CN116342721A - 图像压缩方法、装置、设备及存储介质 - Google Patents
图像压缩方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116342721A CN116342721A CN202310294838.5A CN202310294838A CN116342721A CN 116342721 A CN116342721 A CN 116342721A CN 202310294838 A CN202310294838 A CN 202310294838A CN 116342721 A CN116342721 A CN 116342721A
- Authority
- CN
- China
- Prior art keywords
- information
- image
- mask
- loss information
- map
- 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.)
- Pending
Links
- 238000007906 compression Methods 0.000 title claims abstract description 118
- 230000006835 compression Effects 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000005070 sampling Methods 0.000 claims description 39
- 238000009499 grossing Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 15
- 238000013441 quality evaluation Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 abstract description 12
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000033228 biological regulation Effects 0.000 description 4
- 238000001303 quality assessment method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding using neural networks
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本公开实施例提供了一种图像压缩方法、装置、设备及存储介质。包括:获取原始图像中像素点的第一梯度信息;根据所述第一梯度信息确定所述原始图像对应的掩码图;将所述掩码图和所述原始图像输入图像压缩模型中,输出目标图像;其中,所述图像压缩模型基于至少一种损失信息训练获得。本公开实施例提供的图像压缩方法,将原始图像对应的掩码图和原始图像输入图像压缩模型,以使得图像压缩模型基于掩码图对原始图像进行压缩,提高图像压缩的精度,且使得后续在对图像编码时,获得更小的码流,节省存储空间及传输带宽。
Description
技术领域
本公开实施例涉及图像处理技术领域,尤其涉及一种图像压缩方法、装置、设备及存储介质。
背景技术
图像压缩是数据压缩技术在数字图像上的应用,其主要是为了减少图像中的冗余信息,从而使得处理后的图像进行熵编码的时候能产生占用更小比特的码流,进而减少存储或者传输所产生的成本。
近年来,随着深度学习技术的飞速发展,如何利用深度神经网络提升压缩效率已然成为计算机视觉领域的热点研究问题。但是由于神经网络有着兼容性不足、计算资源要求高以及鲁棒性差等问题,使得任何一款基于深度学习图像编解码器不足以被推广应用,影响图像压缩的效果。
发明内容
本公开实施例提供一种图像压缩方法、装置、设备及存储介质,基于掩码图对图像进行压缩,提高图像压缩的精度。
第一方面,本公开实施例提供了一种图像压缩方法,包括:
获取原始图像中像素点的第一梯度信息;
根据所述第一梯度信息确定所述原始图像对应的掩码图;
将所述掩码图和所述原始图像输入图像压缩模型中,输出目标图像;其中,所述图像压缩模型基于至少一种损失信息训练获得。
第二方面,本公开实施例还提供了一种图像压缩装置,包括:
第一梯度信息获取模块,用于获取原始图像中像素点的第一梯度信息;
掩码图确定模块,用于根据所述第一梯度信息确定所述原始图像对应的掩码图;
