CN117237259B - 基于多模态融合的压缩视频质量增强方法及装置 - Google Patents
基于多模态融合的压缩视频质量增强方法及装置 Download PDFInfo
- Publication number
- CN117237259B CN117237259B CN202311510614.XA CN202311510614A CN117237259B CN 117237259 B CN117237259 B CN 117237259B CN 202311510614 A CN202311510614 A CN 202311510614A CN 117237259 B CN117237259 B CN 117237259B
- Authority
- CN
- China
- Prior art keywords
- features
- layer
- convolution layer
- mode
- texture
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000003287 optical effect Effects 0.000 claims abstract description 46
- 238000010586 diagram Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000004913 activation Effects 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 15
- 230000006870 function Effects 0.000 description 36
- 238000004891 communication Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 4
- 238000013139 quantization Methods 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
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
- 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
- Image Processing (AREA)
Abstract
本发明公开了一种基于多模态融合的压缩视频质量增强方法及装置,涉及图像处理领域,该方法包括:获取图像帧及其对应的光流图和纹理图并分别进行特征提取,得到图像特征、光流特征和纹理特征;构建压缩视频质量增强模型并训练,得到经训练的压缩视频质量增强模型;将图像特征、光流特征和纹理特征输入经训练的压缩视频质量增强模型,图像特征、光流特征和纹理特征输入多模态一致性单元,自适应调整三种模态信息的分布,得到第一特征、第二特征和第三特征并输入多模态融合单元以进行特征融合,得到融合特征并输入多模态重构单元,得到重构信息,将重构信息与图像帧相加,得到增强的视频帧,解决单模态图像难以有效改善最终重建视频的质量的问题。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种基于多模态融合的压缩视频质量增强方法及装置。
背景技术
当今,视频内容已经占据了数字网络流量的主要份额,并且持续不断增长。为了在有限的带宽下传输视频,必须对视频进行压缩,以显著减少比特率。然而,目前主流的压缩方法,如H.264/AVC和H.265/HEVC,在视频压缩过程中常常引入各种伪影,特别是在低比特率情况下,这些伪影对人们的视觉体验以及一些图像处理任务产生了极大的负面影响,如图像识别和目标检测等。因此,迫切需要对压缩后的视频内容进行进一步的优化和增强。
视频编解码标准中,处理编解码过程中信息丢失的主要方法是环路滤波处理。然而,传统的环路滤波处理受到计算复杂度的限制,无法有效改善最终重建视频的质量。近年来,人们在不修改编解码框架的前提下,采用基于深度学习的后处理技术来提升解压后的低质量视频的质量。现有的基于深度学习的增强方法都依赖于单一的模态,通常是图像。然而,在充分捕捉视频信息方面,基于图像的单一模态增强方法面临挑战,尤其是在视频中存在复杂的运动和视角变化的情况下。具体来说,在高速体育赛事中,图像可能会出现模糊,而摄像机的旋转或变焦会导致帧之间的视角变化,这给单一图像模态方法的处理带来了极大挑战。因此,如何用多模态之间的互补优势来设计压缩视频增强网络具有重要意义和应用价值。
发明内容
针对上述提到的技术问题。本申请的实施例的目的在于提出了一种基于多模态融合的压缩视频质量增强方法及装置,来解决以上背景技术部分提到的技术问题。
第一方面,本发明提供了一种基于多模态融合的压缩视频质量增强方法,包括以下步骤:
获取待重建视频的图像帧及其对应的光流图和纹理图,对图像帧、光流图和纹理图分别进行特征提取,得到图像特征、光流特征和纹理特征;
构建压缩视频质量增强模型并训练,得到经训练的压缩视频质量增强模型,压缩视频质量增强模型包括依次连接的多模态一致性单元、多模态融合单元、多模态重构单元;
将图像特征、光流特征和纹理特征输入经训练的压缩视频质量增强模型,图像特征、光流特征和纹理特征输入多模态一致性单元,自适应调整三种模态信息的分布,得到第一特征、第二特征和第三特征,第一特征、第二特征和第三特征输入多模态融合单元以进行特征融合,得到融合特征,融合特征输入多模态重构单元,得到重构信息,将重构信息与图像帧相加,得到增强的视频帧。
作为优选,特征提取采用预训练的Resnet34网络,具体过程如下:
;
;
;
其中,表示Resnet操作,/>、/>和/>分别为图像帧、光流图和纹理图,/>、/>和/>分别为图像特征、光流特征和纹理特征。
作为优选,多模态一致性单元包括归一化模块和注意力模块,归一化模块为1层均值归一化层,均值归一化层采用下式计算:
;
;
;
其中,为均值,/>为标准差,/>是一个很小的值,/>、/>和/>分别为归一化后的图像特征、归一化后的光流特征和归一化后的纹理特征;
注意力模块包括依次连接的第一卷积层、第一Relu激活层、第二卷积层、第二Relu激活层和Sigmoid激活层,第一卷积层和第二卷积层的卷积核大小为3×3。
作为优选,光流特征和纹理特征分别输入注意力模块,分别输出得到第一矩阵和第二矩阵,根据第一矩阵、第二矩阵、归一化后的图像特征、归一化后的光流特征和归一化后的纹理特征自适应调整三个模态信息的分布,得到第一特征、第二特征和第三特征,公式如下:
;
;
;
其中,为第一矩阵,/>为第二矩阵,/>、/>和/>分别为第一特征、第二特征和第三特征,/>为矩阵乘法操作。
作为优选,多模态融合单元包括依次连接的第三卷积层、第三Relu激活层、第四卷积层、第四Relu激活层、第五卷积层和第五Relu激活层,第三卷积层的卷积核大小为5×5,第四卷积层和第五卷积层的卷积核大小均为3×3。
作为优选,多模态重构单元包括依次连接的第六卷积层、第一稠密残差层、第七卷积层、第二稠密残差层、第三稠密残差层、第八卷积层和第九卷积层,第六卷积层的输出与第七卷积层的输出进行差分连接后输入第二稠密残差层,第二稠密残差层的输出与第六卷积层的输出残差连接后输入第三稠密残差层,第六卷积层的输出、第一稠密残差层的输出、第七卷积层的输出、第二稠密残差层的输出、第三稠密残差层的输出进行拼接后输入第八卷积层,第八卷积层的输出与第六卷积层的输出残差连接后输入第九卷积层,通过第九卷积层输出得到重构信息,其中,第六卷积层、第七卷积层、第八卷积层和第九卷积层的卷积核大小均为3×3,第一稠密残差层、第二稠密残差层、第三稠密残差层均包括依次连接的第十卷积层、第一Leaky Relu激活函数层、第十一卷积层、第二Leaky Relu激活函数层、第十二卷积层、第三Leaky Relu激活函数层、第十三卷积层和第四Leaky Relu激活函数层,第十一卷积层的卷积核大小为5×5,第十卷积层、第十二卷积层和第十三卷积层的卷积核大小均为3×3,第一Leaky Relu激活函数层的输出、第二Leaky Relu激活函数层的输出和第三Leaky Relu激活函数层的输出拼接后输入第十三卷积层。
作为优选,压缩视频质量增强模型训练过程中所采用的损失函数为模态中心损失函数,公式如下:
;
其中,、/>、/>分别为训练数据中的图像帧、光流图、纹理图的几何中心,M=3,表示三种模态。
第二方面,本发明提供了一种基于多模态融合的压缩视频质量增强装置,包括:
特征提取模块,被配置为获取待重建视频的图像帧及其对应的光流图和纹理图,对图像帧、光流图和纹理图分别进行特征提取,得到图像特征、光流特征和纹理特征;
模型构建模块,被配置为构建压缩视频质量增强模型并训练,得到经训练的压缩视频质量增强模型,压缩视频质量增强模型包括依次连接的多模态一致性单元、多模态融合单元、多模态重构单元;
重建模块,被配置为将图像特征、光流特征和纹理特征输入经训练的压缩视频质量增强模型,图像特征、光流特征和纹理特征输入多模态一致性单元,自适应调整三种模态信息的分布,得到第一特征、第二特征和第三特征,第一特征、第二特征和第三特征输入多模态融合单元以进行特征融合,得到融合特征,融合特征输入多模态重构单元,得到重构信息,将重构信息与图像帧相加,得到增强的视频帧。
第三方面,本发明提供了一种电子设备,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,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
相比于现有技术,本发明具有以下有益效果:
(1)本发明采用多模态方法,多模态包括图像、纹理和光流,综合利用了不同模态的信息,因此能够在不同层面捕捉视频中微妙的变化,从而实现更精确的重建,特别适用于处理包含复杂动态和视角变化的视频的场景。
(2)本发明的压缩视频质量增强模型中引入了多模态一致性单元(MMCN),有助于调整多模态信息的分布,确保各模态之间的信息一致性和互补性,这种一致性提升了各模态数据之间的协同作用,从而在增强过程中更好地综合各模态的优势。
(3)本发明的压缩视频质量增强模型中引入了多模态重建单元(MMRN),其目的是有效地重建多模态信息,生成高质量的增强视频输出。MMRN单元借助经过调整和融合的多模态数据,实现了对增强视频的高质量重建,使用户能够享受更出色的视觉体验。
(4)本发明在压缩视频质量增强模型的训练过程中引入模态中心损失函数,不仅能够有效解决和减轻了多模态数据之间的差异,还有助于确保各模态在增强过程中能够有效地贡献,进一步提高了增强效果,模态中心损失函数在多模态数据的分布和特征差异方面发挥关键作用,从而提高了数据的一致性和协同性。
(5)本发明通过综合利用多模态信息、优化一致性、降低数据差异并实现高效重建,在压缩视频增强领域表现出色。实验证明,与现有技术相比,本发明能够显著提高压缩视频的感官质量,特别是在面对复杂运动和视角变化的视频时,效果更加突出。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,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,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请的一个实施例可以应用于其中的示例性装置架构图;
图2为本申请的实施例的基于多模态融合的压缩视频质量增强方法的流程示意图;
图3为本申请的实施例的基于多模态融合的压缩视频质量增强方法的压缩视频质量增强模型的示意图;
图4为本申请的实施例的基于多模态融合的压缩视频质量增强方法的多模态重构单元的示意图;
图5为本申请的实施例的基于多模态融合的压缩视频质量增强装置的示意图;
图6是适于用来实现本申请实施例的电子设备的计算机装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,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它实施例,都属于本发明保护的范围。
图1示出了可以应用本申请实施例的基于多模态融合的压缩视频质量增强方法或基于多模态融合的压缩视频质量增强装置的示例性装置架构100。
如图1所示,装置架构100可以包括终端设备一101、终端设备二102、终端设备三103,网络104和服务器105。网络104用以在终端设备一101、终端设备二102、终端设备三103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备一101、终端设备二102、终端设备三103通过网络104与服务器105交互,以接收或发送消息等。终端设备一101、终端设备二102、终端设备三103上可以安装有各种应用,例如数据处理类应用、文件处理类应用等。
终端设备一101、终端设备二102、终端设备三103可以是硬件,也可以是软件。当终端设备一101、终端设备二102、终端设备三103为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备一101、终端设备二102、终端设备三103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备一101、终端设备二102、终端设备三103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理,生成处理结果。
需要说明的是,本申请实施例所提供的基于多模态融合的压缩视频质量增强方法可以由服务器105执行,也可以由终端设备一101、终端设备二102、终端设备三103执行,相应地,基于多模态融合的压缩视频质量增强装置可以设置于服务器105中,也可以设置于终端设备一101、终端设备二102、终端设备三103中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下,上述装置架构可以不包括网络,而只需服务器或终端设备。
图2示出了本申请的实施例提供的一种基于多模态融合的压缩视频质量增强方法,包括以下步骤:
S1,获取待重建视频的图像帧及其对应的光流图和纹理图,对图像帧、光流图和纹理图分别进行特征提取,得到图像特征、光流特征和纹理特征。
在具体的实施例中,特征提取采用预训练的Resnet34网络,具体过程如下:
;
;
;
其中,表示Resnet操作,/>、/>和/>分别为图像帧、光流图和纹理图,/>、/>和/>分别为图像特征、光流特征和纹理特征。
具体的,通过DIS光流和gabor小波对采集到的待重建视频的图像帧进行处理,生成对应的光流图和纹理图,通过预训练的Resnet34网络对图像、光流、纹理三种模态进行特征提取。采用多模态方法,包括图像、纹理和光流三种不同的模态,以捕捉视频中微妙的变化并实现精确的重建;其中多模态包括图像、纹理和光流,并用于增强压缩视频。
S2,构建压缩视频质量增强模型并训练,得到经训练的压缩视频质量增强模型,压缩视频质量增强模型包括依次连接的多模态一致性单元、多模态融合单元、多模态重构单元。
在具体的实施例中,多模态一致性单元包括归一化模块和注意力模块,归一化模块为1层均值归一化层,均值归一化层采用下式计算:
;
;
;
其中,为均值,/>为标准差,/>是一个很小的值,/>、/>和/>分别为归一化后的图像特征、归一化后的光流特征和归一化后的纹理特征;
