据处理过程。
实验结果表明，本发明的视频压缩性能优化研究在低码率段能达到更优的压缩性能，使得重建视频保留更多细节信息，获得更优的质量提升。
附图说明
图1结合卷积神经网络的HEVC帧内编码压缩性能优化研究框架；
图2下采卷积神经网络(DwSCNN)框图；
图3质量增强卷积神经网络(PPCNN)框图。
具体实施方式
下面结合实施例对本发明作进一步的详细说明，有必要指出的是，以下的实施例只用于对本发明做进一步的说明，不能理解为对本发明保护范围的限制，所属领域技术熟悉人员根据上述发明内容，对本发明做出一些非本质的改进和调整进行具体实施，应仍属于本发明的保护范围。
本发明的结合卷积神经网络的HEVC帧内编码压缩性能优化研究，与H.265/HEVC标准测试模型HM16.0的帧内编码方法比较过程如下：
1.同时打开两个算法的程序，配置文件为encoder_intra_main.cfg，H.265/HEVC标准量化步长(QP)和本发明算法量化步长(QP)均选取35，37，42，45，47，51；
2.编码的对象为标准测试视频序列：akiyo_cif，bowing_cif，Mobisode2_416×240，RaceHorses_416×240，crew_704×576，RaceHorses_832×480；
3.利用HM16.0标准方法对视频序列在H.265/HEVC方式下进行视频编解码并记录编码时的码率及峰值信噪比PSNR；
4.将视频采用训练好的DwSCNN最佳模型下采样为低空间分辨率视频；
5.利用HM16.0标准方法对低空间分辨率视频序列在H.265/HEVC方式下进行视频编解码并记录编码时的码率；
6.将编解码后的低分辨率视频进行双三次上采恢复到原始空间分辨率；
7.把恢复到原始大小的低质视频序列采用量化段内训练好的对应PPCNN最佳模型进行质量增强，并得到此时视频序列的PSNR值；
8.实验结果如表1所示，统计显示，低码率段本发明方法率失真性能超过H.265/HEVC。
表1本发明方法与H.265/HEVC标准码率和PSNR的比较
Figure BDA0001997465410000051
Figure BDA0001997465410000061

Claims (6)

1.一种结合卷积神经网络的HEVC帧内编码压缩性能优化研究，其特征在于：
(1)构建一种基于卷积神经网络的空域下采样网络DwSCNN(Down Sampling CNN)，在降低视频分辨率的同时尽可能地捕捉原始视频的结构纹理和细节信息；
(2)在编码前将原始视频进行空域下采样成原视频1/4大小的低分辨率视频，其中空域下采样方法为DwSCNN下采样；
(3)将低分辨率视频经H.265/HEVC编码，编码采用帧内编码方式，得到压缩后的视频码流，对视频码流经H.265/HEVC解码后得到解码视频；
(4)对解码的低分辨率视频经空域上采后，视频恢复到原始尺寸大小，其中空域上采为双三次上采样；
(5)构建一种基于卷积神经网络的质量增强网络PPCNN(Post Processing CNN)，其能增强恢复到原始空间分辨率的降质视频序列的质量。
2.如权利要求1所述的结合卷积神经网络的HEVC帧内编码压缩性能优化研究，其特征在于采用下采样、编解码、上采样和质量增强等环节的压缩框架，有效去除了视频空间冗余、减少视频传输码率并增强重建视频质量。
3.如权利要求1所述的结合卷积神经网络的HEVC帧内编码压缩性能优化研究，其特征在于所述空域下采样方法为DwSCNN下采样，降低视频空间冗余的同时，利用深度学习的优势较好地提取了原始视频结构纹理和细节信息。
4.如权利要求1所述的结合卷积神经网络的HEVC帧内编码压缩性能优化研究，其特征在于对恢复到原始空间分辨率的降质视频序列采用一个后处理网络PPCNN改善质量，PPCNN对降质视频帧进一步特征增强和去噪，得到的重建视频质量较高。
5.如权利要求1所述的结合卷积神经网络的HEVC帧内编码压缩性能优化研究，其特征在于当训练出下采样网络DwSCNN和质量增强网络PPCNN的最佳模型后，可将HEVC压缩过程的下采、编解码、上采和质量增强集成于一体，较好的提高HEVC压缩编码性能同时，改善压缩编码数据处理过程。
6.一种用于执行权利要求1至5所述结合卷积神经网络的HEVC帧内编码压缩性能优化研究。
CN201910201131.9A 2019-03-18 2019-03-18 一种结合卷积神经网络的hevc帧内编码压缩性能优化方法 Active CN111711817B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910201131.9A CN111711817B (zh) 2019-03-18 2019-03-18 一种结合卷积神经网络的hevc帧内编码压缩性能优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910201131.9A CN111711817B (zh) 2019-03-18 2019-03-18 一种结合卷积神经网络的hevc帧内编码压缩性能优化方法

Publications (2)

Publication Number Publication Date
CN111711817A true CN111711817A (zh) 2020-09-25
CN111711817B CN111711817B (zh) 2023-02-10

Family

ID=72536211

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910201131.9A Active CN111711817B (zh) 2019-03-18 2019-03-18 一种结合卷积神经网络的hevc帧内编码压缩性能优化方法

Country Status (1)

