申请/专利权人：杭州当虹科技股份有限公司

申请日：2023-12-29

公开（公告）日：2024-04-12

公开（公告）号：CN117880525A

主分类号：H04N19/42

分类号：H04N19/42;H04N19/44;G06T9/00;H04N19/147;H04N19/91;H04N19/124;G06N3/0464

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明公开了基于深度学习的跨平台的图像压缩方法及图像解压缩方法，其中图像压缩方法包括训练过程和推理过程，进一步地训练过程包括训练数据预处理和模型训练，推理过程包括推理数据预处理和图像压缩，S101，数据预处理过程将每张训练集图像分割成若干较小的训练集图像块；S102，图像压缩网络的训练过程以训练集图像块作为输入，经过神经网络处理后，输出相应的重建训练集图像块；S103，所述推理数据预处理将待压缩图像分割成若干个较小的图像块；每个图像块的大小与训练过程的图像块大小保持一致；S104，图像压缩时，以一张待压缩的图像的所有图像块作为图像编码器及超先验编解码器的输入，得到用于存储与传输的压缩图像码流。

主权项：1.一种基于深度学习的跨平台的图像压缩方法，其特征在于，包括训练过程和推理过程，进一步地训练过程包括训练数据预处理和模型训练，推理过程包括推理数据预处理和图像压缩，S101，数据预处理过程将每张训练集图像分割成若干较小的训练集图像块；S102，图像压缩网络的训练过程以训练集图像块作为输入，经过神经网络处理后，输出相应的重建训练集图像块；计算训练集图像块与重建训练集图像块的像素间的均方误差，作为失真损失；同时，计算神经网络内部图像特征和超先验特征的估计码率，作为率损失；对这两个损失加权求和，得到用于训练网络的率-失真损失；训练过程以该率-失真损失为优化目标，从而得到训练后的网络权重；S103，所述推理数据预处理将待压缩图像按从左到右从上到下的顺序，边缘相邻且不重叠地分割成若干个较小的图像块；每个图像块的大小与训练过程的图像块大小保持一致；S104，图像压缩时，以一张待压缩的图像的所有图像块作为图像编码器及超先验编解码器的输入，输出相应的特征张量以及用于熵编码的概率估计结果，再将该张量与概率估计结果输入到相应的熵编码器中编码，得到用于存储与传输的压缩图像码流。

全文数据：

权利要求：

百度查询： 杭州当虹科技股份有限公司 基于深度学习的跨平台的图像压缩方法及图像解压缩方法

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