注意力模块包括依次连接的第一卷积层、第一Relu激活层、第二卷积层、第二Relu激活层和Sigmoid激活层,第一卷积层和第二卷积层的卷积核大小为3×3。
在具体的实施例中,多模态融合单元包括依次连接的第三卷积层、第三Relu激活层、第四卷积层、第四Relu激活层、第五卷积层和第五Relu激活层,第三卷积层的卷积核大小为5×5,第四卷积层和第五卷积层的卷积核大小均为3×3。
在具体的实施例中,多模态重构单元包括依次连接的第六卷积层、第一稠密残差层、第七卷积层、第二稠密残差层、第三稠密残差层、第八卷积层和第九卷积层,第六卷积层的输出与第七卷积层的输出进行差分连接后输入第二稠密残差层,第二稠密残差层的输出与第六卷积层的输出残差连接后输入第三稠密残差层,第六卷积层的输出、第一稠密残差层的输出、第七卷积层的输出、第二稠密残差层的输出、第三稠密残差层的输出进行拼接后输入第八卷积层,第八卷积层的输出与第六卷积层的输出残差连接后输入第九卷积层,通过第九卷积层输出得到重构信息,其中,第六卷积层、第七卷积层、第八卷积层和第九卷积层的卷积核大小均为3×3,第一稠密残差层、第二稠密残差层、第三稠密残差层均包括依次连接的第十卷积层、第一Leaky Relu激活函数层、第十一卷积层、第二Leaky Relu激活函数层、第十二卷积层、第三Leaky Relu激活函数层、第十三卷积层和第四Leaky Relu激活函数层,第十一卷积层的卷积核大小为5×5,第十卷积层、第十二卷积层和第十三卷积层的卷积核大小均为3×3,第一Leaky Relu激活函数层的输出、第二Leaky Relu激活函数层的输出和第三Leaky Relu激活函数层的输出拼接后输入第十三卷积层。
在具体的实施例中,压缩视频质量增强模型训练过程中所采用的损失函数为模态中心损失函数,公式如下:
;
其中,、/>、/>分别为训练数据中的图像帧、光流图、纹理图的几何中心,M=3,表示三种模态。
具体的,数据集制作,将收集获取的视频转换为HEVC编码所支持的YUV420格式,然后在H.256/HEVC的标准测试平台HM-16.5上,以低时延(LDP)配置模式对其进行编码,编码过程中将量化等级分别设置为QP=22、27、32、37,获取4个不同量化等级的低质量待重建视频的图像帧训练集,在此基础上,通过DIS光流和gabor小波,生成对应的光流图和纹理图。因此将图像帧训练集及其对应的光流图和纹理图构建成训练数据,采用该训练数据对构建得到的压缩视频质量增强模型进行训练。在训练过程中,采用模态中心损失函数以解决和减轻多模态数据中的差异,确保各模态对增强过程的有效贡献。
参考图3,该压缩视频质量增强模型包括多模态一致性单元(MMCN)、多模态融合单元、多模态重构单元(MMRN),其中,多模态一致性单元(MMCN)包括1个均值归一化层、2个3×3卷积层、2个Relu激活函数层和1个Sigmoid激活函数层。多模态融合单元包括1个5×5卷积层、两个3×3卷积层和3个Relu激活函数层。多模态重构单元(MMRN)包括3层稠密残差层和4层3×3卷积层。将特征提取到的图像特征、光流特征和纹理特征输入经训练的压缩视频质量增强模型,多模态一致性单元(MMCN)用于调整多模态信息在数据中的分布,确保各模态之间的信息一致性和互补性。特征提取将三种模态数据映射到高维空间,接着通过归一化模块进行归一化,最后,通过注意力模块以动态地调整三种模态的分布,在调整完多模态的分布结构后,为了充分利用多模态间的互补优势,需要对三种模态进行融合,将第一特征、第二特征和第三特征输入多模态融合单元以融合多模态数据。该多模态融合单元由1个5×5卷积层和2个3×3卷积层顺序连接组成,每个卷积层后面均连接一个Relu激活函数层,得到融合特征。将融合特征输入多模态重构单元(MMRN),参考图4,该多模态重构单元是由1个3×3卷积层、1个稠密残差层、1个3×3卷积层、1个稠密残差层、1个稠密残差层、2个3×3卷积层依次堆叠而成。稠密残差层包括3个3×3卷积层和1个5×5卷积层,每个卷积层后面均连接1个Leaky Relu激活函数层。
S3,将图像特征、光流特征和纹理特征输入经训练的压缩视频质量增强模型,图像特征、光流特征和纹理特征输入多模态一致性单元,自适应调整三种模态信息的分布,得到第一特征、第二特征和第三特征,第一特征、第二特征和第三特征输入多模态融合单元以进行特征融合,得到融合特征,融合特征输入多模态重构单元,得到重构信息,将重构信息与图像帧相加,得到增强的视频帧。
在具体的实施例中,光流特征和纹理特征分别输入注意力模块,分别输出得到第一矩阵和第二矩阵,根据第一矩阵、第二矩阵、归一化后的图像特征、归一化后的光流特征和归一化后的纹理特征自适应调整三个模态信息的分布,得到第一特征、第二特征和第三特征,公式如下:
;
;
;
其中,为第一矩阵,/>为第二矩阵,/>、/>和/>分别为第一特征、第二特征和第三特征,/>为矩阵乘法操作。
具体的,将第一特征、第二特征和第三特征输入多模态融合单元进行特征融合,公式如下:
;
其中,为融合操作,S为融合特征。
进一步,将融合特征输入多模态重构单元进行重构,公式如下:
;
其中,表示重构操作,R为重构信息,最后,将重构信息与图像帧相加,得到增强的视频帧,公式如下:
;