图像压缩模块,用于将所述掩码图和所述原始图像输入图像压缩模型中,输出目标图像;其中,所述图像压缩模型基于至少一种损失信息训练获得:
第三方面,本公开实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本公开实施例所述的图像压缩方法。
第四方面,本公开实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例所述的图像压缩方法。
本公开实施例公开了一种图像压缩方法、装置、设备及存储介质。包括:获取原始图像中像素点的第一梯度信息;根据第一梯度信息确定原始图像对应的掩码图;将掩码图和原始图像输入图像压缩模型中,输出目标图像;其中,图像压缩模型基于至少一种损失信息训练获得。本公开实施例提供的图像压缩方法,将原始图像对应的掩码图和原始图像输入图像压缩模型,以使得图像压缩模型基于掩码图对原始图像进行压缩,提高图像压缩的精度,且使得后续在对图像编码时,获得更小的码流,节省存储空间及传输带宽。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1是本公开实施例所提供的一种图像压缩方法的流程示意图;
图2是本公开实施例所提供的一种掩码图的示例图;
图3是本公开实施例所提供的一种图像压缩模型的结构示意图;
图4是本公开实施例所提供的一种图像压缩装置的结构示意图;
图5是本公开实施例所提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
可以理解的是,在使用本公开各实施例公开的技术方案之前,均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如,在响应于接收到用户的主动请求时,向用户发送提示信息,以明确地提示用户,其请求执行的操作将需要获取和使用到用户的个人信息。从而,使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式,响应于接收到用户的主动请求,向用户发送提示信息的方式例如可以是弹窗的方式,弹窗中可以以文字的方式呈现提示信息。此外,弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是,上述通知和获取用户授权过程仅是示意性的,不对本公开的实现方式构成限定,其它满足相关法律法规的方式也可应用于本公开的实现方式中。
可以理解的是,本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
图1为本公开实施例所提供的一种图像压缩方法的流程示意图,本公开实施例适用于对编码前的图像进行压缩的情形,该方法可以由图像压缩方法装置来执行,该装置可以通过软件和/或硬件的形式实现,可选的,通过电子设备来实现,该电子设备可以是移动终端、PC端或服务器等。
如图1所示,所述方法包括:
S110,获取原始图像中像素点的第一梯度信息。
其中,原始图像可以是待压缩的图像,可以是终端设备实时采集的图像,或者本地存储的图像,此处对原始图像的来源不做限定。第一梯度信息表示像素点相对于其邻域像素点的像素值的变化率。具体的,获取原始图像中像素点的第一梯度信息的方式可以是:对于每个像素点,计算该像素点分别与其多个邻域像素点的像素值之间的偏差,然后将多个偏差的L1范数进行累加,获得该像素点的第一梯度信息。其中,邻域像素点可以理解为八邻域像素点。示例性的,假设X表示原始图像,则原始图像X的第一梯度信息的计算公式可以表示为:其中,Xi表示原始图像中第i个像素点,Xij表示第i个像素点的第j个邻域像素点,N(i)表示第i个像素点的邻域像素点集合。
S120,根据第一梯度信息确定原始图像对应的掩码图。
其中,掩码图可以理解为是一个值介于0到1之间的单通道张量,代表了图像中对应的高频信息保留程度,掩码中的像素点包含高频信息越多,其值越接近1。
具体的,根据第一梯度信息确定原始图像对应的掩码图的方式可以是:将第一梯度信息与设定阈值进行比较;若第一梯度信息大于设定阈值,则将第一梯度信息作为像素点在掩码图中的像素值;若第一梯度信息小于或等于设定阈值,则将设定值作为像素点在掩码图中的像素值。
其中,设定阈值越高,掩码保留的信息越少,最终压缩的图像经过编码后或获得更小的码流,但同时会损失更多的图像信息,因此,设定阈值可以根据实际的压缩需求进行设置。设定值为0。本实施例中,若第一梯度信息大于设定阈值,则直接将第一梯度信息作为像素点在掩码图中的像素值,若第一梯度信息小于或等于设定阈值,则将0作为像素点在掩码图中的像素值。示例性的,图2是本实施例中掩码图的示例图,如图2所示,左侧图为原始图像,中间图和右侧图为采用不同的设定阈值确定出的掩码图,掩码图中,黑色部分的像素点的像素值为0,白色部分的像素点的像素值为大于0的值,从图中可以看出,右侧的掩码图比中间的掩码图保留了更多的图像信息,则其采用的设定阈值较小。本实施例中,基于设定阈值和第一梯度信息确定原始图像的掩码图,可以提高掩码图的精度。
