CN116939226A - 一种面向低码率图像压缩的生成式残差修复方法及装置 - Google Patents
一种面向低码率图像压缩的生成式残差修复方法及装置 Download PDFInfo
- Publication number
- CN116939226A CN116939226A CN202310702149.3A CN202310702149A CN116939226A CN 116939226 A CN116939226 A CN 116939226A CN 202310702149 A CN202310702149 A CN 202310702149A CN 116939226 A CN116939226 A CN 116939226A
- Authority
- CN
- China
- Prior art keywords
- image
- residual error
- vector
- compressed
- generated
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000006835 compression Effects 0.000 claims abstract description 29
- 238000007906 compression Methods 0.000 claims abstract description 29
- 230000008439 repair process Effects 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 53
- 238000013139 quantization Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 230000004913 activation Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000001131 transforming effect Effects 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
- H04N19/85—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression
-
- 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
-
- 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
- H04N19/124—Quantisation
-
- 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
- H04N19/13—Adaptive entropy coding, e.g. adaptive variable length coding [AVLC] or context adaptive binary arithmetic coding [CABAC]
-
- 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
- H04N19/30—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using hierarchical techniques, e.g. scalability
- H04N19/34—Scalability techniques involving progressive bit-plane based encoding of the enhancement layer, e.g. fine granular scalability [FGS]
-
- 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
- H04N19/30—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using hierarchical techniques, e.g. scalability
- H04N19/36—Scalability techniques involving formatting the layers as a function of picture distortion after decoding, e.g. signal-to-noise [SNR] scalability
-
- 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
- H04N19/65—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using error resilience
-
- 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)
- Multimedia (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明提出一种面向低码率图像压缩的生成式残差修复方法及装置。该方法包括以下步骤：S1，通过一个端到端的智能图像编码系统得到在低码率时平滑且缺失高频信息的压缩图像；S2，使用生成式残差修复网络对压缩图像与原始图像的残差进行编码，并将解码得到的残差加回到压缩图像上得到重建图像；S3，引入判别器，使用生成对抗网络损失函数对生成式残差修复网络进行优化。本发明实现了更好的主观质量效果。