其中,为输入的图像帧,/>为重建得到的增强的视频帧,可有效地重建多模态信息,生成增强后的视频输出,增强压缩视频质量。
以上步骤S1-S3并不仅仅代表步骤之间的顺序,而是步骤符号表示。
表1表示在4个不同QP的测试序列下的∆PSRN(dB)和∆SSIM (x10-2)的比较。其中,QP代表量化参数,用于控制视频编码的质量和比特率。评价指标为PSNR和SSIM,其中PSNR为峰值信噪比,SSIM为结构相似性指数,这两个评价指标在压缩视频增强中广泛使用。∆PSNR>0和△SSIM>0表示压缩视频质量的提高。具体而言,与最先进的压缩视频增强方法STDF相比,当QP=37时,MMVE-Net在∆PSNR和∆SSIM上平均分别提高了13.3%和7.5%。总的来说,本申请的实施例提出的基于多模态融合的压缩视频质量增强方法在客观质量增强方面优于所有比较的方法。
表1
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种基于多模态融合的压缩视频质量增强装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
本申请实施例提供了一种基于多模态融合的压缩视频质量增强装置,包括:
特征提取模块1,被配置为获取待重建视频的图像帧及其对应的光流图和纹理图,对图像帧、光流图和纹理图分别进行特征提取,得到图像特征、光流特征和纹理特征;
模型构建模块2,被配置为构建压缩视频质量增强模型并训练,得到经训练的压缩视频质量增强模型,压缩视频质量增强模型包括依次连接的多模态一致性单元、多模态融合单元、多模态重构单元;
重建模块3,被配置为将图像特征、光流特征和纹理特征输入经训练的压缩视频质量增强模型,图像特征、光流特征和纹理特征输入多模态一致性单元,自适应调整三种模态信息的分布,得到第一特征、第二特征和第三特征,第一特征、第二特征和第三特征输入多模态融合单元以进行特征融合,得到融合特征,融合特征输入多模态重构单元,得到重构信息,将重构信息与图像帧相加,得到增强的视频帧。
下面参考图6,其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器或终端设备)的计算机装置600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机装置600包括中央处理单元(CPU)601和图形处理器(GPU)602,其可以根据存储在只读存储器(ROM)603中的程序或者从存储部分609加载到随机访问存储器(RAM)604中的程序而执行各种适当的动作和处理。在RAM 604中,还存储有装置600操作所需的各种程序和数据。CPU 601、GPU602、ROM 603以及RAM 604通过总线605彼此相连。输入/输出(I/O)接口606也连接至总线605。
以下部件连接至I/O接口606:包括键盘、鼠标等的输入部分607;包括诸如、液晶显示器(LCD)等以及扬声器等的输出部分608;包括硬盘等的存储部分609;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分610。通信部分610经由诸如因特网的网络执行通信处理。驱动器611也可以根据需要连接至I/O接口606。可拆卸介质612,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器611上,以便于从其上读出的计算机程序根据需要被安装入存储部分609。
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部分610从网络上被下载和安装,和/或从可拆卸介质612被安装。在该计算机程序被中央处理单元(CPU)601和图形处理器(GPU)602执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请所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介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的装置、装置或器件,或者任意以上的组合。计算机可读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。在本申请中,计算机可读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装置、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的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。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行装置、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:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