S130,将掩码图和原始图像输入图像压缩模型中,输出目标图像。
其中,图像压缩模型基于至少一种损失信息训练获得。图像压缩模型采用U型结构搭建,即采用UNet模型搭建,示例性的,图3是本实施例中的图像压缩模型的结构示意图。如图3所示,本实施例中的图像压缩模型采用了UNet-in-UNet的结构,对传统UNet中“跳跃链接”部分利用UNet进行再加工,使得每个“跳跃链接”部分中的子UNet中学习多尺度的残差信息,从而使模型更具表达能力。
本实施例中,将掩码图和原始图像输入图像压缩模型,使得图像压缩模型基于掩码图对原始图像进行压缩,获得压缩后的目标图像。
其中,所述损失信息包括如下至少一种:平滑损失信息、高频损失信息、对抗损失信息、图像质量损失信息、重建损失信息。
具体的,图像压缩模型的训练方式为:获取原始样本图的第二梯度信息;根据第二梯度信息确定原始样本图对应的掩码样本图;将掩码样本图和原始样本图输入图像压缩模型,输出目标样本图;基于原始样本图、第二梯度信息、掩码样本图及目标样本图中的至少一项确定至少一个损失信息;基于至少一个损失信息的加权求和结果对图像压缩模型进行训练。
其中,原始样本图可以理解为用于训练图像压缩模型的图像,在训练图像压缩模型时,需要收集大量的原始样本图。掩码样本图可以理解为原始样本图对应的掩码图。本实施例中,获取原始样本图的第二梯度信息的方式可以是:对于原始样本图中的每个像素点,计算该像素点分别与其多个邻域像素点的像素值之间的偏差,然后将多个偏差的L1范数进行累加,获得该像素点的第二梯度信息。示例性的,假设I表示目标样本图,则原始样本图I的第二梯度信息的计算公式可以表示为:其中,Ii表示原始样本图中第i个像素点,Iij表示第i个像素点的第j个邻域像素点,N(i)表示第i个像素点的邻域像素点集合。与上述实施例中获取原始图像中像素点的第一梯度信息的方式类似,此处不再赘述;根据第二梯度信息确定原始样本图对应的掩码样本图与上述实施例中根据第一梯度信息确定原始图像对应的掩码图的方式类似,此处不再赘述。基于原始样本图、第二梯度信息、掩码样本图及目标样本图中的至少一项确定至少一个损失信息可以理解为基于原始样本图、第二梯度信息、掩码样本图及目标样本图中的至少一项确定平滑损失信息、高频损失信息、对抗损失信息、图像质量损失信息、重建损失信息的至少一种。基于至少一种损失信息的加权求和结果对图像压缩模型进行训练的过程可以理解为:首先确定至少一种损失信息分别对应的权重,然后基于权重对至少一个损失信息的加权求和,利用加权求和结果对图像压缩模型进行反向传播调参,以实现对图像压缩模型的训练。本实施例中,基于至少一个损失信息的加权求和结果对图像压缩模型进行训练,可以提高图像压缩模型的精度。
可选的,基于原始样本图、第二梯度信息、掩码样本图及目标样本图中的至少一项确定平滑损失信息的过程可以是:确定目标样本图中像素点的第三梯度信息;将第三梯度信息与掩码样本图中对应的掩码信息进行融合,获得像素点的高频信息;基于高频掩码信息确定平滑损失信息。
其中,确定目标样本图中像素点的第三梯度信息的方式可以是:对于目标样本图中的每个像素点,计算该像素点分别与其多个邻域像素点的像素值之间的偏差,然后将多个偏差的L1范数进行累加,获得该像素点的第三梯度信息。示例性的,假设O表示目标样本图,则目标样本图O的第三梯度信息的计算公式可以表示为:其中,Oi表示目标样本图中第i个像素点,Oij表示第i个像素点的第j个邻域像素点,N(i)表示第i个像素点的邻域像素点集合。将第三梯度信息与掩码样本图中对应的掩码信息进行融合可以理解为:将第三梯度信息与掩码样本图中对应的掩码信息进行相乘,获得该像素点的高频信息。基于高频掩码信息确定平滑损失信息的方式可以是:将各像素点的高频掩码信息求取平均值,将高频掩码信息的平均值作为平滑损失信息。计算平滑损失信息的计算公式可以是:/>其中,Mi表示第i个像素点的掩码信息,N为像素点的数量。本实施例中,基于平滑损失信息对图像压缩模型进行训练,可以使得图像压缩模型压缩后的图像在编码的码流更小。
可选的,基于原始样本图、第二梯度信息、掩码样本图及目标样本图中的至少一项确定高频损失信息的方式可以是:确定第三梯度信息和第二梯度信息的偏差信息;将偏差信息与掩码样本图中对应的掩码信息进行融合,获得像素点的高频偏差信息;基于高频偏差掩码信息确定高频损失信息。