Description
技术领域
本发明涉及图像编码领域，特别涉及一种面向低码率图像压缩的生成式残差修复方法。
背景技术
有损压缩的目的是大幅减少数据量，同时保持一定的保真度，通过这种方式保证高效的存储和传输，因此有损图像压缩在有效管理互联网上爆炸性增长的图像方面起着关键作用。至今经典的图像压缩标准已经被专门开发并大量应用于实际应用，包括JPEG、WebP、BPG，以及最新的Versatile Video Coding(VVC)。而伴随着深度学习技术的精进，智能图像编码系统以卓越的压缩效率取得了令人欣喜的成绩。
但是在实践中，有损压缩不可避免地降低了图像重建的质量，而且随着压缩率的增加，质量急剧恶化，明显呈现出阻塞、带状和/或模糊的伪影。尽管最近的智能图像编码系统在一定程度上改善了图像质量，但是在低比特率下，由于高频分量的损失，特别是对于均方误差损失训练的模型，仍然会出现过度平滑和模糊的失真。
为了提高低比特率下压缩图像的质量，有工作表明使用基于生成对抗网络的损失来训练可以很大程度上保留高频信息，产生视觉上令人愉悦的重建。然而，用于监督图像像素重建的生成对抗损失常常导致假的纹理。
发明内容
本发明从一个新的角度来应对提高低比特率下压缩图像的质量这一挑战。与现有的生成性图像压缩方法不同的是，本发明提出在智能图像编码系统解码后的图像和未压缩的输入之间生成适当的剩余信号，以最好地恢复原始输入。本发明使用向量量化来处理上述的残差，进行高频信息补偿。为此，本发明学习了一个离散矢量码本，以最佳方式表示输入的残差。此外，本发明还加入了对抗性训练技术，以对模型进行微调，使其具有更好的感知质量。
为达到上述目的，本发明采用的技术方案为：
一种面向低码率图像压缩的生成式残差修复方法，该方法包括以下步骤：
S1，通过一个端到端的智能图像编码系统得到在低码率时平滑且缺失高频信息的压缩图像；
S2，使用生成式残差修复网络对压缩图像与原始图像的残差进行编码，并将解码得到的残差加回到所述压缩图像上得到重建图像；
S3，引入判别器，使用生成对抗网络损失函数对生成式残差修复网络进行优化。
进一步地，步骤S2中，所述生成式残差修复网络的具体处理步骤包括：
S21，将智能图像编码系统的输出图像与原始图像相拼接，并送入编码器对其进行非线性变换和降维得到中间向量；
S22，随机初始化一个码本，通过最邻近搜索将中间向量映射为码本中的一个向量，在训练的过程中不断更新码本使得码本中的向量与中间向量的欧式距离达到最小，并对该向量在码本中的索引进行编码得到码流；
S23，在解码端解析码流得到索引，并根据索引值查找码本得到对应的向量，替代成为解码端对应位置的向量。
进一步地，所述步骤S3具体包括：
S31，将步骤S2经过生成式残差修复网络后的残差图像与步骤S1的压缩图像相加得到重建图像，然后将重建图像与原始图像一起送入判别器中进行鉴别；
S32，使用生成对抗网络损失函数监督判别器参数的训练，对生成式残差修复网络进行优化，以产生更好的主观重建结果。
本发明还提供一种面向低码率图像压缩的生成式残差修复装置，该装置包括如下模块：
智能图像编码，用于获得低码率下平滑且缺失高频信息的压缩图像；
生成式残差修复模块，用于获得压缩图像和原始图像所缺失的纹理细节；
残差向量量化模块，用于将压缩图像和原始图像在通道维度进行拼接，得到重建图像。
进一步地，所述生成式残差修复模块包括基础层和增强层；
在基础层中，原始图像经过编码器被提取为高维的图像特征，然后经过量化器对编码器输出的特征向量进行数值量化和类型转换；量化后的特征会进入熵编/解码器对其进行无损编码，在熵模型的监督下去除编码冗余；最后经过解码器对存储着原始图像信息的压缩向量进行升维和非线性变换，最终输出压缩图像；
在增强层中，压缩图像和原始图像在通道维度进行拼接后通过残差向量量化模块得到压缩后的残差，并将其与基础层得到的残差进行相加构成重建图像。
进一步地，所述残差向量量化模块包括编码器、向量量化模块和生成器；编码器将智能图像编码系统的输出图像与原始图像相拼接并进行非线性变换，提取出高维的图像特征，再经过向量量化模块对图像特征进行量化，量化后的特征进入熵编/解码器对其进行无损编码，最后经过生成器对压缩图像进行进一步的恢复。
本发明的创新点以及优点在于：
(1)本发明提出了一个新的观点，即用分层的方法生成压缩图像，以便在低比特率下仍然能进行在保真度和感知度上都令人愉悦的重建。与以前的工作不同，本发明考虑了一种两层的方法，其中基础层使用现有的智能图像编码系统，而增强层通过使用可学习的码本中的离散向量代表基础层的粗略重建和未压缩输入之间的原始残差，来描述高频信息的细化。
(2)本发明在CLIC2020和Kodak等自然场景数据集以及CelebA等人脸数据集上进行了大量实验。结果显示，本发明在使用FID(Fréchet Inception Distance)和LPIPS(Learned Perceptual Image Patch Similarity)等感知指标衡量时表现出了有竞争力的性能，超过了当前最好的生成图像压缩方法。
(3)本发明方法是一个即插即用的方案，并可推广到大多数智能图像编码系统中，而且对低比特率下的不同压缩退化表现出强大的鲁棒性，无需重新训练。
附图说明
图1为本发明方法的系统结构框图；
图2为本发明实施例中生成式残差修复网络的流程图；
图3为本发明实施例中残差向量量化模块的算法流程图；
图4为本发明实施例中生成器中注意力模块和残差模块的具体结构图；
图5为本发明实施例中重建图像与传统压缩方法BPG和最先进的生成图像压缩方法HiFiC的对比图。
具体实施方式
下面参照附图详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
参照图1所示，输入的原始图像首先经过一个智能图像编码系统获得在低码率(通常情况下码率小于0.2bpp认为是低码率)时平滑且缺失高频信息的压缩图像；其次，压缩图像和原始图像拼接后送入生成式残差修复网络从而得到之前缺失的纹理细节；最后将纹理细节重新加回到压缩图像上得到最终的重建图像。主流的智能图像编码系统主要由编码器和解码器组成，与传统编码方式类似，其过程也可以被分为变换、量化、熵编码三个步骤。对于变换步骤，智能图像编码系统采用了深度神经网络将图像从像素域变换到特征域，以去除图像的像素冗余。对于量化步骤，绝大部分智能图像编码都采用了标量量化，并将深度神经网络输出的浮点数采用四舍五入的方式量化成整型数以便后续进行熵编码。智能图像编码系统大多采用算数编码作为熵编码方案，但其对变换域符号概率估计的方式有所不同，有采用可学习的固定概率分布对符号进行概率估计，也有使用超先验模型和自回归上下文模型等方式来进一步提升图像压缩性能。
参照图2所示，是生成式残差修复网络的具体结构图。主要分为基础层和增强层。在基础层中，原始图像经过由卷积层、归一化层和激活层组成的编码器被提取为高维的图像特征，然后经过量化器对编码器输出的特征向量进行数值量化和类型转换。量化后的特征会进入熵编/解码器对其进行无损编码，在熵模型的监督下去除编码冗余。最后经过同样由卷积层、归一化层和激活层组成的解码器对存储着原始图像信息的压缩向量进行升维和非线性变换，最终输出压缩图像。在增强层中，压缩图像和原始图像在通道维度进行拼接后，一起通过残差向量量化模块得到压缩后的残差，并将其与基础层得到的残差进行相加构成重建图像。为了更好的提升图像的主观质量效果，本发明引入判别器来生成尽可能真实的图像。在本发明中真实图像是输入图像，虚假图像是重建图像，生成器(残差向量量化模块中的结构)和判别器之间进行对抗训练，判别器的目标是尽可能准确地区分真实图像和虚假图像，而生成器的目标是尽可能生成能够骗过判别器的逼真图像。这种对抗训练机制促使生成器和判别器相互竞争和提升，最终达到生成高质量样本的目标。
参照图3所示，残差向量量化模块用于增加高频细节，具体的实现方法如下：
首先，原始图像和压缩图像的拼接图像经过编码器的非线性变换得到编码向量其中h和w分别对应原始图像经过四次下采样后的高和宽，d是向量维度。编码器主要包含四个尺度为2的下采样卷积层，每一个卷积层后都与通道归一化层和激活函数层相连接。其次会初始化一个符合高斯分布的长度为L，维度为d的码本/>其中ck是码本向量，l是码本向量的个数，/>是实数集合。通过最近邻搜索算法来计算每一个编码向量与码本中所有向量欧氏距离，并选取距离最近的码本向量来替代成为解码向量Zq，其中q表示量化，(i,j)代表位置为第i行第j列的像素，用公式表达为：
在训练的过程中会不断更新码本中的向量，并对该向量在码本中的索引进行编码得到码流。因为码本在编码端和解码端是共享的，所以在解码端解析码流得到索引后，就可以根据索引值查找码本得到对应的解码向量Zq，解码向量会被送入生成器中以生成重建图像。生成器主要由一个注意力机制模块、五个残差模块和四个尺度为2的上采样卷积层组成。注意力机制模块的具体可以参考图4。
参照图4所示，是生成器中注意力机制模块和残差模块的具体结构。注意力机制模块包含三路并行的残差块，其中注意力机制模块中的激活函数是Sigmoid激活函数，残差模块中的激活函数是LeakyReLU激活函数。
参照图5所示，是为本发明方法的重建图像与使用了HEVC编码标准(HighEfficiency Video Coding)的传统压缩方法BPG(Fabrice Bellard.2014.BPG imageformat.https://bellard.org/bpg)和最先进的生成图像压缩方法HiFiC(FabianMentzer,George D Toderici,Michael Tschannen,and EirikurAgustsson.2020.High-fidelity generative image compression.Advances in Neural InformationProcessing Systems 33(2020),11913–11924)的主观质量对比图，其中剪裁图像下的注释表示整个图像的bpp/PSNR(dB)/MS-SSIM。可以看到，在文字纹理、车轮细节以及衣服条纹等细节上本发明方法的重建效果更好。
本发明提出了一种生成式残差修复方法，用于恢复现有的智能图像编码系统在低比特率下缺失的高频细节。本发明使用一个由离散矢量码字组成的可学习的码本，通过生成式对抗训练成功地紧凑地表示了高频残差。本发明在生成式图像压缩方面表现出令人信服和稳健的性能，并如表1所示，在码率为0.134bpp时在多个指标(如FID、LPIPS、PSNR和MS-SSIM)上定量地超过了最先进的生成图像压缩模型，明显改善了感知质量。此外，本发明可以轻松推广到其他流行的图像压缩模型，无需重新训练，在实践中可以即插即用。
表1本发明与HiFiC方法的客观指标的定量对比
| FID↓ | LPIPS↓ | MS-SSIM↑ | PSNR↑ | |
| HiFiC | 20.758 | 0.094 | 0.929 | 27.511 |
| 本发明方法 | 20.243 | 0.091 | 0.932 | 27.874 |