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申请的操作的计算机程序代码,所述程序设计语言包括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,也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,图示了按照本申请各种实施例的装置、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装置来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的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:获取待重建视频的图像帧及其对应的光流图和纹理图,对图像帧、光流图和纹理图分别进行特征提取,得到图像特征、光流特征和纹理特征;构建压缩视频质量增强模型并训练,得到经训练的压缩视频质量增强模型,压缩视频质量增强模型包括依次连接的多模态一致性单元、多模态融合单元、多模态重构单元;将图像特征、光流特征和纹理特征输入经训练的压缩视频质量增强模型,图像特征、光流特征和纹理特征输入多模态一致性单元,自适应调整三种模态信息的分布,得到第一特征、第二特征和第三特征,第一特征、第二特征和第三特征输入多模态融合单元以进行特征融合,得到融合特征,融合特征输入多模态重构单元,得到重构信息,将重构信息与图像帧相加,得到增强的视频帧。
以上描述仅为本申请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,本申请中所涉及的发明范围,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发明构思的情况下,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。例如上述特征与本申请中公开的(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。
Claims (8)
1.一种基于多模态融合的压缩视频质量增强方法,其特征在于,包括以下步骤:
获取待重建视频的图像帧及其对应的光流图和纹理图,对所述图像帧、光流图和纹理图分别进行特征提取,得到图像特征、光流特征和纹理特征;
构建压缩视频质量增强模型并训练,得到经训练的压缩视频质量增强模型,所述压缩视频质量增强模型包括依次连接的多模态一致性单元、多模态融合单元、多模态重构单元,所述压缩视频质量增强模型训练过程中所采用的损失函数为模态中心损失函数,公式如下:
其中,分别为训练数据中的图像帧、光流图、纹理图的几何中心,M=3,表示三种模态;
将所述图像特征、光流特征和纹理特征输入所述经训练的压缩视频质量增强模型,所述图像特征、光流特征和纹理特征输入所述多模态一致性单元;所述多模态一致性单元包括归一化模块和注意力模块,所述归一化模块为1层均值归一化层,所述注意力模块包括依次连接的第一卷积层、第一Relu激活层、第二卷积层、第二Relu激活层和Sigmoid激活层,所述第一卷积层和第二卷积层的卷积核大小为3×3,所述图像特征、光流特征和纹理特征输入所述归一化模块,得到归一化后的图像特征、归一化后的光流特征和归一化后的纹理特征,所述光流特征和纹理特征分别输入所述注意力模块,分别输出得到第一矩阵和第二矩阵,根据所述第一矩阵、第二矩阵、归一化后的图像特征、归一化后的光流特征和归一化后的纹理特征自适应调整三个模态信息的分布,得到第一特征、第二特征和第三特征,所述第一特征、第二特征和第三特征输入所述多模态融合单元以进行特征融合,得到融合特征,所述多模态融合单元包括依次连接的第三卷积层、第三Relu激活层、第四卷积层、第四Relu激活层、第五卷积层和第五Relu激活层,所述第三卷积层的卷积核大小为5×5,所述第四卷积层和第五卷积层的卷积核大小均为3×3,所述融合特征输入所述多模态重构单元,得到重构信息,将所述重构信息与所述图像帧相加,得到增强的视频帧。
2.根据权利要求1所述的基于多模态融合的压缩视频质量增强方法,其特征在于,所述特征提取采用预训练的Resnet34网络,具体过程如下:
其中,Re s(·)表示Resnet操作,V、F和T分别为图像帧、光流图和纹理图,和/>分别为图像特征、光流特征和纹理特征。
3.根据权利要求2所述的基于多模态融合的压缩视频质量增强方法,其特征在于,所述均值归一化层采用下式计算:
其中,为图像特征的均值,/>为光流特征的均值,/>为纹理特征的均值,/>为图像特征的标准差,/>为光流特征的标准差,/>为纹理特征的标准差,η是一个很小的值,和/>分别为归一化后的图像特征、归一化后的光流特征和归一化后的纹理特征,和/>分别为图像特征、光流特征和纹理特征。
4.根据权利要求3所述的基于多模态融合的压缩视频质量增强方法,其特征在于,根据所述第一矩阵、第二矩阵、归一化后的图像特征、归一化后的光流特征和归一化后的纹理特征自适应调整三个模态信息的分布,得到所述第一特征、第二特征和第三特征,具体公式如下:
其中,ρ为第一矩阵,θ为第二矩阵,Vf、Ff和Tf分别为所述第一特征、第二特征和第三特征,⊙为矩阵乘法操作。