其中,确定第三梯度信息和第二梯度信息的偏差信息的过程可以是:将原始样本图中像素点的第二梯度信息和目标样本图中对应像素点的第三梯度信息作差,最后对作差结果求取L1范数,获得偏差信息。将偏差信息与掩码样本图中对应的掩码信息进行融合的方式可以是:将偏差信息与掩码样本图中对应像素点的掩码信息进行相乘,获得各像素点分别对应的高频偏差信息。基于高频偏差掩码信息确定高频损失信息的方式可以是:将各像素点的高频偏差掩码信息进行累加,获得高频损失信息。高频损失信息的计算公式可以表示为:其中,Mi表示第i个像素点的掩码信息,N为像素点的数量。本实施例中,基于高频损失信息对图像压缩模型进行训练,可以使得图像压缩模型在对图像压缩后保留更多的高频信息。
可选的,基于原始样本图、第二梯度信息、掩码样本图及目标样本图中的至少一项确定对抗损失信息的方式可以是:将原始样本图和目标样本图分别输入判别器,输出第一判别结果和第二判别结果;根据第一判别结果和第二判别结果更新判别器;将目标样本图输入更新后的判别器中,输出第三判别结果;根据第三判别结果确定对抗损失信息。
其中,判别器的输出表征目标样本图是否与原始样本图的相似度。根据第一判别结果和第二判别结果更新判别器可以理解为:对第一判别结果和第二判别结果分别经过对数运算后再进行数学期望的计算,最后将计算结果进行线性叠加,获得训练判别器的损失函数,基于该损失函数对判别器进行训练。判别器的算损失函数的计算公式可以表示为:LG=EI[logD(I)]+EO[log(1-D(O))],其中,D(I)为第一判别结果,D(O)表示第二判别结果。
其中,根据第三判别结果确定抗损失信息的方式可以是:对第三判别结果经过对数运算后再进行数学期望的计算,获得对抗损失信息。对抗损失信息的的计算公式可以是:L3=EO[logD'(O)],D'(O)表示将目标样本图输入更新后的判别器中,输出的第三判别结果。本实施例中,基于对抗损失信息对图像压缩模型进行训练,可以提高图像压缩模型的压缩精度。
可选的,基于原始样本图、第二梯度信息、掩码样本图及目标样本图中的至少一项确定图像质量损失信息的方式可以是:将目标样本图输入设定图像质量评估模型,输出图像质量评估信息;根据图像质量评估信息确定图像质量损失信息。
其中,设定图像质量评估模型可以是预先训练好的图像质量评估(Image QualityAssessment,IQA)模型,记为MIQA。根据图像质量评估信息确定图像质量损失信息可以理解为:对输入设定图像质量评估模型输出的图像质量评估信息取反,获得图像质量损失信息。其公式可以表示为:L4=-MIQA(O)。本实施例中,基于图像质量损失信息度图像压缩模型进行训练,可以提高经图像压缩模型压缩后的图像的质量。
可选的,基于原始样本图、第二梯度信息、掩码样本图及目标样本图中的至少一项确定重建损失信息的方式可以是:确定原始样本图和目标样本图之间的采样损失信息、特征损失信息及偏差损失信息;将采样损失信息、特征损失信息及偏差损失信息进行线性叠加,获得重建损失信息。
其中,采样损失信息可以理解为对原始样本图和目标样本图分别采样后的获得的图之间的偏差;特征损失信息可以理解为原始样本图和目标样本图特征间的误差;偏差损失信息可以理解为原始样本图和目标样本图像素值之间的误差。
具体的,确定原始样本图和目标样本图之间的采样损失信息、特征损失信息及偏差损失信息的方式可以是:分别对原始样本图和目标样本图进行采样,获得第一采样图和第二采样图;确定第一采样图和第二采样图间的偏差,将偏差作为采样损失信息;分别对原始样本图和目标样本图进行特征提取,获得第一特征图和第二特征图;确定第一特征图和第二特征图间的偏差,将偏差作为特征损失信息;确定原始样本图和目标样本图间的偏差,作为偏差损失信息。
其中,对原始样本图和目标样本图进行采样的方式可以是:利用采样矩阵分别与原始样本图和目标样本图进行卷积计算,获得第一采样图和第二采样图。确定第一采样图和第二采样图间的偏差,将偏差作为采样损失信息的过程可以是:首先计算第一采样图和第二采样图像素值的误差,然后取误差的L1范数,获得采样损失信息。采样损失信息的计算公式可以表示为:L51=|g*I-g*O|,其中,g为采样矩阵,g是仅中间位置的元素为1,其他元素均为0的矩阵,可以表示为:*为卷积运算。本实施例中,采样损失信息可以使得图像压缩模型保持图像色彩分布。
其中,对原始样本图和目标样本图进行特征提取的方式可以是:采用任意的特征提取模型对原始样本图和目标样本图进行特征提取,获得第一特征图和第二特征图。确定第一特征图和第二特征图间的偏差,将偏差作为特征损失信息的过程可以是:首先计算第一特征图和第二特征图的像素之间的误差,然后取该误差的L1范数,获得特征损失信息。特征损失信息的计算公式可以表示为:L52=|F(I)-F(O)|,F为特征提取函数。确定原始样本图和目标样本图间的偏差可以理解为:确定原始样本图和目标样本图的像素值间的误差,并对该误差取L1范数,获得偏差损失信息。偏差损失信息的计算公式为:L53=|I-O|。
具体的,将采样损失信息、特征损失信息及偏差损失信息进行线性叠加可以理解为:将采样损失信息、特征损失信息及偏差损失信息进行累加,从而获得重建损失信息。重建损失信息的计算公式可以表示为:L5=L51+L52+L53。本实施例中,基于重建损失信息对图像压缩模型训练,可以使得图像压缩模型在压缩图像时保持原图的分布。
具体的,基于至少一个损失信息的加权求和结果对所述图像压缩模型进行训练的过程可以是:对平滑损失信息、高频损失信息、对抗损失信息、图像质量损失信息、重建损失信息进行加权求和,基于加权求和结果对图像压缩模型进行反向传播调参。最终的损失信息可以表示为:L=W1·L1+W2·L2+W3·L3+W4·L4+W5·L5,其中,W1,W2,W3,W4,W5分别为平滑损失信息、高频损失信息、对抗损失信息、图像质量损失信息、重建损失信息的权重。
本公开实施例的技术方案,获取原始图像中像素点的第一梯度信息;根据第一梯度信息确定原始图像对应的掩码图;将掩码图和原始图像输入图像压缩模型中,输出目标图像;其中,图像压缩模型基于至少一种损失信息训练获得。本公开实施例提供的图像压缩方法,将原始图像对应的掩码图和原始图像输入图像压缩模型,以使得图像压缩模型基于掩码图对原始图像进行压缩,提高图像压缩的精度,且使得后续在对图像编码时,获得更小的码流,节省存储空间及传输带宽。
图4为本公开实施例所提供的一种图像压缩装置结构示意图,如图4所示,装置包括:
第一梯度信息获取模块410,用于获取原始图像中像素点的第一梯度信息;
掩码图确定模块420,用于根据第一梯度信息确定原始图像对应的掩码图;
图像压缩模块430,用于将掩码图和原始图像输入图像压缩模型中,输出目标图像;其中,图像压缩模型基于至少一种损失信息训练获得。
可选的,掩码图确定模块420,还用于:
将第一梯度信息与设定阈值进行比较;
若第一梯度信息大于设定阈值,则将第一梯度信息作为像素点在掩码图中的像素值;若第一梯度信息小于或等于设定阈值,则将设定值作为像素点在掩码图中的像素值。
可选的,损失信息包括如下至少一种:平滑损失信息、高频损失信息、对抗损失信息、图像质量损失信息、重建损失信息。
可选的,还包括:图像压缩模型训练模块,用于:
获取原始样本图的第二梯度信息;
根据第二梯度信息确定原始样本图对应的掩码样本图;
将掩码样本图和原始样本图输入图像压缩模型,输出目标样本图;
基于原始样本图、第二梯度信息、掩码样本图及目标样本图中的至少一项确定至少一个损失信息;
基于至少一个损失信息的加权求和结果对图像压缩模型进行训练。
可选的,图像压缩模型训练模块,还用于:
确定目标样本图中像素点的第三梯度信息;
将第三梯度信息与掩码样本图中对应的掩码信息进行融合,获得像素点的高频掩码信息;
基于高频掩码信息确定平滑损失信息。
可选的,图像压缩模型训练模块,还用于:
确定第三梯度信息和第二梯度信息的偏差信息;
将偏差信息与掩码样本图中对应的掩码信息进行融合,获得像素点的高频偏差信息;
基于高频偏差掩码信息确定高频损失信息。
可选的,图像压缩模型训练模块,还用于:
将原始样本图和目标样本图分别输入判别器,输出第一判别结果和第二判别结果;
根据第一判别结果和第二判别结果更新判别器;
将目标样本图输入更新后的判别器中,输出第三判别结果;
根据第三判别结果确定对抗损失信息。
可选的,图像压缩模型训练模块,还用于:
将目标样本图输入设定图像质量评估模型,输出图像质量评估信息;
根据图像质量评估信息确定图像质量损失信息。
可选的,图像压缩模型训练模块,还用于:
确定原始样本图和目标样本图之间的采样损失信息、特征损失信息及偏差损失信息;
将采样损失信息、特征损失信息及偏差损失信息进行线性叠加,获得重建损失信息。
可选的,图像压缩模型训练模块,还用于:
分别对原始样本图和目标样本图进行采样,获得第一采样图和第二采样图;
确定第一采样图和第二采样图间的偏差,将偏差作为采样损失信息;
分别对原始样本图和目标样本图进行特征提取,获得第一特征图和第二特征图;
确定第一特征图和第二特征图间的偏差,将偏差作为特征损失信息;
确定原始样本图和目标样本图间的偏差,作为偏差损失信息。
本公开实施例所提供的图像压缩装置可执行本公开任意实施例所提供的图像压缩方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本公开实施例的保护范围。