Claims (7)
1.一种面向低码率图像压缩的生成式残差修复方法，其特征在于，该方法包括以下步骤：
S1，通过一个端到端的智能图像编码系统得到在低码率时平滑且缺失高频信息的压缩图像；
S2，使用生成式残差修复网络对压缩图像与原始图像的残差进行编码，并将解码得到的残差加回到所述压缩图像上得到重建图像；
S3，引入判别器，使用生成对抗网络损失函数对生成式残差修复网络进行优化。
2.根据权利要求1所述的一种面向低码率图像压缩的生成式残差修复方法，其特征在于，步骤S2中，所述生成式残差修复网络的具体处理步骤包括：
S21，将智能图像编码系统的输出图像与原始图像相拼接，并送入编码器对其进行非线性变换和降维得到中间向量；
S22，随机初始化一个码本，通过最邻近搜索将中间向量映射为码本中的一个向量，在训练的过程中不断更新码本使得码本中的向量与中间向量的欧式距离达到最小，并对该向量在码本中的索引进行编码得到码流；
S23，在解码端解析码流得到索引，并根据索引值查找码本得到对应的向量，替代成为解码端对应位置的向量。
3.根据权利要求1所述的一种面向低码率图像压缩的生成式残差修复方法，其特征在于，所述步骤S3具体包括：
S31，将步骤S2经过生成式残差修复网络后的残差图像与步骤S1的压缩图像相加得到重建图像，然后将重建图像与原始图像一起送入判别器中进行鉴别；
S32，使用生成对抗网络损失函数监督判别器参数的训练，对生成式残差修复网络进行优化，以产生更好的主观重建结果。
4.一种面向低码率图像压缩的生成式残差修复装置，其特征在于，该装置包括如下模块：
智能图像编码，用于获得低码率下平滑且缺失高频信息的压缩图像；
生成式残差修复模块，用于获得压缩图像和原始图像所缺失的纹理细节；
残差向量量化模块，用于将压缩图像和原始图像在通道维度进行拼接，得到重建图像。
5.根据权利要求4所述的一种面向低码率图像压缩的生成式残差修复装置，其特征在于，所述生成式残差修复模块包括基础层和增强层；
在基础层中，原始图像经过编码器被提取为高维的图像特征，然后经过量化器对编码器输出的特征向量进行数值量化和类型转换；量化后的特征会进入熵编/解码器对其进行无损编码，在熵模型的监督下去除编码冗余；最后经过解码器对存储着原始图像信息的压缩向量进行升维和非线性变换，最终输出压缩图像；
在增强层中，压缩图像和原始图像在通道维度进行拼接后通过残差向量量化模块得到压缩后的残差，并将其与基础层得到的残差进行相加构成重建图像。
6.根据权利要求4所述的一种面向低码率图像压缩的生成式残差修复装置，其特征在于，所述残差向量量化模块包括编码器、向量量化模块和生成器；
编码器将智能图像编码系统的输出图像与原始图像相拼接并进行非线性变换，提取出高维的图像特征，再经过向量量化模块对图像特征进行量化，量化后的特征进入熵编/解码器对其进行无损编码，最后经过生成器对压缩图像进行进一步的恢复。
7.根据权利要求6所述的一种面向低码率图像压缩的生成式残差修复装置，其特征在于，所述生成器包括一个注意力机制模块、五个残差模块和四个尺度为2的上采样卷积层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310702149.3A CN116939226A (zh) | 2023-06-14 | 2023-06-14 | 一种面向低码率图像压缩的生成式残差修复方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310702149.3A CN116939226A (zh) | 2023-06-14 | 2023-06-14 | 一种面向低码率图像压缩的生成式残差修复方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116939226A true CN116939226A (zh) | 2023-10-24 |
Family
ID=88383448
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310702149.3A Pending CN116939226A (zh) | 2023-06-14 | 2023-06-14 | 一种面向低码率图像压缩的生成式残差修复方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116939226A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117422855A (zh) * | 2023-12-19 | 2024-01-19 | 浙江省北大信息技术高等研究院 | 面向机器视觉的图像预处理方法、装置、设备及存储介质 |
| CN117459727A (zh) * | 2023-12-22 | 2024-01-26 | 浙江省北大信息技术高等研究院 | 一种图像处理方法、装置、系统、电子设备及存储介质 |
| CN117812263A (zh) * | 2024-03-01 | 2024-04-02 | 博云视觉（北京）科技有限公司 | 内存轻量级的多阶段向量乘积量化系统和方法 |
-
2023
- 2023-06-14 CN CN202310702149.3A patent/CN116939226A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117422855A (zh) * | 2023-12-19 | 2024-01-19 | 浙江省北大信息技术高等研究院 | 面向机器视觉的图像预处理方法、装置、设备及存储介质 |