5.根据权利要求1所述的基于多模态融合的压缩视频质量增强方法,其特征在于,所述多模态重构单元包括依次连接的第六卷积层、第一稠密残差层、第七卷积层、第二稠密残差层、第三稠密残差层、第八卷积层和第九卷积层,所述第六卷积层的输出与所述第七卷积层的输出进行差分连接后输入所述第二稠密残差层,所述第二稠密残差层的输出与所述第六卷积层的输出残差连接后输入所述第三稠密残差层,所述第六卷积层的输出、第一稠密残差层的输出、第七卷积层的输出、第二稠密残差层的输出、第三稠密残差层的输出进行拼接后输入所述第八卷积层,所述第八卷积层的输出与所述第六卷积层的输出残差连接后输入所述第九卷积层,通过所述第九卷积层输出得到所述重构信息,其中,第六卷积层、第七卷积层、第八卷积层和第九卷积层的卷积核大小均为3×3,第一稠密残差层、第二稠密残差层、第三稠密残差层均包括依次连接的第十卷积层、第一Leaky Relu激活函数层、第十一卷积层、第二Leaky Relu激活函数层、第十二卷积层、第三Leaky Relu激活函数层、第十三卷积层和第四Leaky Relu激活函数层,第十一卷积层的卷积核大小为5×5,第十卷积层、第十二卷积层和第十三卷积层的卷积核大小均为3×3,所述第一Leaky Relu激活函数层的输出、第二Leaky Relu激活函数层的输出和第三Leaky Relu激活函数层的输出拼接后输入所述第十三卷积层。
6.一种基于多模态融合的压缩视频质量增强装置,采用权利要求1-5中任一项所述的基于多模态融合的压缩视频质量增强方法,其特征在于,包括:
特征提取模块,被配置为获取待重建视频的图像帧及其对应的光流图和纹理图,对所述图像帧、光流图和纹理图分别进行特征提取,得到图像特征、光流特征和纹理特征;
模型构建模块,被配置为构建压缩视频质量增强模型并训练,得到经训练的压缩视频质量增强模型,所述压缩视频质量增强模型包括依次连接的多模态一致性单元、多模态融合单元、多模态重构单元;
重建模块,被配置为将所述图像特征、光流特征和纹理特征输入所述经训练的压缩视频质量增强模型,所述图像特征、光流特征和纹理特征输入所述多模态一致性单元,自适应调整三种模态信息的分布,得到第一特征、第二特征和第三特征,所述第一特征、第二特征和第三特征输入所述多模态融合单元以进行特征融合,得到融合特征,所述融合特征输入所述多模态重构单元,得到重构信息,将所述重构信息与所述图像帧相加,得到增强的视频帧。
7.一种电子设备,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1-5中任一所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311510614.XA CN117237259B (zh) | 2023-11-14 | 2023-11-14 | 基于多模态融合的压缩视频质量增强方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311510614.XA CN117237259B (zh) | 2023-11-14 | 2023-11-14 | 基于多模态融合的压缩视频质量增强方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117237259A CN117237259A (zh) | 2023-12-15 |
CN117237259B true CN117237259B (zh) | 2024-02-27 |
Family
ID=89093325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311510614.XA Active CN117237259B (zh) | 2023-11-14 | 2023-11-14 | 基于多模态融合的压缩视频质量增强方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117237259B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260594A (zh) * | 2019-12-22 | 2020-06-09 | 天津大学 | 一种无监督的多模态图像融合方法 |
CN111985548A (zh) * | 2020-08-11 | 2020-11-24 | 华侨大学 | 一种标签引导的跨模态深度哈希方法 |
CN113139479A (zh) * | 2021-04-28 | 2021-07-20 | 山东大学 | 一种基于光流和rgb模态对比学习的微表情识别方法及系统 |
CN113743269A (zh) * | 2021-08-26 | 2021-12-03 | 浙江工业大学 | 一种轻量化识别视频人体姿态的方法 |
CN114882409A (zh) * | 2022-05-11 | 2022-08-09 | 南京邮电大学 | 一种基于多模态特征融合的智能暴力行为检测方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220179703A1 (en) * | 2020-12-07 | 2022-06-09 | Nvidia Corporation | Application programming interface for neural network computation |