图5为本公开实施例所提供的一种电子设备的结构示意图。下面参考图5,其示出了适于用来实现本公开实施例的电子设备(例如图5中的终端设备或服务器)500的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。编辑/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开实施例的方法中限定的上述功能。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
本公开实施例提供的电子设备与上述实施例提供的图像压缩方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见上述实施例,并且本实施例与上述实施例具有相同的有益效果。
本公开实施例提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述实施例所提供的图像压缩方法。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取原始图像中像素点的第一梯度信息;根据所述第一梯度信息确定所述原始图像对应的掩码图;将所述掩码图和所述原始图像输入图像压缩模型中,输出目标图像;其中,所述图像压缩模型基于至少一种损失信息训练获得。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,提供了一种图像压缩方法,包括:
获取原始图像中像素点的第一梯度信息;
根据所述第一梯度信息确定所述原始图像对应的掩码图;
将所述掩码图和所述原始图像输入图像压缩模型中,输出目标图像;其中,所述图像压缩模型基于至少一种损失信息训练获得。
进一步地,根据所述第一梯度信息确定所述原始图像对应的掩码图,包括:
将所述第一梯度信息与设定阈值进行比较;
若所述第一梯度信息大于所述设定阈值,则将所述第一梯度信息作为所述像素点在掩码图中的像素值;若所述第一梯度信息小于或等于所述设定阈值,则将设定值作为所述像素点在所述掩码图中的像素值。
进一步地,所述损失信息包括如下至少一种:平滑损失信息、高频损失信息、对抗损失信息、图像质量损失信息、重建损失信息。
进一步地,所述图像压缩模型的训练方式为:
获取原始样本图的第二梯度信息;
根据所述第二梯度信息确定所述原始样本图对应的掩码样本图;
将所述掩码样本图和所述原始样本图输入所述图像压缩模型,输出目标样本图;
基于所述原始样本图、所述第二梯度信息、所述掩码样本图及所述目标样本图中的至少一项确定至少一个损失信息;
基于所述至少一个损失信息的加权求和结果对所述图像压缩模型进行训练。
进一步地,基于所述原始样本图、所述第二梯度信息、所述掩码样本图及所述目标样本图中的至少一项确定平滑损失信息,包括:
确定所述目标样本图中像素点的第三梯度信息;
将所述第三梯度信息与所述掩码样本图中对应的掩码信息进行融合,获得像素点的高频掩码信息;
基于所述高频掩码信息确定平滑损失信息。
进一步地,基于所述原始样本图、所述第二梯度信息、所述掩码样本图及所述目标样本图中的至少一项确定高频损失信息,包括:
确定所述第三梯度信息和所述第二梯度信息的偏差信息;
将所述偏差信息与所述掩码样本图中对应的掩码信息进行融合,获得像素点的高频偏差信息;
基于所述高频偏差掩码信息确定高频损失信息。
进一步地,基于所述原始样本图、所述第二梯度信息、所述掩码样本图及所述目标样本图中的至少一项确定对抗损失信息,包括:
将所述原始样本图和所述目标样本图分别输入判别器,输出第一判别结果和第二判别结果;
根据所述第一判别结果和所述第二判别结果更新所述判别器;
将所述目标样本图输入更新后的判别器中,输出第三判别结果;
根据所述第三判别结果确定对抗损失信息。
进一步地,基于所述原始样本图、所述第二梯度信息、所述掩码样本图及所述目标样本图中的至少一项确定图像质量损失信息,包括:
将所述目标样本图输入设定图像质量评估模型,输出图像质量评估信息;
根据所述图像质量评估信息确定图像质量损失信息。
进一步地,基于所述原始样本图、所述第二梯度信息、所述掩码样本图及所述目标样本图中的至少一项确定重建损失信息,包括:
确定所述原始样本图和所述目标样本图之间的采样损失信息、特征损失信息及偏差损失信息;
将所述采样损失信息、特征损失信息及偏差损失信息进行线性叠加,获得重建损失信息。
进一步地,确定所述原始样本图和所述目标样本图之间的采样损失信息、特征损失信息及偏差损失信息,包括:
分别对所述原始样本图和所述目标样本图进行采样,获得第一采样图和第二采样图;
确定所述第一采样图和所述第二采样图间的偏差,将所述偏差作为采样损失信息;