| CN117422855B (zh) * | 2023-12-19 | 2024-05-03 | 浙江省北大信息技术高等研究院 | 面向机器视觉的图像预处理方法、装置、设备及存储介质 |
| CN117459727A (zh) * | 2023-12-22 | 2024-01-26 | 浙江省北大信息技术高等研究院 | 一种图像处理方法、装置、系统、电子设备及存储介质 |
| CN117459727B (zh) * | 2023-12-22 | 2024-05-03 | 浙江省北大信息技术高等研究院 | 一种图像处理方法、装置、系统、电子设备及存储介质 |
| CN117812263A (zh) * | 2024-03-01 | 2024-04-02 | 博云视觉（北京）科技有限公司 | 内存轻量级的多阶段向量乘积量化系统和方法 |
| CN117812263B (zh) * | 2024-03-01 | 2024-05-07 | 博云视觉（北京）科技有限公司 | 内存轻量级的多阶段向量乘积量化系统和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116939226A (zh) | 一种面向低码率图像压缩的生成式残差修复方法及装置 | |
| CN111641832B (zh) | 编码方法、解码方法、装置、电子设备及存储介质 | |
| US8223837B2 (en) | Learning-based image compression | |
| CN105430416B (zh) | 一种基于自适应稀疏域编码的指纹图像压缩方法 | |
| CN110248190B (zh) | 一种基于压缩感知的多层残差系数图像编码方法 | |
| CN112866694A (zh) | 联合非对称卷积块和条件上下文的智能图像压缩优化方法 | |
| CN114449276B (zh) | 一种基于学习的超先验边信息补偿图像压缩方法 | |
| CN113747163B (zh) | 基于上下文重组建模的图像编码、解码方法及压缩方法 | |
| Yang et al. | Huffman-code strategies to improve MFCVQ-based reversible data hiding for VQ indexes | |
| CN112702600B (zh) | 一种图像编解码神经网络分层定点化方法 | |
| Lee et al. | Information hiding based on block match coding for vector quantization-compressed images | |
| Garg et al. | Analysis of different image compression techniques: a review | |
| Shah et al. | Vector quantization with codebook and index compression | |
| CN115941950A (zh) | 编码方法、解码方法、编码设备以及解码设备 | |
| Akbari et al. | Downsampling based image coding using dual dictionary learning and sparse representations | |
| Sebai | Multi-rate deep semantic image compression with quantized modulated autoencoder | |
| Chang et al. | A Reversible Data Hiding Method for SMVQ Indices Based on Improved Locally Adaptive Coding. | |
| Mishra et al. | An improved SVD based image compression | |
| Somasundaram et al. | A pattern-based residual vector quantization (PBRVQ) algorithm for compressing images | |
| Wang et al. | Enhanced Residual SwinV2 Transformer for Learned Image Compression | |
| Hwang et al. | Human visual system weighted progressive image transmission using lapped orthogonal transform/classified vector quantization | |
| CN117915107B (zh) | 图像压缩系统、图像压缩方法、存储介质与芯片 | |
| CN114882133B (zh) | 一种图像编解码方法、系统、设备及介质 | |
| Garg et al. | Various Image Compression Techniques: A Review. | |
| CN110087073B (zh) | 一种多阈值串匹配数据压缩方法 |
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 |