CN115866151B - 一种图像通信方法 - Google Patents
一种图像通信方法 Download PDFInfo
- Publication number
- CN115866151B CN115866151B CN202310169200.9A CN202310169200A CN115866151B CN 115866151 B CN115866151 B CN 115866151B CN 202310169200 A CN202310169200 A CN 202310169200A CN 115866151 B CN115866151 B CN 115866151B
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- clustering
- low
- frequency
- 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 36
- 238000004891 communication Methods 0.000 title claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 230000006835 compression Effects 0.000 claims abstract description 15
- 238000007906 compression Methods 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 238000004519 manufacturing process Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 16
- 238000007499 fusion processing Methods 0.000 claims description 9
- 238000007654 immersion Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000001939 inductive effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000006798 recombination Effects 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 7
- 238000011426 transformation method Methods 0.000 abstract description 6
- 238000003709 image segmentation Methods 0.000 abstract description 5
- 230000003044 adaptive effect Effects 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像通信技术领域,尤其为一种图像通信方法,包括如下步骤:从发送端接收图像信号;对接收的图像信号进行压缩感知处理;对接收的图像数据进行图像压缩重建;对压缩重建后的图像进行沉浸式制作;将沉浸式制作的图像发送至接收端。本发明基于接收的图像信号进行压缩感知处理,提升了图像传输的效率,通过压缩重构处理,保证了传输图像的质量,再基于自适应的图像分割方法对图像进行分割、融合,能够结合图像呈现环境进行自适应调节,获得更为清晰的图像。采用小波变换方法较好地保护了图像中的各项信息,将小波变换方法与HIS转换方法结合,可以充分保护图像的信息完整性,从而提升了图像融合的视觉效果。
Description
技术领域
本发明涉及图像通信技术领域,尤其是一种图像通信方法。
背景技术
随着二维图像压缩技术的逐步成熟,图像压缩标准得以完善建立,使压缩算法进一步有了重大突破,目前正在开展的压缩编码方法研究种类繁多,倘若将现实中已经实现的有效压缩比以成倍的比例提高,那么其产生的研究价值将是巨大的,二维压缩技术的成熟也使三维图像的立体式存储及其压缩技术树立了更高的起点标准。随着网络资源的进一步丰富扩展,人们获取信息的欲望越来越强烈,对图像的清晰度、处理逼真性也提出了更高的要求。而信息量传递需求的增加同时又使网络化的数据传输以成倍的速度增长,从而导致了网络资源的紧张,时常出现网络高峰、拥堵的现象,因此实现图像通信高效传输以及保证图像的高质量则是现有通信技术中研究的关键问题。现提出一种图像通信方法,实现图像通信的高效传输,同时保证图像的质量。
发明内容
本发明的目的是通过提出一种图像通信方法,以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下:
提供一种图像通信方法,包括如下步骤:
S1:从发送端接收图像信号;
S2:对接收的图像信号进行压缩感知处理;