Country Link
CN (1) CN111711817B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113301347A (zh) * 2021-05-08 2021-08-24 广东工业大学 一种hevc高清视频编码的优化方法
CN113409195A (zh) * 2021-07-06 2021-09-17 中国标准化研究院 基于改进的深度卷积神经网络的图像超分辨率重建方法
CN113613000A (zh) * 2021-08-20 2021-11-05 天津大学 一种智能多分辨率深度视频帧内预测方法
CN116996697A (zh) * 2023-07-24 2023-11-03 南通大学 一种面向hevc编码框架的视频恢复方法
GB2621248A (en) * 2020-11-27 2024-02-07 V Nova Int Ltd Video encoding using pre-processing

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106961610A (zh) * 2017-03-15 2017-07-18 四川大学 结合超分辨率重建的超高清视频新型压缩框架
CN107155107A (zh) * 2017-03-21 2017-09-12 腾讯科技（深圳）有限公司 视频编码方法和装置、视频解码方法和装置
US20180018539A1 (en) * 2016-07-12 2018-01-18 Beihang University Ranking convolutional neural network constructing method and image processing method and apparatus thereof
CN108012157A (zh) * 2017-11-27 2018-05-08 上海交通大学 用于视频编码分数像素插值的卷积神经网络的构建方法
WO2019009447A1 (ko) * 2017-07-06 2019-01-10 삼성전자 주식회사 영상을 부호화/복호화 하는 방법 및 그 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180018539A1 (en) * 2016-07-12 2018-01-18 Beihang University Ranking convolutional neural network constructing method and image processing method and apparatus thereof
CN106961610A (zh) * 2017-03-15 2017-07-18 四川大学 结合超分辨率重建的超高清视频新型压缩框架
CN107155107A (zh) * 2017-03-21 2017-09-12 腾讯科技（深圳）有限公司 视频编码方法和装置、视频解码方法和装置
WO2019009447A1 (ko) * 2017-07-06 2019-01-10 삼성전자 주식회사 영상을 부호화/복호화 하는 방법 및 그 장치
CN108012157A (zh) * 2017-11-27 2018-05-08 上海交通大学 用于视频编码分数像素插值的卷积神经网络的构建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JIWON KIM,JUNG KON LEE,ET.AL.: "Accurate Image Super-Resolution Using Very Deep Convolutional Networks", 《2016 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2621248A (en) * 2020-11-27 2024-02-07 V Nova Int Ltd Video encoding using pre-processing
CN113301347A (zh) * 2021-05-08 2021-08-24 广东工业大学 一种hevc高清视频编码的优化方法
CN113409195A (zh) * 2021-07-06 2021-09-17 中国标准化研究院 基于改进的深度卷积神经网络的图像超分辨率重建方法
CN113613000A (zh) * 2021-08-20 2021-11-05 天津大学 一种智能多分辨率深度视频帧内预测方法
CN113613000B (zh) * 2021-08-20 2024-04-26 天津大学 一种智能多分辨率深度视频帧内预测方法
CN116996697A (zh) * 2023-07-24 2023-11-03 南通大学 一种面向hevc编码框架的视频恢复方法
CN116996697B (zh) * 2023-07-24 2024-02-23 南通大学 一种面向hevc编码框架的视频恢复方法

Also Published As

Publication number Publication date
CN111711817B (zh) 2023-02-10

Similar Documents

Publication Publication Date Title
CN111711817B (zh) 一种结合卷积神经网络的hevc帧内编码压缩性能优化方法
CN109495741B (zh) 基于自适应下采样和深度学习的图像压缩方法
Hu et al. FVC: A new framework towards deep video compression in feature space
CN108012157B (zh) 用于视频编码分数像素插值的卷积神经网络的构建方法
CN107463989B (zh) 一种基于深度学习的图像去压缩伪影方法
CN111711824B (zh) 视频编解码中的环路滤波方法、装置、设备及存储介质
CN101049006B (zh) 图像编码方法及装置以及图像解码方法及装置
CN110751597B (zh) 基于编码损伤修复的视频超分辨方法
CN108347612B (zh) 一种基于视觉注意机制的监控视频压缩与重构方法
CN112218072B (zh) 一种基于解构压缩和融合的视频编码方法
WO2023000179A1 (zh) 视频超分辨网络及视频超分辨、编解码处理方法、装置
CN111726614A (zh) 一种基于空域下采样与深度学习重建的hevc编码优化方法
Lu et al. Learned quality enhancement via multi-frame priors for HEVC compliant low-delay applications
CN109361919A (zh) 一种联合超分辨率和去压缩效应的图像编码性能提升方法
Li et al. Multi-scale grouped dense network for vvc intra coding
Lu et al. Learned Image Restoration for VVC Intra Coding.
CN115689917A (zh) 一种基于深度学习的高效时空超分辨率视频压缩复原方法
CN111726638A (zh) 一种结合去压缩效应与超分辨率的hevc编码优化方法
CN104780383B (zh) 一种3d‑hevc多分辨率视频编码方法
Mali et al. Neural jpeg: End-to-end image compression leveraging a standard jpeg encoder-decoder
Tan et al. Image compression algorithms based on super-resolution reconstruction technology
CN111882564A (zh) 一种超高清医学病理图像的压缩处理方法
CN116347107A (zh) 面向vvc视频编码标准基于可变cnn的qp自适应环路滤波方法
CN113747242B (zh) 图像处理方法、装置、电子设备及存储介质
CN111726636A (zh) 一种基于时域下采样与帧率上转换的hevc编码优化方法

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