申请/专利权人：西安电子科技大学

申请日：2023-12-26

公开（公告）日：2024-04-05

公开（公告）号：CN117834890A

主分类号：H04N19/172

分类号：H04N19/172;H04N19/154;H04N19/159;H04N19/48;H04N19/51;G06V10/774;G06V10/82

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.23#实质审查的生效;2024.04.05#公开

摘要：本发明提出了一种基于无限脉冲响应的压缩视频质量增强方法，实现步骤为：1获取训练样本集和测试样本集；2构建基于无限脉冲响应和注意力网络的增强网络模型O；3初始化参数；4对增强网络模型进行训练；5获取训练好的增强网络模型；6获取增强视频。本发明所构建的增强网络模型中的基于无限脉冲响应启发的特征矫正网络从全局和局部出发,有效矫正了由于像素漂移现象引起的特征相关性差的问题，注意力网络利用频域学习的二阶度量信息监督网络学习到更多丢失的信息；实验结果表明，本发明很好的去除压缩视频的压缩伪影，进而有效增强压缩视频的质量。

主权项：1.一种基于无限脉冲响应的压缩视频质量增强方法，其特征在于，包括以下步骤：1获取训练样本集和测试样本集：获取包括K种不同且每种原始视频包括M帧图像的原始视频序列，并对每种原始视频进行压缩后对原始视频及其压缩视频进行预处理，然后将L种预处理后的原始视频中的每个原始视频组及其对应的压缩视频中的每个压缩视频组作为训练样本，组成包括L×Q个训练样本的训练样本集R1；将剩余K-L种预处理后的原始视频中的每个原始视频组及其对应的压缩视频中的每个压缩视频组作为测试样本，组成包括K-L×Q个测试样本的测试样本集E1；其中，K≥126，L≥108，M≥450；Q表示每种视频的组数，R表示时域半径，即用于限定当前帧前或后的帧数量且R为正整数；2构建基于无限脉冲响应和注意力网络的增强网络模型O：构建包括顺次连接的特征提取网络、基于无限脉冲响应启发的特征矫正网络、特征对齐网络、注意力网络、特征重建网络的增强网络模型O；其中，基于无限脉冲响应启发的特征矫正网络包括并行排布的受无限脉冲响应启发的三个矫正模块及与其输出端连接的矫正融合模块；注意力网络包括并行排布的时域一阶度量模块和频域二阶度量模块，以及与该两个度量模块的输出端连接的融合模块；特征提取网络用于对每个训练样本进行特征提取、特征对齐网络用于对特征矫正网络的输出进行特征对齐；特征重建网络用于对注意力网络的输出进行特征重建；3初始化参数：初始化迭代次数为s，最大迭代次数为S，S≥10000，第s次迭代的基于无限脉冲响应的增强网络模型Os中可学习的权值参数、偏置参数分别为ws、bs，并令s＝1；4对增强网络模型进行训练：将训练样本集R1作为增强网络模型O的输入进行前向传播，得到L种压缩视频的N个增强视频帧；其中，N＝L×2R+1×Q；5获取训练好的增强网络模型：通过步骤4的结果对可学习权值参数ws和偏置参数bs进行更新，得到本次迭代的增强网络模型Os，并判断s≥S是否成立，若是，得到训练好的增强网络模型O*，否则，令s＝s+1，Os＝O，并执行步骤4；6获取增强视频：将测试样本集E1作为训练好的增强网络模型O*的输入进行前向传播，得到所有测试样本对应的增强视频。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于无限脉冲响应的压缩视频质量增强方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD