CN113452944B - 一种云手机的画面显示方法 - Google Patents
一种云手机的画面显示方法 Download PDFInfo
- Publication number
- CN113452944B CN113452944B CN202111008736.XA CN202111008736A CN113452944B CN 113452944 B CN113452944 B CN 113452944B CN 202111008736 A CN202111008736 A CN 202111008736A CN 113452944 B CN113452944 B CN 113452944B
- Authority
- CN
- China
- Prior art keywords
- frame sequence
- video
- frame
- image
- model
- 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
- H04N7/00—Television systems
- H04N7/01—Conversion of standards, e.g. involving analogue television standards or digital television standards processed at pixel level
- H04N7/0127—Conversion of standards, e.g. involving analogue television standards or digital television standards processed at pixel level by changing the field or frame frequency of the incoming video signal, e.g. frame rate converter
-
- 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
- H04N7/00—Television systems
- H04N7/01—Conversion of standards, e.g. involving analogue television standards or digital television standards processed at pixel level
- H04N7/0135—Conversion of standards, e.g. involving analogue television standards or digital television standards processed at pixel level involving interpolation processes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Controls And Circuits For Display Device (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明公开了一种云手机的画面显示方法，步骤包括：虚拟多个云手机并安装目标应用；生成伪随机事件流脚本；执行伪随机事件流脚本并获取原始帧序列F；根据帧序列相似性确定出图像插值模型；拆分获得奇数帧Fo和偶数帧Fe；学习输出为预测偶数帧序列Fe’和预测奇数帧序列Fo’；根据帧序列相似性确定出视频插帧模型；下载图像插值模型和视频插帧模型；使用图像插值模型和视频插帧模型进行插值；在终端设备的显示屏上渲染优化视频帧序列。该云手机的画面显示方法通过自动化的方式训练模型，降低标记人员成本，提高训练准确性，通过利用手机终端的NPU计算资源，降低服务器界面渲染所需GPU资源，降低整体延迟和网络带宽。
Description
技术领域
本发明涉及一种图像处理方法及显示方法，尤其是一种云手机的画面显示方法。
背景技术
随着移动互联网技术的发展，云手机受到了广泛关注；云手机是一种以云计算为基础的游戏方式，此处的云计算是一种基于移动互联网的计算方式。在云手机场景下，应用并不在用户终端，而是在云端服务器中运行；由云端服务器将应用画面编码为视频流，通过移动网络传输给用户终端进行解码播放。用户终端无需拥有强大的图形运算与数据处理能力，仅需拥有基本的流媒体播放能力以及获取并发送用户的输入指令至云端服务器的能力即可。