CN113723166A (zh) * | 2021-03-26 | 2021-11-30 | 腾讯科技(北京)有限公司 | 内容识别方法、装置、计算机设备和存储介质 |
-
2023
- 2023-11-14 CN CN202311510614.XA patent/CN117237259B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260594A (zh) * | 2019-12-22 | 2020-06-09 | 天津大学 | 一种无监督的多模态图像融合方法 |
CN111985548A (zh) * | 2020-08-11 | 2020-11-24 | 华侨大学 | 一种标签引导的跨模态深度哈希方法 |
CN113139479A (zh) * | 2021-04-28 | 2021-07-20 | 山东大学 | 一种基于光流和rgb模态对比学习的微表情识别方法及系统 |
CN113743269A (zh) * | 2021-08-26 | 2021-12-03 | 浙江工业大学 | 一种轻量化识别视频人体姿态的方法 |
CN114882409A (zh) * | 2022-05-11 | 2022-08-09 | 南京邮电大学 | 一种基于多模态特征融合的智能暴力行为检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
结合有监督联合一致性自编码器的跨音视频说话人标注;柳欣;李鹤洋;钟必能;杜吉祥;;电子与信息学报;20180509(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117237259A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110798690B (zh) | 视频解码方法、环路滤波模型的训练方法、装置和设备 | |
CN112543347B (zh) | 基于机器视觉编解码的视频超分辨率方法、装置、系统和介质 | |
WO2021208247A1 (zh) | 一种视频图像的拟态压缩方法、装置、存储介质及终端 | |
CN107155110A (zh) | 一种基于超分辨率技术的图片压缩方法 | |
CN112950471A (zh) | 视频超分处理方法、装置、超分辨率重建模型、介质 | |
WO2021169408A1 (zh) | 图像处理方法、装置、电子设备及存储介质 | |
JP2023512570A (ja) | 画像処理方法および関連装置 | |
WO2023005740A1 (zh) | 图像编码、解码、重建、分析方法、系统及电子设备 | |
CN113724136A (zh) | 一种视频修复方法、设备及介质 | |
US11854164B2 (en) | Method for denoising omnidirectional videos and rectified videos | |
WO2022022176A1 (zh) | 一种图像处理方法以及相关设备 | |
CN113225590B (zh) | 视频超分增强方法、装置、计算机设备和存储介质 | |
CN116847087A (zh) | 视频处理方法、装置、存储介质及电子设备 | |
CN117237259B (zh) | 基于多模态融合的压缩视频质量增强方法及装置 | |
CN116977169A (zh) | 数据处理方法、装置、设备、可读存储介质及程序产品 | |
CN116433491A (zh) | 一种图像处理方法、装置、设备、存储介质及产品 | |
WO2022178975A1 (zh) | 基于噪声场的图像降噪方法、装置、设备及存储介质 | |
CN113902631A (zh) | 图像处理方法、电子设备和存储介质 | |
CN116918329A (zh) | 一种视频帧的压缩和视频帧的解压缩方法及装置 | |
WO2022155818A1 (zh) | 图像编码、解码方法及装置、编解码器 | |
CN115861042B (zh) | 一种图像处理方法、电子设备及介质 | |
CN117593611B (zh) | 模型训练方法、图像重建方法、装置、设备及存储介质 | |
WO2023133888A1 (zh) | 图像处理方法、装置、遥控设备、系统及存储介质 | |
US20240185469A1 (en) | Coding of displacements using hierarchical coding at subdivision level for vertex mesh (v-mesh) | |
CN117611700A (zh) | 图像生成方法及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |