CN113709483B - 一种插值滤波器系数自适应生成方法及装置 - Google Patents
一种插值滤波器系数自适应生成方法及装置 Download PDFInfo
- Publication number
- CN113709483B CN113709483B CN202110771285.9A CN202110771285A CN113709483B CN 113709483 B CN113709483 B CN 113709483B CN 202110771285 A CN202110771285 A CN 202110771285A CN 113709483 B CN113709483 B CN 113709483B
- Authority
- CN
- China
- Prior art keywords
- interpolation filter
- filter coefficient
- cnn
- image
- interpolation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 20
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 abstract description 35
- 238000013528 artificial neural network Methods 0.000 abstract description 11
- 238000005070 sampling Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010420 art technique Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- H04N19/169—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
- H04N19/10—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
- H04N19/117—Filters, e.g. for pre-processing or post-processing
-
- 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
-
- 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
- H04N19/80—Details of filtering operations specially adapted for video compression, e.g. for pixel interpolation
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种插值滤波器系数自适应生成方法和装置。所述方法包括：判断当前图像是否属于待编码视频的第一帧或者是场景切换帧。若是，则使用CNN插值滤波器系数预测网络输出插值滤波器系数，再根据所述插值滤波器系数对图像帧进行插值滤波。若否，则使用当前设置的插值滤波器系数对图像进行插值滤波。本发明使基于神经网络的自适应滤波器生成算法变的实用，且滤波器系数的决策过程仅在视频的第一帧或者视频场景切换的时候被调用，大大降低了复杂的神经网络所引起的编码复杂度的增加程度。
Description
技术领域
本发明涉及视频编码技术领域，具体涉及一种插值滤波器系数自适应生成方法及装置。
背景技术
在实际编码场景中，由于物体运动的距离并不一定是像素的整数倍，因此需要将运动估计的精度提升到亚像素级别。在编码标准中定义有1/2像素插值滤波器和1/4像素插值滤波器。这种滤波器的设计一般采用由周围像素加权得到目标位置的像素，设计简单，复杂度低，但同时其算法性能也还有较大的优化空间，因为其滤波器系数是标准制定过程中在大量视频内容上是实验出的平均压缩率较优的一组系数集合，并不能适应所有的视频场景。由于固定系数滤波器的这种压缩率上的缺陷，基于传统图像处理的自适应插值滤波器便应运而生，但这种技术一直没有取得较好的效果，因此一直未被应用于视频编码。
近年来，神经网络技术在图像处理中发挥了极大的作用，有了很多成功的应用。现有的技术也有引入神经网络技术来进行分像素插值。例如已有专利（专利号CN110324635B分像素插值方法、系统、计算机设备和介质）使用卷积神经网络得到分像素块的预测值。在训练过程中需要提取共享特征图，经过多层卷积运算，最终得到插值图像。这种方法往往表现出较大的性能提升，这一方面证明了传统固定系数的插值滤波器尚有较大的性能提升潜力，另一方面，其大量的卷积操作所引起的编码端和解码端的复杂度的巨幅提升也制约了该种技术真正走向实用阶段。
发明内容