S3:对接收的图像数据进行图像压缩重建;
S4:对压缩重建后的图像进行沉浸式制作;
S5:将沉浸式制作的图像发送至接收端。
作为本发明的一种优选技术方案:所述S1中经过解码器进行数字量转换后,获得一维离散信号。
作为本发明的一种优选技术方案:所述S2中,将一维离散信号划分成多个大小相等的子块,引入正交独立高斯分布矩阵,对子块进行变换,将图像的一维离散信号转换成二维图像块信号。
作为本发明的一种优选技术方案:所述S3中的图像压缩重建步骤如下:
基于压缩图像的二维图像信号建立图像块信号特征训练集,并根据分辨率分为高分辨率特征图像块和低分辨率特征图像块训练集,分别对高分辨率特征图像块和低分辨率特征图像块训练集进行分块匹配,并通过搜索窗口进行检索获取相似图像块,对相似图像块进行特征提取后再进行归一化处理,通过近邻搜索算法搜索近邻图像块,再对图像块进行线性重组获取重建的图像。
作为本发明的一种优选技术方案:所述S4中图像沉浸式内容制作步骤包括图像的沉浸式分割处理及融合处理。
作为本发明的一种优选技术方案:所述沉浸式分割处理中,设重建的图像大小为,像素点,图像的低频、高频部分的图像信息主成分分别为、,计算每个波段的纹理特征:
其中,为波段参数;
像素点的位置特征为:
分别为像素点对应、的位置特征;基于上式,将提取的图像纹理特征向量归一化至值域中。
作为本发明的一种优选技术方案:所述沉浸式分割处理步骤中,通过MeanShift算法对图像进行自动调节,得到多维特征自适应向量为:
其中,,分别为像素点的位置特征向量及纹理特征向量,的近邻像素点的位置特征向量及纹理特征向量分别为和,位置带宽与纹理带宽分别为和,为像素点的第个近邻像素点,为像素点的近邻像素点数量;
将位置向量归纳成空间域,采用MeanShift滤波操作,获取模态点,以此聚类相同模态点的全部像素点,获取低频、高频部分的特征聚集区,按照聚类结果计算每个聚类区的目标特征坐标距离及纹理距离后运算后续聚类的带宽,通过上式在纹理域实现MeanShift聚类,获取低频、高频分量的特征聚类区,根据区域合并准则实施区域合并。
作为本发明的一种优选技术方案:所述区域合并准则如下:
S3.1:两个近邻聚类区的空间距离低于,两个聚类区合并;
S3.2:两个近邻聚类区的纹理距离低于,两个聚类区合并;
S3.3:将聚类区中最低像素设置为N,单区域像素数低于N,此区域被合并至近邻的剩余区域内,实现图像低频、高频分量的特征分割。
作为本发明的一种优选技术方案:所述融合处理步骤中,融合低频分量时,将图像低频分量设为,需要融合的高频分量设为,将和实施融合操作,得到融合分量:
生成融合图像新的低频分量:
式中,为小波块标准差;
作为本发明的一种优选技术方案:所述融合处理步骤中,融合高频分量时,
其中,为像素集;、为分别为经过小波分解获取的新的高频分量和方差。
本发明提供的图像通信方法,与现有技术相比,其有益效果有:
本发明基于接收的图像信号进行压缩感知处理,提升了图像传输的效率,通过压缩重构处理,保证了传输图像的质量,再基于自适应的图像分割方法对图像进行分割、融合,能够结合图像呈现环境进行自适应调节,获得更为清晰、逼真的图像。采用小波变换方法较好地保护了图像中的各项信息,将小波变换方法与HIS转换方法结合,可以充分保护图像的信息完整性,从而提升了图像融合的视觉效果。
附图说明
图1为本发明优选实施例的方法流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本实施例中的实施例及实施例中的特征可以相互组合,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1,本发明优选实施例提供了一种图像通信方法,包括如下步骤:
S1:从发送端接收图像信号;
S2:对接收的图像信号进行压缩感知处理;
S3:对接收的图像数据进行图像压缩重建;
S4:对压缩重建后的图像进行沉浸式制作;
S5:将沉浸式制作的图像发送至接收端。
所述S1中经过解码器进行数字量转换后,获得一维离散信号。
所述S2中,将一维离散信号划分成多个大小相等的子块,引入正交独立高斯分布矩阵,对子块进行变换,将图像的一维离散信号转换成二维图像块信号。
所述S3中的图像压缩重建步骤如下:
基于压缩图像的二维图像信号建立图像块信号特征训练集,并根据分辨率分为高分辨率特征图像块和低分辨率特征图像块训练集,分别对高分辨率特征图像块和低分辨率特征图像块训练集进行分块匹配,并通过搜索窗口进行检索获取相似图像块,对相似图像块进行特征提取后再进行归一化处理,通过近邻搜索算法搜索近邻图像块,再对图像块进行线性重组获取重建的图像。
所述S4中图像沉浸式内容制作步骤包括图像的沉浸式分割处理及融合处理。
所述沉浸式分割处理中,设重建的图像大小为,像素点,图像的低频、高频部分的图像信息主成分分别为、,计算每个波段的纹理特征:
其中,为波段参数;
像素点的位置特征为:
分别为像素点对应、的位置特征;基于上式,将提取的图像纹理特征向量归一化至值域中。
所述沉浸式分割处理步骤中,通过MeanShift算法对图像进行自动调节,得到多维特征自适应向量为:
其中,,分别为像素点的位置特征向量及纹理特征向量,的近邻像素点的位置特征向量及纹理特征向量分别为和,位置带宽与纹理带宽分别为和,为像素点的第个近邻像素点,为像素点的近邻像素点数量;
将位置向量归纳成空间域,采用MeanShift滤波操作,获取模态点,以此聚类相同模态点的全部像素点,获取低频、高频部分的特征聚集区,按照聚类结果计算每个聚类区的目标特征坐标距离及纹理距离后运算后续聚类的带宽,通过上式在纹理域实现MeanShift聚类,获取低频、高频分量的特征聚类区,根据区域合并准则实施区域合并。
所述区域合并准则如下:
S3.1:两个近邻聚类区的空间距离低于,两个聚类区合并;
S3.2:两个近邻聚类区的纹理距离低于,两个聚类区合并;
S3.3:将聚类区中最低像素设置为N,单区域像素数低于N,此区域被合并至近邻的剩余区域内,实现图像低频、高频分量的特征分割。
所述融合处理步骤中,融合低频分量融合时,将图像低频分量设为,需要融合的高频分量设为,将和实施融合操作,得到融合分量:
生成融合图像新的低频分量:
式中,为小波块标准差;
所述融合处理步骤中,融合高频分量时,
其中,为像素集;、为分别为经过小波分解获取的新的高频分量和方差。
本实施例中,从接收端接收图像信号,对接收的图像进行压缩感知处理进行传输,传输完成后,对压缩处理的图像进行图像压缩重建,基于压缩图像的二维图像信号建立图像块信号特征训练集,并根据分辨率分为高分辨率特征图像块和低分辨率特征图像块训练集,分别对高分辨率特征图像块和低分辨率特征图像块训练集进行分块匹配,并通过搜索窗口进行检索获取相似图像块,对相似图像块进行特征提取后再进行归一化处理,通过近邻搜索算法搜索近邻图像块,再对图像块进行线性重组获取重建的图像。
对重建后的图像进行沉浸式内容制作以获取更为清晰、高质量的图像。图像多光谱由多个光谱波段和一个全色波段构成,波段信息不仅具有关联性,而且信息量具有冗余性。由于主成分分析法的线性转换性能较好,可去除波段间关联性,因此,将图像低频、高频部分的多光谱信息含量依次设成两个主成分、。图像中的差异地物会存在较为类似的光谱表象,只通过光谱特征实施MeanShift滤波操作,便能将光谱存在类似性的差异样本收敛至特征空间一致的模态点中,此时地物光谱不可分,因此,进行航测内业遥感图像分割时,需要导入纹理特征,以此来优化图像分割的稳定度。
设重建的图像大小为,像素点,图像的低频、高频部分的图像信息主成分分别为、,计算像素点的纹理特征:
像素点的位置特征为:
分别为像素点对应、的位置特征;基于上式,将提取的图像纹理特征向量归一化至值域中。
设像素点的近邻像素点数量为50个,通过MeanShift算法对图像进行自动调节,得到像素点的多维特征自适应向量为:
其中,,分别为像素点的位置特征向量及纹理特征向量,的近邻像素点的位置特征向量及纹理特征向量分别为和,位置带宽与纹理带宽分别为和,为像素点的第个近邻像素点,为像素点的近邻像素点数量;
将位置向量归纳成空间域,采用MeanShift滤波操作,获取模态点,以此聚类相同模态点的全部像素点,获取低频、高频部分的特征聚集区,按照聚类结果计算每个聚类区的目标特征坐标距离及纹理距离后运算后续聚类的带宽,通过上式在纹理域实现MeanShift聚类,获取低频、高频分量的特征聚类区,实施区域合并,分别设定位置带宽,纹理带宽,若两个近邻聚类区的空间距离低于阈值,将两个聚类区合并;两个近邻聚类区的纹理距离低于阈值,将两个聚类区合并;将聚类区中最低像素设置为N,单区域像素数低于N,此区域被合并至近邻的剩余区域内,实现图像低频、高频分量的特征分割。
通过融合处理分别融合低频分量和高频分量,并循环高频分量和低频分量的融合步骤,每个分解层水平、垂直、斜向三种方位的高频分量均实现融合再停止,将获取的新的低频、高频分量实时小波逆变换,重构获取新的图像;将新的图像与原始图像H、S分量实施HIS逆转换,得到经深度融合后的图像。
同样可以通过图像分割方法提取图像中的局部图像数据信息,并通过融合准则融合至其他场景中,如通过图像分割方法提取图像中的某个人物模型,通过融合准则融合至现实环境中,可以此实现虚拟与现实相结合的场景。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (4)
1.一种图像通信方法,其特征在于:包括如下步骤:
S1:从发送端接收图像信号;
S2:对接收的图像信号进行压缩感知处理;
S3:对接收的图像数据进行图像压缩重建;
S4:对压缩重建后的图像进行沉浸式制作;
S5:将沉浸式制作的图像发送至接收端;
所述S4中图像沉浸式内容制作步骤包括图像的沉浸式分割处理及融合处理;
所述沉浸式分割处理中,设重建的图像大小为,像素点,图像的低频、高频部分的图像信息主成分分别为、,计算每个波段的纹理特征:
其中,为波段参数;
像素点的位置特征为:
分别为像素点对应、的位置特征;基于上式,将提取的图像纹理特征向量归一化至值域中;
所述沉浸式分割处理中,通过MeanShift算法对图像进行自动调节,得到多维特征自适应向量为:
其中,,分别为像素点的位置特征向量及纹理特征向量,的近邻像素点的位置特征向量及纹理特征向量分别为和,位置带宽与纹理带宽分别为和,为像素点的第个近邻像素点,为像素点的近邻像素点数量;
将位置向量归纳成空间域,采用MeanShift滤波操作,获取模态点,以此聚类相同模态点的全部像素点,获取低频、高频部分的特征聚集区,按照聚类结果计算每个聚类区的目标特征坐标距离及纹理距离后运算后续聚类的带宽,通过上式在纹理域实现MeanShift聚类,获取低频、高频分量的特征聚类区,根据区域合并准则实施区域合并;
所述区域合并准则如下:
S3.1:两个近邻聚类区的空间距离低于,两个聚类区合并;
S3.2:两个近邻聚类区的纹理距离低于,两个聚类区合并;
S3.3:将聚类区中最低像素设置为N,单区域像素数低于N,此区域被合并至近邻的剩余区域内,实现图像低频、高频分量的特征分割;
所述融合处理步骤中,融合低频分量时,将图像低频分量设为,需要融合的高频分量设为,将和实施融合操作,得到融合分量:
生成融合图像新的低频分量:
式中,为小波块标准差;
所述融合处理步骤中,融合高频分量时,
其中,为像素集;、为分别为经过小波分解获取的新的高频分量和方差。
2.根据权利要求1所述的图像通信方法,其特征在于:所述S1中经过解码器进行数字量转换后,获得一维离散信号。
3.根据权利要求2所述的图像通信方法,其特征在于:所述S2中,将一维离散信号划分成多个大小相等的子块,引入正交独立高斯分布矩阵,对子块进行变换,将图像的一维离散信号转换成二维图像块信号。
4.根据权利要求3所述的图像通信方法,其特征在于:所述S3中的图像压缩重建步骤如下:
基于压缩图像的二维图像信号建立图像块信号特征训练集,并根据分辨率分为高分辨率特征图像块和低分辨率特征图像块训练集,分别对高分辨率特征图像块和低分辨率特征图像块训练集进行分块匹配,并通过搜索窗口进行检索获取相似图像块,对相似图像块进行特征提取后再进行归一化处理,通过近邻搜索算法搜索近邻图像块,再对图像块进行线性重组获取重建的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310169200.9A CN115866151B (zh) | 2023-02-27 | 2023-02-27 | 一种图像通信方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310169200.9A CN115866151B (zh) | 2023-02-27 | 2023-02-27 | 一种图像通信方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115866151A CN115866151A (zh) | 2023-03-28 |
CN115866151B true CN115866151B (zh) | 2023-05-16 |
Family
ID=85659106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310169200.9A Active CN115866151B (zh) | 2023-02-27 | 2023-02-27 | 一种图像通信方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115866151B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504740A (zh) * | 2015-01-23 | 2015-04-08 | 天津大学 | 压缩感知框架下的图像融合方法 |
CN216748998U (zh) * | 2021-10-26 | 2022-06-14 | 上海市胸科医院 | 多人沉浸式支气管镜教学的处理系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102625124B (zh) * | 2012-03-05 | 2014-01-15 | 北京交通大学 | 一种立体编码、解码装置及系统 |
JP2016533839A (ja) * | 2013-09-05 | 2016-11-04 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 画像再構成のために空間適応的正則化を用いるmri |
US9971031B2 (en) * | 2015-01-23 | 2018-05-15 | Mitsubishi Electric Research Laboratories, Inc. | System and method for 3D imaging using compressive sensing with hyperplane multi-baseline data |
CN104822063B (zh) * | 2015-04-16 | 2017-09-15 | 长沙理工大学 | 一种基于字典学习残差重建的压缩感知视频重建方法 |
CN107071383A (zh) * | 2017-02-28 | 2017-08-18 | 北京大学深圳研究生院 | 基于图像局部分割的虚拟视点合成方法 |
-
2023
- 2023-02-27 CN CN202310169200.9A patent/CN115866151B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504740A (zh) * | 2015-01-23 | 2015-04-08 | 天津大学 | 压缩感知框架下的图像融合方法 |
CN216748998U (zh) * | 2021-10-26 | 2022-06-14 | 上海市胸科医院 | 多人沉浸式支气管镜教学的处理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115866151A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Deep learning-based image semantic coding for semantic communications | |
CN102186069B (zh) | 一种保持量测性能的遥感影像数据压缩方法 | |
US20120288015A1 (en) | Data pruning for video compression using example-based super-resolution | |
US20130182184A1 (en) | Video background inpainting | |
CN105323503B (zh) | 一种全景视频传输方法及系统 | |
Chen et al. | Naturalization module in neural networks for screen content image quality assessment | |
CN108447059B (zh) | 一种全参考光场图像质量评价方法 | |
US20200236401A1 (en) | Point cloud coding using homography transform | |
CN110415169B (zh) | 一种深度图超分辨率重建方法、系统及电子设备 | |
CN113096015B (zh) | 基于渐进式感知和超轻量级网络的图像超分辨率重建方法 | |
Xue et al. | Research on gan-based image super-resolution method | |
CN115866151B (zh) | 一种图像通信方法 | |
Xiang et al. | Remote sensing image compression based on high-frequency and low-frequency components | |
Liang et al. | Multi-scale and multi-patch transformer for sandstorm image enhancement | |
JP2013127718A (ja) | 超解像画像処理装置及び超解像画像処理用コードブック作成装置 | |
CN115620085A (zh) | 基于图像金字塔的神经辐射场快速优化方法 | |
WO2022120809A1 (zh) | 虚拟视点绘制、渲染、解码方法及装置、设备、存储介质 | |
CN114170082A (zh) | 视频播放、图像处理和模型训练方法、装置以及电子设备 | |
CN114663315A (zh) | 基于语义融合生成对抗网络的图像比特增强方法及装置 | |
Maugey et al. | Luminance coding in graph-based representation of multiview images | |
Peng et al. | CNN-based bit-depth enhancement by the suppression of false contour and color distortion | |
CN116723305B (zh) | 一种基于生成式对抗网络的虚拟视点质量增强方法 | |
Dul et al. | Object-aware Image Compression with Adversarial Learning | |
CN111127392A (zh) | 一种基于对抗生成网络的无参考图像质量评价方法 | |
Duan et al. | Content-aware deep perceptual image 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 |