分别对所述原始样本图和所述目标样本图进行特征提取,获得第一特征图和第二特征图;
确定所述第一特征图和第二特征图间的偏差,将所述偏差作为特征损失信息;
确定所述原始样本图和所述目标样本图间的偏差,作为偏差损失信息。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (13)
1.一种图像压缩方法,其特征在于,包括:
获取原始图像中像素点的第一梯度信息;
根据所述第一梯度信息确定所述原始图像对应的掩码图;
将所述掩码图和所述原始图像输入图像压缩模型中,输出目标图像;其中,所述图像压缩模型基于至少一种损失信息训练获得。
2.根据权利要求1所述的方法,其特征在于,根据所述第一梯度信息确定所述原始图像对应的掩码图,包括:
将所述第一梯度信息与设定阈值进行比较;
若所述第一梯度信息大于所述设定阈值,则将所述第一梯度信息作为所述像素点在掩码图中的像素值;若所述第一梯度信息小于或等于所述设定阈值,则将设定值作为所述像素点在所述掩码图中的像素值。
3.根据权利要求1所述的方法,其特征在于,所述损失信息包括如下至少一种:平滑损失信息、高频损失信息、对抗损失信息、图像质量损失信息、重建损失信息。
4.根据权利要求3所述的方法,其特征在于,所述图像压缩模型的训练方式为:
获取原始样本图的第二梯度信息;
根据所述第二梯度信息确定所述原始样本图对应的掩码样本图;
将所述掩码样本图和所述原始样本图输入所述图像压缩模型,输出目标样本图;
基于所述原始样本图、所述第二梯度信息、所述掩码样本图及所述目标样本图中的至少一项确定至少一个损失信息;
基于所述至少一个损失信息的加权求和结果对所述图像压缩模型进行训练。
5.根据权利要求4所述的方法,其特征在于,基于所述原始样本图、所述第二梯度信息、所述掩码样本图及所述目标样本图中的至少一项确定平滑损失信息,包括:
确定所述目标样本图中像素点的第三梯度信息;
将所述第三梯度信息与所述掩码样本图中对应的掩码信息进行融合,获得像素点的高频掩码信息;
基于所述高频掩码信息确定平滑损失信息。
6.根据权利要求5所述的方法,其特征在于,基于所述原始样本图、所述第二梯度信息、所述掩码样本图及所述目标样本图中的至少一项确定高频损失信息,包括:
确定所述第三梯度信息和所述第二梯度信息的偏差信息;
将所述偏差信息与所述掩码样本图中对应的掩码信息进行融合,获得像素点的高频偏差信息;
基于所述高频偏差掩码信息确定高频损失信息。
7.根据权利要求4所述的方法,其特征在于,基于所述原始样本图、所述第二梯度信息、所述掩码样本图及所述目标样本图中的至少一项确定对抗损失信息,包括:
将所述原始样本图和所述目标样本图分别输入判别器,输出第一判别结果和第二判别结果;
根据所述第一判别结果和所述第二判别结果更新所述判别器;
将所述目标样本图输入更新后的判别器中,输出第三判别结果;
根据所述第三判别结果确定对抗损失信息。
8.根据权利要求4所述的方法,其特征在于,基于所述原始样本图、所述第二梯度信息、所述掩码样本图及所述目标样本图中的至少一项确定图像质量损失信息,包括:
将所述目标样本图输入设定图像质量评估模型,输出图像质量评估信息;
根据所述图像质量评估信息确定图像质量损失信息。
9.根据权利要求4所述的方法,其特征在于,基于所述原始样本图、所述第二梯度信息、所述掩码样本图及所述目标样本图中的至少一项确定重建损失信息,包括:
确定所述原始样本图和所述目标样本图之间的采样损失信息、特征损失信息及偏差损失信息;
将所述采样损失信息、特征损失信息及偏差损失信息进行线性叠加,获得重建损失信息。
10.根据权利要求9所述的方法,其特征在于,确定所述原始样本图和所述目标样本图之间的采样损失信息、特征损失信息及偏差损失信息,包括:
分别对所述原始样本图和所述目标样本图进行采样,获得第一采样图和第二采样图;
确定所述第一采样图和所述第二采样图间的偏差,将所述偏差作为采样损失信息;
分别对所述原始样本图和所述目标样本图进行特征提取,获得第一特征图和第二特征图;
确定所述第一特征图和第二特征图间的偏差,将所述偏差作为特征损失信息;
确定所述原始样本图和所述目标样本图间的偏差,作为偏差损失信息。
11.一种图像压缩装置,其特征在于,包括:
第一梯度信息获取模块,用于获取原始图像中像素点的第一梯度信息;
掩码图确定模块,用于根据所述第一梯度信息确定所述原始图像对应的掩码图;
图像压缩模块,用于将所述掩码图和所述原始图像输入图像压缩模型中,输出目标图像;其中,所述图像压缩模型基于至少一种损失信息训练获得。
12.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-10中任一所述的图像压缩方法。
13.一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-10中任一所述的图像压缩方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310294838.5A CN116342721A (zh) | 2023-03-23 | 2023-03-23 | 图像压缩方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310294838.5A CN116342721A (zh) | 2023-03-23 | 2023-03-23 | 图像压缩方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116342721A true CN116342721A (zh) | 2023-06-27 |
Family
ID=86878433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310294838.5A Pending CN116342721A (zh) | 2023-03-23 | 2023-03-23 | 图像压缩方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116342721A (zh) |
-
2023
- 2023-03-23 CN CN202310294838.5A patent/CN116342721A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110413812B (zh) | 神经网络模型的训练方法、装置、电子设备及存储介质 | |
CN112668588B (zh) | 车位信息生成方法、装置、设备和计算机可读介质 | |
CN110555861B (zh) | 光流计算方法、装置及电子设备 | |
WO2022012178A1 (zh) | 用于生成目标函数的方法、装置、电子设备和计算机可读介质 | |
CN117541511A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN112561779B (zh) | 图像风格化处理方法、装置、设备及存储介质 | |
CN117241092A (zh) | 一种视频处理方法、装置、存储介质及电子设备 | |
CN110378936B (zh) | 光流计算方法、装置及电子设备 | |
CN115937020B (zh) | 图像处理方法、装置、设备、介质和程序产品 | |
CN110717467A (zh) | 头部姿势的估计方法、装置、设备及存储介质 | |
CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN116342721A (zh) | 图像压缩方法、装置、设备及存储介质 | |
CN111737575B (zh) | 内容分发方法、装置、可读介质及电子设备 | |
CN112712070A (zh) | 一种珠算题的判题方法、装置、电子设备及存储介质 | |
CN111814807B (zh) | 用于处理图像的方法、装置、电子设备和计算机可读介质 | |
CN116342451A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN112418233B (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN113808050B (zh) | 3d点云的去噪方法、装置、设备及存储介质 | |
CN112488943B (zh) | 模型训练和图像去雾方法、装置、设备 | |
CN114693814B (zh) | 模型的解码方法、文本识别方法、装置、介质及设备 | |
CN112561778B (zh) | 图像风格化处理方法、装置、设备及存储介质 | |
CN114359673B (zh) | 基于度量学习的小样本烟雾检测方法、装置和设备 | |
CN116167433A (zh) | 用于训练图像特征提取模型的方法、图像识别方法及介质 | |
CN116188371A (zh) | 绝缘子维修设备控制方法、装置、电子设备和介质 | |
CN117217294A (zh) | 一种模型的训练方法、图像处理方法、装置、介质及设备 |
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 |