由于现有方法存在上述问题，本发明实施例提出一种插值滤波器系数自适应生成方法及装置。本发明基于传统的线性加权的插值滤波器，但其滤波器系数将依据视频特征由神经网络生成，经过实验，本发明可仅需在极少数帧运行神经网络的推断，很好的控制了编码端的复杂度，且解码端完全不需要神经网络的推断过程，仅需从码流中解析出编码端推断出的滤波器系数即可。具体地，本发明实施例提供了以下技术方案。
第一方面，本发明实施例提供了一种插值滤波器系数自适应生成方法，包括：
S101，输入原始图像。
S102，判断当前图像是否为待编码视频的第一帧，或者是场景切换帧。
S103，获得插值滤波器系数。
所述获得插值滤波器系数，包括：
若当前图像为待编码视频的第一帧，或者是场景切换帧，则调用CNN插值滤波器系数预测网络来预测插值滤波器系数。
若当前图像不是待编码视频的第一帧，也不是场景切换帧，则使用当前设置的插值滤波器系。
所述CNN插值滤波器系数预测网络的训练方法，包括：
取高清训练图像进行降采样，得到第一像素图像。
将所述第一像素图像输入CNN插值滤波器系数初始化预测网络，输出插值滤波器系数。
根据所述输出的插值滤波器系数，调用滤波器函数，对所述第一像素图像进行插值滤波，得到第二像素图像。
根据所述第一像素图像和第二像素图像计算均方差。
将所述均方差反向输入CNN插值滤波器系数预测网络各层，以更新CNN插值滤波器系数预测网络各层的权值。
循环迭代直至CNN插值滤波器系数预测网络收敛，得到CNN插值滤波器系数预测网络参数。
重复上述步骤训练N个CNN插值滤波器系数预测网络。
其中，N由实际应用时使用的具体编码标准来确定。
S104，根据所述获得的插值滤波器系数对原始图像进行插值滤波。
S105，输出插值滤波后的图像。
第二方面，本发明实施例还提供了一种插值滤波器系数自适应生成装置，所述装置包括：
网络训练模块，用于建立CNN插值滤波器系数预测网络，获得插值滤波器系数预测网络参数。
判断模块，用于判断当前图像帧是否为待编码视频的第一帧，或者是场景切换帧。
获取模块，用于获取插值滤波器系数。
所述获取插值滤波器系数，包括：若当前图像为待编码视频的第一帧，或者是场景切换帧，则调用CNN插值滤波器系数预测网络获取预测的插值滤波器系数；若当前图像不是待编码视频的第一帧，也不是场景切换帧，则获取当前设置的插值滤波器系数。
滤波模块，根据所述获取的插值滤波器系数对当前图像帧进行插值滤波。
输出模块，用于输出插值滤波后的图像。
由上述技术方案可知，本发明具有以下有益效果：1. 通过引入CNN神经网络技术，可以实现编码过程中插值滤波器系数自适应生成，相应地，针对不同的视频，可以自适应使用最优的插值滤波器系数对待处理图像进行插值滤波处理。2. 通过引入CNN神经网络技术，滤波器系数的决策过程仅在视频的第一帧或者视频场景切换的时候被调用，大大降低了复杂的神经网络所引起的编码复杂度的增加程度，使基于神经网络的自适应滤波器生成算法变的实用。
附图说明
为了更清楚地说明本发明实施例，下面将对实施例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的前提下，还可以根据这些图获得其他的附图。
图1是一种插值滤波器系数自适应生成方法流程示意图。
图2是CNN插值滤波器系数预测网络的训练方法流程示意图。
图3是CNN插值滤波器系数预测网络的结构示意图。
图4是一种插值滤波器系数自适应生成装置的结构示意图。
具体实施方式
下面结合附图，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
需要说明的是，本发明实施例提供的一种插值滤波器系数自适应生成的方法的执行主体可以为一种视频编码装置，如：视频编码器。其中，该视频编码装置可以为现有视频编码软件中的插件，或者，独立的功能软件，这都是合理的。并且，该视频编码装置可以应用于终端中，也可以应用于服务器中。
图1示出了一种插值滤波器系数自适应生成的方法的流程图，如图1所示，本发明实施例提供的一种插值滤波器系数自适应生成的方法，具体包括如下内容：
步骤11，输入原始图像。
步骤12，判断当前图像是否为待编码视频的第一帧，或者是场景切换帧。
步骤13，获得插值滤波器系数。
具体地，若当前图像为待编码视频的第一帧，或者是场景切换帧，则调用CNN插值滤波器系数预测网络来预测插值滤波器系数；若当前图像不是待编码视频的第一帧，也不是场景切换帧，则使用当前设置的插值滤波器系数。
所述CNN插值滤波器系数预测网络的训练方法，包括：
（1）取高清训练图像进行降采样，得到第一像素图像。
具体地，对图片进行隔点采样得到1/4分像素图像，即可获得所需训练数据集。
采样后，每张图像可以获得16张分像素图像PIC0~PIC15。
需要说明的是，本实施例中的按1/4分像素图像进行降采样并不具有限制作用，实际可以根据实际需要设置采样率。
（2）将所述第一像素图像输入CNN插值滤波器系数初始化预测网络，输出插值滤波器系数。
（3）根据所述输出的插值滤波器系数，调用滤波器函数，对所述第一像素图像进行插值滤波，得到第二像素图像PIC'0~PIC'15。
（4）将所述第二像素图像与第一像素图像进行均方差计算
其中，m为CNN训练集样本数，PIC'i为第二像素图像，PICi为第一像素图像。
（5）将所述均方差反向输入CNN插值滤波器系数预测网络各层，以更新CNN插值滤波器系数预测网络各层的权值。
（6）循环迭代直至CNN插值滤波器系数预测网络收敛，得到CNN插值滤波器系数预测网络参数。
（7）重复上述步骤训练N个CNN插值滤波器系数预测网络。
其中，N由实际应用时使用的具体编码标准来确定。
例如，使用H.264编码标准时，1/2像素位置N为6，1/4像素位置N为2；
又如，使用H.265编码标准时，1/2像素位置N为8，1/4像素位置N为7。
步骤14，根据所述获得的插值滤波器系数对原始图像进行插值滤波。
步骤15，输出插值滤波后的图像。
图2示出了本发明实施例提供的插值滤波器系数自适应生成的装置结构示意图。如图2所示，本发明实施例提供的插值滤波器系数自适应生成装置包括：
S501网络训练模块，用于建立CNN插值滤波器系数预测网络，获得插值滤波器系数预测网络参数。
所述建立CNN插值滤波器系数预测网络的方法，包括：
取高清训练图像进行降采样，得到第一像素图像。
具体地，对图片进行隔点采样得到1/4分像素图像，即可获得所需训练数据集。
采样后，每张图像可以获得16张分像素图像PIC0~PIC15。
需要说明的是，本实施例中的按1/4分像素图像进行降采样并不具有限制作用，实际可以根据实际需要设置采样率。
将所述第一像素图像输入CNN插值滤波器系数初始化预测网络，输出插值滤波器系数。
根据所述输出的插值滤波器系数，调用滤波器函数，对所述第一像素图像进行插值滤波，得到第二像素图像PIC'0~PIC'15。
将所述第二像素图像与第一像素图像进行均方差计算
其中，m为CNN训练集样本数，PIC'i为第二像素图像，PICi为第一像素图像。
将所述均方差反向输入CNN插值滤波器系数预测网络各层，以更新CNN插值滤波器系数预测网络各层的权值。
循环迭代直至CNN插值滤波器系数预测网络收敛，得到CNN插值滤波器系数预测网络参数。
重复上述步骤训练N个CNN插值滤波器系数预测网络。
其中，N由实际应用时使用的具体编码标准来确定。
例如，使用H.264编码标准时，1/2像素位置N为6，1/4像素位置N为2；
又如，使用H.265编码标准时，1/2像素位置N为8，1/4像素位置N为7。
S502，判断模块，用于判断当前图像帧是否是待编码视频的第一帧，或者是场景切换帧。
S503，获取模块，用于获取插值滤波器系数。
所述获取插值滤波器系数，包括：若当前图像为待编码视频的第一帧，或者是场景切换帧，则调用CNN插值滤波器系数预测网络获取预测的插值滤波器系数；若当前图像不是待编码视频的第一帧，也不是场景切换帧，则获取当前设置的插值滤波器系数。
S504，滤波模块，根据所述获取的插值滤波器系数对当前图像进行插值滤波。
S505，输出模块，用于输出插值滤波后的图像。
由于本实施例提供的插值滤波器系数自适应生成装置，可以用于执行上述实施例提供的插值滤波器系数自适应生成方法，其工作原理和有益效果类似，此处不再详述。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本发明实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
此外，在本发明中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或者操作之间存在任何这种实际的关系或者顺序。
以上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。
Claims (6)
1.一种插值滤波器系数自适应生成方法，其特征在于，包括：
步骤1，输入原始图像；
步骤2，判断原始图像是否是待编码视频的第一帧，或者是场景切换帧；
步骤3，获得插值滤波器系数；
若当前图像为待编码视频的第一帧，或者是场景切换帧，则调用CNN插值滤波器系数预测网络来预测插值滤波器系数；
若当前图像不是待编码视频的第一帧，也不是场景切换帧，则使用当前设置的插值滤波器系数；
步骤4，根据所述获得的插值滤波器系数对原始图像进行插值滤波；
步骤5，输出插值滤波后的图像。
2.根据权利要求1所述的插值滤波器系数自适应生成方法，其特征在于，所述CNN插值滤波器系数预测网络的训练方法，包括：
取高清训练图像进行降采样，得到第一像素图像；
将所述第一像素图像输入CNN插值滤波器系数初始化预测网络，输出插值滤波器系数；
根据所述输出的插值滤波器系数，调用滤波器函数，对所述第一像素图像进行插值滤波，得到第二像素图像；
根据所述第一像素图像和第二像素图像计算均方差；
将所述均方差反向输入CNN插值滤波器系数预测网络各层，以更新CNN插值滤波器系数预测网络各层的权值；
循环迭代直至CNN插值滤波器系数预测网络收敛，得到CNN插值滤波器系数预测网络参数；
重复上述步骤训练N个CNN插值滤波器系数预测网络。
3.根据权利要求2所述的插值滤波器系数自适应生成方法，其特征在于，所述训练N个CNN插值滤波器系数预测网络，其中N由实际应用时使用的具体编码标准来确定。
4.一种插值滤波器系数自适应生成装置，其特征在于，包括：
网络训练模块，用于建立CNN插值滤波器系数预测网络，获得插值滤波器系数预测网络参数；
判断模块，用于判断当前图像是否是待编码视频的第一帧，或者是场景切换帧；
获取模块，用于获取插值滤波器系数；
若当前图像为待编码视频的第一帧，或者是场景切换帧，则调用CNN插值滤波器系数预测网络获取预测的插值滤波器系数；
若当前图像不是待编码视频的第一帧，也不是场景切换帧，则获取当前设置的插值滤波器系数；
滤波模块，根据所述获取的插值滤波器系数对当前图像进行插值滤波；
输出模块，用于输出插值滤波后的图像。
5.根据权利要求4所述的插值滤波器系数自适应生成装置，其特征在于，所述CNN插值滤波器系数预测网络的训练方法，包括：
取高清训练图像进行降采样，得到第一像素图像；
将所述第一像素图像输入CNN插值滤波器系数初始化预测网络，输出插值滤波器系数；
根据所述输出的插值滤波器系数，调用滤波器函数，对所述第一像素图像进行插值滤波，得到第二像素图像；
根据所述第一像素图像和第二像素图像计算均方差；
将所述均方差反向输入CNN插值滤波器系数预测网络各层，以更新CNN插值滤波器系数预测网络各层的权值；
循环迭代直至CNN插值滤波器系数预测网络收敛，得到CNN插值滤波器系数预测网络参数；
重复上述步骤训练N个CNN插值滤波器系数预测网络。
6.根据权利要求5所述的插值滤波器系数自适应生成装置，其特征在于，所述训练N个CNN插值滤波器系数预测网络，其中N由实际应用时使用的具体编码标准来确定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110771285.9A CN113709483B (zh) | 2021-07-08 | 2021-07-08 | 一种插值滤波器系数自适应生成方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110771285.9A CN113709483B (zh) | 2021-07-08 | 2021-07-08 | 一种插值滤波器系数自适应生成方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113709483A CN113709483A (zh) | 2021-11-26 |
| CN113709483B true CN113709483B (zh) | 2024-04-19 |
Family
ID=78648684
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110771285.9A Active CN113709483B (zh) | 2021-07-08 | 2021-07-08 | 一种插值滤波器系数自适应生成方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113709483B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117255205A (zh) * | 2022-06-16 | 2023-12-19 | 北京三星通信技术研究有限公司 | 视频编解码方法及相应的设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101600111A (zh) * | 2009-07-14 | 2009-12-09 | 清华大学 | 一种实现自适应插值滤波二次编码的搜索方法 |
| CN102075743A (zh) * | 2009-11-24 | 2011-05-25 | 华为技术有限公司 | 视频编码方法及装置、视频解码方法及装置 |
| CN110191299A (zh) * | 2019-04-15 | 2019-08-30 | 浙江大学 | 一种基于卷积神经网络的多重帧插值方法 |
| 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 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8204128B2 (en) * | 2007-08-01 | 2012-06-19 | Her Majesty The Queen In Right Of Canada, As Represented By The Minister Of Industry, Through The Communications Research Centre Canada | Learning filters for enhancing the quality of block coded still and video images |
| KR101353304B1 (ko) * | 2008-10-24 | 2014-01-21 | 에스케이 텔레콤주식회사 | 적응적 보간 필터 계수를 이용한 영상 부호화/복호화 방법 및 장치 |
-
2021
- 2021-07-08 CN CN202110771285.9A patent/CN113709483B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101600111A (zh) * | 2009-07-14 | 2009-12-09 | 清华大学 | 一种实现自适应插值滤波二次编码的搜索方法 |
| CN102075743A (zh) * | 2009-11-24 | 2011-05-25 | 华为技术有限公司 | 视频编码方法及装置、视频解码方法及装置 |
| CN110191299A (zh) * | 2019-04-15 | 2019-08-30 | 浙江大学 | 一种基于卷积神经网络的多重帧插值方法 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113709483A (zh) | 2021-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hu et al. | Improving deep video compression by resolution-adaptive flow coding | |
| 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 | |
| CN110798690B (zh) | 视频解码方法、环路滤波模型的训练方法、装置和设备 | |
| US10623775B1 (en) | End-to-end video and image compression | |
| CN111711824B (zh) | 视频编解码中的环路滤波方法、装置、设备及存储介质 | |
| Wu et al. | Learned block-based hybrid image compression | |
| TWI834087B (zh) | 用於從位元流重建圖像及用於將圖像編碼到位元流中的方法及裝置、電腦程式產品 | |
| CN113766249B (zh) | 视频编解码中的环路滤波方法、装置、设备及存储介质 | |
| WO2010074170A1 (ja) | 画像復号装置及び画像符号化装置 | |
| CN112102163B (zh) | 基于多尺度运动补偿框架和递归学习的连续多帧图像超分辨率重建方法 | |
| CN116349225B (zh) | 视频解码方法和装置、电子设备和存储介质 | |
| 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 | |
| Hu et al. | Fvc: An end-to-end framework towards deep video compression in feature space | |
| CN111669588B (zh) | 一种超低时延的超高清视频压缩编解码方法 | |
| CN113709483B (zh) | 一种插值滤波器系数自适应生成方法及装置 | |
| TW202324308A (zh) | 圖像編解碼方法和裝置 | |
| TW202337211A (zh) | 條件圖像壓縮 | |
| CN116091868A (zh) | 在线视频防抖设备、在线视频防抖方法及其学习方法 | |
| CN113852816A (zh) | 视频帧处理方法、装置、计算机设备和可读存储介质 | |
| WO2021170901A1 (en) | A method, an apparatus and a computer program product for video encoding and video decoding | |
| WO2023082107A1 (zh) | 解码方法、编码方法、解码器、编码器和编解码系统 | |
| Yang et al. | Graph-convolution network for image compression | |
| WO2024002496A1 (en) | Parallel processing of image regions with neural networks – decoding, post filtering, and rdoq | |
| EP4107952A1 (en) | Block-wise content-adaptive online training in neural image compression with post filtering | |
| CN112911286B (zh) | 一种分像素插值滤波器的设计方法 |
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 |