现有的云手机在使用过程中，由于采用了划分区域的方式来提升渲染效率，但区域确定具有主观性，需要大量人工参与模型训练才能得到较好的渲染效果，此外还需要在云端对图像进行动态编码，使得计算复杂度增加，导致延迟变高。
发明内容
发明目的：提供一种云手机的画面显示方法，能够有效提高应用的响应效率，降低画面显示的延时。
技术方案：本发明所述的云手机的画面显示方法，包括如下步骤：
步骤1，在云端服务器上虚拟出多个分辨率为R的云手机，并在各个云手机上均安装目标应用A；
步骤2，解析应用A获取控件列表，生成伪随机事件流脚本；
步骤3，在分辨率为R的云手机上运行应用A，执行对应的伪随机事件流脚本，并以最大采样率获取原始帧序列F；
步骤4，将原始帧序列F输入至深度学习神经网络模型中，并设置目标分辨率为R’，输出为预测帧序列F’，再计算出原始帧序列F与预测帧序列F’的帧序列相似性，并根据帧序列相似性确定出图像插值模型；
步骤5，将分辨率为R的原始序列帧F拆分为奇数帧Fo和偶数帧Fe；
步骤6，将奇数帧Fo中相邻两帧依次输入至深度学习神经网络模型中，输出为预测偶数帧序列Fe’，将偶数帧Fe中相邻两帧依次输入至深度学习神经网络模型中，输出为预测奇数帧序列Fo’；
步骤7，将预测奇数帧序列Fo’和预测偶数帧序列Fe’合并为预测帧序列F’’，再计算出原始帧序列F与预测帧序列F’’的帧序列相似性，并根据帧序列相似性确定出视频插帧模型；
步骤8，获取终端C的屏幕分辨率Rc和屏幕刷新率Fc，并根据屏幕分辨率Rc和屏幕刷新率Fc下载对应的图像插值模型和视频插帧模型；
步骤9，在云手机实际运行应用A时，获取视频分辨率和视频帧率，使用对应的图像插值模型和视频插帧模型进行插值生成优化视频帧序列；
步骤10，在终端设备的显示屏上渲染优化视频帧序列。
进一步的，步骤4中，计算原始帧序列F与预测帧序列F’的帧序列相似性的具体步骤为：
首先对比原始帧序列F和预测帧序列F’的每一帧图像，采用高斯加权计算出每一帧图像像素值的均值、方差以及协方差；
然后再计算出每一帧图像的结构相似度，再将全部帧的结构相似度的平均值作为帧序列相似性。
进一步的，步骤4中，根据帧序列相似性确定出图像插值模型的具体步骤为：
设定图像相似性阈值，并判断帧序列相似性是否高于图像相似性阈值；
若高于，则将此时的深度学习神经网络模型作为应用A下的分辨率R转换为R’的图像插值模型。
进一步的，步骤7中，计算原始帧序列F与预测帧序列F’’的帧序列相似性的具体步骤为：
首先对比原始帧序列F和预测帧序列F’’的每一帧图像，采用高斯加权计算每一帧图像像素值的均值、方差以及协方差；
然后再计算出每一帧图像的结构相似度，再将全部帧的结构相似度的平均值作为帧序列相似性。
进一步的，步骤7中，根据帧序列相似性确定出视频插帧模型的具体步骤为：
设定视频相似性阈值，并判断帧序列相似性是否高于视频相似性阈值；
若高于，则此时的深度学习神经网络模型即为应用A下的视频插帧模型。
进一步的，步骤9中，在云手机实际运行应用A前，先对各个模型进行测试：
服务器将对应的测试视频、图像插值模型和视频插帧模型打包并生成下载链接，云手机通过链接下载压缩包，解压后将测试视频、图像插值模型和视频插帧模型缓存到本地；
对图像插值模型和视频插帧模型进行排列组合，使用测试视频帧对排列组合进行测试，记录生成优化测试帧的时间，即为该组合的推理延迟；
删除推理延迟高于延时阈值的图像插值模型和视频插帧模型组合。
进一步的，步骤9中，在云手机实际运行应用A时的具体步骤为：
云端服务器对目标视频帧序列进行视频编码得到视频流；
将视频流序列化，并将序列化的视频流发送至终端设备；
终端设备对接收到的序列化的视频流进行反序列化，并送入视频解码器进行视频解码，得到目标视频帧序列；
对目标视频帧序列进行解析，从而获取视频分辨率和视频帧率。
进一步的，步骤2中，伪随机事件流脚本包括按键输入、触摸屏输入以及手势输入，按键输入具体包括音量键以及电源键，触摸屏输入包括触摸点数、坐标以及触摸时长，手势输入包括滑动、拖拽以及缩放。
进一步的，步骤9中，使用对应的图像插值模型和视频插帧模型进行插值生成优化视频帧序列的具体步骤为：
将原始图像中四邻像素RGBY信息输入到图像插值模型中，得到插值像素的RGBY信息；
将原始像素与插值像素合并生成优化图像；
将前后两帧图像中同一位置像素RGBY信息输入到视频插值模型中，得到插值像素的RGBY信息；
将所有插值像素的RGBY信息合并生成插值图像，再将原始图像与插值图像合并生成优化视频帧序列。
本发明与现有技术相比，其有益效果是：通过自动化的方式训练模型，降低标记人员成本，提高了训练准确性，并通过人工智能图像技术；利用手机终端的NPU计算资源，降低服务器界面渲染所需GPU资源，降低整体延迟和网络带宽。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
实施例1：
如图1所示，本发明所述的云手机的画面显示方法，包括如下步骤：
步骤1，在云端服务器上虚拟出多个分辨率为R的云手机，并在各个云手机上均安装目标应用A；
步骤2，解析应用A获取控件列表，生成伪随机事件流脚本；
步骤3，在分辨率为R的云手机上运行应用A，执行对应的伪随机事件流脚本，并以最大采样率获取原始帧序列F；
步骤4，将原始帧序列F输入至深度学习神经网络模型中，并设置目标分辨率为R’，输出为预测帧序列F’，再计算出原始帧序列F与预测帧序列F’的帧序列相似性，并根据帧序列相似性确定出图像插值模型；
步骤5，将分辨率为R的原始序列帧F拆分为奇数帧Fo和偶数帧Fe；
步骤6，将奇数帧Fo中相邻两帧依次输入至深度学习神经网络模型中，输出为预测偶数帧序列Fe’，将偶数帧Fe中相邻两帧依次输入至深度学习神经网络模型中，输出为预测奇数帧序列Fo’；
步骤7，将预测奇数帧序列Fo’和预测偶数帧序列Fe’合并为预测帧序列F’’，再计算出原始帧序列F与预测帧序列F’’的帧序列相似性，并根据帧序列相似性确定出视频插帧模型；
步骤8，获取终端C的屏幕分辨率Rc和屏幕刷新率Fc，并根据屏幕分辨率Rc和屏幕刷新率Fc下载对应的图像插值模型和视频插帧模型；
步骤9，在云手机实际运行应用A时，获取视频分辨率和视频帧率，使用对应的图像插值模型和视频插帧模型进行插值生成优化视频帧序列；
步骤10，在终端设备的显示屏上渲染优化视频帧序列。
上述深度学习神经网络模型是根据现有技术在的神经网络模型结合本申请的实际数据情况构建的，通过深度学习神经网络模型来获得预测帧序列F’、预测偶数帧序列Fe’以及预测奇数帧序列Fo’能够具有较高的准确性，同时能够降低标记人员成本，提高了训练准确性；通过将获得的预测奇数帧序列Fo’和预测偶数帧序列Fe’合并为预测帧序列F’’，从而能够根据相似性确定出较为准确且可靠的视频插帧模型；利用手机终端的NPU计算资源进行算法处理，降低服务器界面渲染所需GPU资源，降低整体延迟和网络带宽。
进一步的，步骤4中，计算原始帧序列F与预测帧序列F’的帧序列相似性的具体步骤为：
首先对比原始帧序列F和预测帧序列F’的每一帧图像，采用高斯加权计算出每一帧图像像素值的均值、方差以及协方差；
然后再计算出每一帧图像的结构相似度，再将全部帧的结构相似度的平均值作为帧序列相似性。使用高斯加权算法计算图像差异，实现起来较为简单，对于多样本整体准确度更高。
进一步的，步骤4中，根据帧序列相似性确定出图像插值模型的具体步骤为：
设定图像相似性阈值，并判断帧序列相似性是否高于图像相似性阈值；
若高于，则将此时的深度学习神经网络模型作为应用A下的分辨率R转换为R’的图像插值模型。
通过定义图像相似性阈值的方式，可以灵活的针对推理能力和图片质量不同调整模型。
进一步的，步骤7中，计算原始帧序列F与预测帧序列F’’的帧序列相似性的具体步骤为：
首先对比原始帧序列F和预测帧序列F’’的每一帧图像，采用高斯加权计算每一帧图像像素值的均值、方差以及协方差；
然后再计算出每一帧图像的结构相似度，再将全部帧的结构相似度的平均值作为帧序列相似性。
进一步的，步骤7中，根据帧序列相似性确定出视频插帧模型的具体步骤为：
设定视频相似性阈值，并判断帧序列相似性是否高于视频相似性阈值；
若高于，则此时的深度学习神经网络模型即为应用A下的视频插帧模型。
进一步的，步骤9中，在云手机实际运行应用A前，先对各个模型进行测试：
服务器将对应的测试视频、图像插值模型和视频插帧模型打包并生成下载链接，云手机通过链接下载压缩包，解压后将测试视频、图像插值模型和视频插帧模型缓存到本地；
对图像插值模型和视频插帧模型进行排列组合，使用测试视频帧对排列组合进行测试，记录生成优化测试帧的时间，即为该组合的推理延迟；
删除推理延迟高于延时阈值的图像插值模型和视频插帧模型组合。
应用使用前通过在手机上对各个模型进行真实测试，可以进一步选出满足网络延迟和图像质量的模型，提高使用体验。
进一步的，步骤9中，在云手机实际运行应用A时的具体步骤为：
云端服务器对目标视频帧序列进行视频编码得到视频流；
将视频流序列化，并将序列化的视频流发送至终端设备；
终端设备对接收到的序列化的视频流进行反序列化，并送入视频解码器进行视频解码，得到目标视频帧序列；
对目标视频帧序列进行解析，从而获取视频分辨率和视频帧率。
通过解析视频帧获取分辨率和帧率，可以适用于网络波动条件下视频分辨率和帧率动态调整的场景。
进一步的，步骤2中，伪随机事件流脚本包括按键输入、触摸屏输入以及手势输入，按键输入具体包括音量键以及电源键，触摸屏输入包括触摸点数、坐标以及触摸时长，手势输入包括滑动、拖拽以及缩放。
通过采用完整的事件流，可以更加真实的模拟实际操作，增加图像样本数量，提高模型的训练准确度。
进一步的，步骤9中，使用对应的图像插值模型和视频插帧模型进行插值生成优化视频帧序列的具体步骤为：
将原始图像中四邻像素RGBY信息输入到图像插值模型中，得到插值像素的RGBY信息；
将原始像素与插值像素合并生成优化图像；
将前后两帧图像中同一位置像素RGBY信息输入到视频插值模型中，得到插值像素的RGBY信息；
将所有插值像素的RGBY信息合并生成插值图像，再将原始图像与插值图像合并生成优化视频帧序列。
通过上述插值方法能够快速且可靠的生成优化视频帧序列，有效降低手机终端的NPU计算资源。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。
Claims (6)
1.一种云手机的画面显示方法，其特征在于，包括如下步骤：
步骤1，在云端服务器上虚拟出多个分辨率为R的云手机，并在各个云手机上均安装目标应用A；
步骤2，解析应用A获取控件列表，生成伪随机事件流脚本；
步骤3，在分辨率为R的云手机上运行应用A，执行对应的伪随机事件流脚本，并以最大采样率获取原始帧序列F；
步骤4，将原始帧序列F输入至深度学习神经网络模型中，并设置目标分辨率为R’，输出为预测帧序列F’，再计算出原始帧序列F与预测帧序列F’的帧序列相似性，并根据帧序列相似性确定出图像插值模型；
步骤5，将分辨率为R的原始序列帧F拆分为奇数帧Fo和偶数帧Fe；
步骤6，将奇数帧Fo中相邻两帧依次输入至深度学习神经网络模型中，输出为预测偶数帧序列Fe’，将偶数帧Fe中相邻两帧依次输入至深度学习神经网络模型中，输出为预测奇数帧序列Fo’；
步骤7，将预测奇数帧序列Fo’和预测偶数帧序列Fe’合并为预测帧序列F’’，再计算出原始帧序列F与预测帧序列F’’的帧序列相似性，并根据帧序列相似性确定出视频插帧模型；
步骤8，获取终端C的屏幕分辨率Rc和屏幕刷新率Fc，并根据屏幕分辨率Rc和屏幕刷新率Fc下载对应的图像插值模型和视频插帧模型；
步骤9，在云手机实际运行应用A时，获取视频分辨率和视频帧率，使用对应的图像插值模型和视频插帧模型进行插值生成优化视频帧序列；
步骤10，在终端设备的显示屏上渲染优化视频帧序列；
步骤4中，根据帧序列相似性确定出图像插值模型的具体步骤为：
设定图像相似性阈值，并判断帧序列相似性是否高于图像相似性阈值；若高于，则将此时的深度学习神经网络模型作为应用A下的分辨率R转换为R’的图像插值模型；
步骤7中，根据帧序列相似性确定出视频插帧模型的具体步骤为：
设定视频相似性阈值，并判断帧序列相似性是否高于视频相似性阈值；若高于，则此时的深度学习神经网络模型即为应用A下的视频插帧模型；
步骤9中，使用对应的图像插值模型和视频插帧模型进行插值生成优化视频帧序列的具体步骤为：
将原始图像中四邻像素RGBY信息输入到图像插值模型中，得到插值像素的RGBY信息；
将原始像素与插值像素合并生成优化图像；
将前后两帧图像中同一位置像素RGBY信息输入到视频插值模型中，得到插值像素的RGBY信息；
将所有插值像素的RGBY信息合并生成插值图像，再将原始图像与插值图像合并生成优化视频帧序列。
2.根据权利要求1所述的云手机的画面显示方法，其特征在于，步骤4中，计算原始帧序列F与预测帧序列F’的帧序列相似性的具体步骤为：
首先对比原始帧序列F和预测帧序列F’的每一帧图像，采用高斯加权计算出每一帧图像像素值的均值、方差以及协方差；
然后再计算出每一帧图像的结构相似度，再将全部帧的结构相似度的平均值作为帧序列相似性。
3.根据权利要求1所述的云手机的画面显示方法，其特征在于，步骤7中，计算原始帧序列F与预测帧序列F’’的帧序列相似性的具体步骤为：
首先对比原始帧序列F和预测帧序列F’’的每一帧图像，采用高斯加权计算每一帧图像像素值的均值、方差以及协方差；
然后再计算出每一帧图像的结构相似度，再将全部帧的结构相似度的平均值作为帧序列相似性。
4.根据权利要求1所述的云手机的画面显示方法，其特征在于，步骤9中，在云手机实际运行应用A前，先对各个模型进行测试：
服务器将对应的测试视频、图像插值模型和视频插帧模型打包并生成下载链接，云手机通过链接下载压缩包，解压后将测试视频、图像插值模型和视频插帧模型缓存到本地；
对图像插值模型和视频插帧模型进行排列组合，使用测试视频帧对排列组合进行测试，记录生成优化测试帧的时间，即为该组合的推理延迟；
删除推理延迟高于延时阈值的图像插值模型和视频插帧模型组合。
5.根据权利要求1所述的云手机的画面显示方法，其特征在于，步骤9中，在云手机实际运行应用A时的具体步骤为：
云端服务器对目标视频帧序列进行视频编码得到视频流；
将视频流序列化，并将序列化的视频流发送至终端设备；
终端设备对接收到的序列化的视频流进行反序列化，并送入视频解码器进行视频解码，得到目标视频帧序列；
对目标视频帧序列进行解析，从而获取视频分辨率和视频帧率。
6.根据权利要求1所述的云手机的画面显示方法，其特征在于，步骤2中，伪随机事件流脚本包括按键输入、触摸屏输入以及手势输入，按键输入具体包括音量键以及电源键，触摸屏输入包括触摸点数、坐标以及触摸时长，手势输入包括滑动、拖拽以及缩放。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111008736.XA CN113452944B (zh) | 2021-08-31 | 2021-08-31 | 一种云手机的画面显示方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111008736.XA CN113452944B (zh) | 2021-08-31 | 2021-08-31 | 一种云手机的画面显示方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113452944A CN113452944A (zh) | 2021-09-28 |
| CN113452944B true CN113452944B (zh) | 2021-11-02 |
Family
ID=77819091
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111008736.XA Active CN113452944B (zh) | 2021-08-31 | 2021-08-31 | 一种云手机的画面显示方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113452944B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114281289A (zh) * | 2021-12-24 | 2022-04-05 | 南京机敏软件科技有限公司 | 一种确保云手机显示画面与真机屏幕尺寸相适配的方法及系统 |
| CN115103217B (zh) * | 2022-08-26 | 2022-11-22 | 京华信息科技股份有限公司 | 一种云智慧屏的同步更新方法及系统 |
| CN116688495B (zh) * | 2022-11-04 | 2024-04-19 | 荣耀终端有限公司 | 帧率调整方法及相关装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109361935A (zh) * | 2018-12-24 | 2019-02-19 | 广州微算互联信息技术有限公司 | 图片流视频传输方法与系统 |
| CN111544886A (zh) * | 2020-04-30 | 2020-08-18 | 腾讯科技（深圳）有限公司 | 一种画面显示的方法以及相关装置 |
| CN111563027A (zh) * | 2020-04-30 | 2020-08-21 | 北京视博云信息技术有限公司 | 一种应用的运行监测方法、装置及系统 |
| CN111857457A (zh) * | 2020-06-22 | 2020-10-30 | 北京百度网讯科技有限公司 | 云手机的操控方法、装置、电子设备及可读存储介质 |
| CN112601095A (zh) * | 2020-11-19 | 2021-04-02 | 北京影谱科技股份有限公司 | 一种视频亮度和色度分数插值模型的创建方法及系统 |
| CN112653787A (zh) * | 2020-12-16 | 2021-04-13 | 深圳市锐尔觅移动通信有限公司 | 显示方法、装置、存储介质及电子设备 |
| CN113038126A (zh) * | 2021-03-10 | 2021-06-25 | 华侨大学 | 基于帧预测神经网络的多描述视频编码方法和解码方法 |
-
2021
- 2021-08-31 CN CN202111008736.XA patent/CN113452944B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109361935A (zh) * | 2018-12-24 | 2019-02-19 | 广州微算互联信息技术有限公司 | 图片流视频传输方法与系统 |
| CN111544886A (zh) * | 2020-04-30 | 2020-08-18 | 腾讯科技（深圳）有限公司 | 一种画面显示的方法以及相关装置 |
| CN111563027A (zh) * | 2020-04-30 | 2020-08-21 | 北京视博云信息技术有限公司 | 一种应用的运行监测方法、装置及系统 |
| CN111857457A (zh) * | 2020-06-22 | 2020-10-30 | 北京百度网讯科技有限公司 | 云手机的操控方法、装置、电子设备及可读存储介质 |
| CN112601095A (zh) * | 2020-11-19 | 2021-04-02 | 北京影谱科技股份有限公司 | 一种视频亮度和色度分数插值模型的创建方法及系统 |
| CN112653787A (zh) * | 2020-12-16 | 2021-04-13 | 深圳市锐尔觅移动通信有限公司 | 显示方法、装置、存储介质及电子设备 |
| CN113038126A (zh) * | 2021-03-10 | 2021-06-25 | 华侨大学 | 基于帧预测神经网络的多描述视频编码方法和解码方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113452944A (zh) | 2021-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113452944B (zh) | 一种云手机的画面显示方法 | |
| CN111193923B (zh) | 视频质量评估方法、装置、电子设备及计算机存储介质 | |
| CN111476871B (zh) | 用于生成视频的方法和装置 | |
| JP6735927B2 (ja) | ビデオコンテンツの要約処理 | |
| WO2022007874A1 (zh) | 视频质量的评估方法、装置及电子设备 | |
| CN110876024A (zh) | 确定虚拟形象唇部动作的方法和装置 | |
| CN112437343B (zh) | 基于浏览器的封面生成方法和系统 | |
| CN112995776B (zh) | 共享屏幕内容抓屏帧率确定方法、装置、设备和存储介质 | |
| WO2020093724A1 (zh) | 生成信息的方法和装置 | |
| CN114245209B (zh) | 视频分辨率确定、模型训练、视频编码方法及装置 | |
| CN105760238A (zh) | 图形指令数据的处理方法和装置及系统 | |
| CN116233445B (zh) | 视频的编解码处理方法、装置、计算机设备和存储介质 | |
| CN113962965A (zh) | 图像质量评价方法、装置、设备以及存储介质 | |
| CN108256451B (zh) | 用于检测人脸的方法和装置 | |
| US20220327663A1 (en) | Video Super-Resolution using Deep Neural Networks | |
| US11928855B2 (en) | Method, device, and computer program product for video processing | |
| Ying et al. | Telepresence video quality assessment | |
| CN113542780B (zh) | 一种网络直播视频的压缩伪影去除方法及装置 | |
| CN112115703B (zh) | 文章评估方法及装置 | |
| KR20160015136A (ko) | 클라우드 스트리밍 서비스 시스템, 스틸 이미지 압축 기법을 이용한 클라우드 스트리밍 서비스 방법 및 이를 위한 장치 | |
| WO2019196573A1 (zh) | 一种流媒体转码方法、装置、计算机设备及可读介质 | |
| US20240185388A1 (en) | Method, electronic device, and computer program product for image processing | |
| WO2024109138A1 (zh) | 视频编码方法、装置及存储介质 | |
| CN111866583B (zh) | 一种视频监控资源的调整方法、装置、介质及电子设备 | |
| CN112121418A (zh) | 图像处理方法及装置、交互控制方法及装置 |
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 |