-
公开(公告)号：CN110892723B
公开(公告)日：2024-04-12
申请号：CN201880045127.1
申请日：2018-02-06
Applicant: 三星电子株式会社
IPC: H04N19/50 , H04N19/176 , H04N19/103 , H04N19/122 , H04N19/184 , H04N19/119 , G06N3/0464 , G06N3/044 , G06N3/09 , G06N3/084 , G06T9/00
Abstract: 提供了一种使用深度神经网络(DNN)的预测图像生成技术。提供了一种图像解码方法，其包括：接收编码图像的比特流；确定从编码图像中分割的至少一个块；确定用于预测至少一个块中的当前块的邻近块；通过将邻近块应用于配置为通过使用至少一个计算机来预测图像的块的深度神经网络(DNN)学习模型来生成当前块的预测数据；从比特流中提取当前块的残留数据；以及通过使用预测数据和残留数据来重构当前块。
-
公开(公告)号：CN113994691A
公开(公告)日：2022-01-28
申请号：CN202080041254.1
申请日：2020-05-29
Applicant: 三星电子株式会社
IPC: H04N19/42 , H04N19/423 , H04N19/182
Abstract: 提供了与人工智能(AI)缩小和放大有关的方法和设备以及与减少伪影问题有关的技术。一些实施例包括：通过深度神经网络(DNN)缩小原始图像；并且基于频率变换系数从原始图像产生伪影信息，其中，所述伪影信息表示第一图像中的包括第一图像中的伪影的区域。可以基于伪影信息执行后处理以改变第一图像中的像素，从而减少伪影的影响。
-
公开(公告)号：CN113994691B
公开(公告)日：2025-04-08
申请号：CN202080041254.1
申请日：2020-05-29
Applicant: 三星电子株式会社
IPC: H04N19/42 , H04N19/423 , H04N19/182
Abstract: 提供了与人工智能(AI)缩小和放大有关的方法和设备以及与减少伪影问题有关的技术。一些实施例包括：通过深度神经网络(DNN)缩小原始图像；并且基于频率变换系数从原始图像产生伪影信息，其中，所述伪影信息表示第一图像中的包括第一图像中的伪影的区域。可以基于伪影信息执行后处理以改变第一图像中的像素，从而减少伪影的影响。
-
公开(公告)号：CN119234247A
公开(公告)日：2024-12-31
申请号：CN202380040963.1
申请日：2023-05-26
Applicant: 三星电子株式会社
IPC: G06T5/80 , G06T5/60 , G06N3/0464 , G06N3/09
Abstract: 根据本公开的实施例的通过使用神经网络模型校正图像的方法包括以下步骤：将输入图像和校正参数输入到第一神经网络模型；以及从第一神经网络模型获得与校正参数相对应的推断图像。第一神经网络模型是被训练为最小化当输入图像和校正参数被输入时输出的推断图像和与校正参数相对应的标签图像之间的差异的模型。标签图像是当校正参数被应用于至少一个图像校正算法时通过由至少一个图像校正算法校正输入图像而获得的图像。
-
公开(公告)号：CN111052740B
公开(公告)日：2024-04-09
申请号：CN201880045117.8
申请日：2018-02-06
Applicant: 三星电子株式会社
IPC: H04N19/117 , H04N19/124 , H04N19/105 , G06N3/0464 , G06N3/084 , G06N3/048
Abstract: 提供了使用经过训练的深度神经网络(DNN)滤波器模型的环内滤波技术。根据实施例的图像解码方法包括以下步骤：接收编码图像的比特流，通过重构编码图像来生成重构数据，从比特流获得与编码图像的内容类型有关的信息，基于与内容类型有关的信息确定被训练为通过使用至少一个计算机来执行环内滤波的DNN滤波器模型，以及通过将重构数据应用于所确定的DNN滤波器模型来执行环内滤波。
-
Patent Agency Ranking
公开(公告)号：CN112889282A
公开(公告)日：2021-06-01
申请号：CN201980068867.1
申请日：2019-08-21
Applicant: 三星电子株式会社
IPC: H04N19/132 , H04N19/85 , H04N19/50 , H04N19/184 , G06N3/08
Abstract: 提供了一种人工智能解码设备，包括：存储器；以及处理器，被配置为执行存储在存储器中的一个或更多个指令，其中，处理器被配置为：获得与将原始图像AI缩小为第一图像相关的AI数据；获得与对第一图像的编码结果对应的图像数据；通过对所述图像数据执行解码来获得与第一图像对应的第二图像；根据所述AI数据在多个深度神经网络(DNN)设置信息中获得DNN设置信息；以及由放大DNN通过对第二图像执行AI放大来获得第三图像，其中，所述放大DNN被用获得的DNN设置信息进行配置，其中，所述多个DNN设置信息包括：在所述放大的DNN中使用的参数，其中，所述参数是通过对所述放大DNN和缩小DNN的联合训练获得的。
-
公开(公告)号：CN111052740A
公开(公告)日：2020-04-21
申请号：CN201880045117.8
申请日：2018-02-06
Applicant: 三星电子株式会社
IPC: H04N19/117 , H04N19/124 , H04N19/105 , G06N3/08
Abstract: 提供了使用经过训练的深度神经网络(DNN)滤波器模型的环内滤波技术。根据实施例的图像解码方法包括以下步骤：接收编码图像的比特流，通过重构编码图像来生成重构数据，从比特流获得与编码图像的内容类型有关的信息，基于与内容类型有关的信息确定被训练为通过使用至少一个计算机来执行环内滤波的DNN滤波器模型，以及通过将重构数据应用于所确定的DNN滤波器模型来执行环内滤波。
-
公开(公告)号：CN110892723A
公开(公告)日：2020-03-17
申请号：CN201880045127.1
申请日：2018-02-06
Applicant: 三星电子株式会社
IPC: H04N19/50 , H04N19/176 , G06N3/04 , H04N19/103 , H04N19/122 , H04N19/184 , H04N19/119
Abstract: 提供了一种使用深度神经网络(DNN)的预测图像生成技术。提供了一种图像解码方法，其包括：接收编码图像的比特流；确定从编码图像中分割的至少一个块；确定用于预测至少一个块中的当前块的邻近块；通过将邻近块应用于配置为通过使用至少一个计算机来预测图像的块的深度神经网络(DNN)学习模型来生成当前块的预测数据；从比特流中提取当前块的残留数据；以及通过使用预测数据和残留数据来重构当前块。
-
公开(公告)号：CN110337813A
公开(公告)日：2019-10-15
申请号：CN201880013752.8
申请日：2018-02-06
Applicant: 三星电子株式会社
IPC: H04N19/50 , H04N19/184 , G06N3/08 , G06N3/04 , H04N19/132 , H04N19/117
Abstract: 提供了一种图像压缩方法和用于执行图像压缩方法的图像压缩装置。根据实施例的用于对图像进行压缩的方法包括以下步骤：针对图像使用DNN来执行下采样，从而确定压缩图像；基于压缩图像来执行预测，从而确定预测信号；基于压缩图像和预测信号来确定残差信号；并且生成包括与所述残差信号有关的信息的比特流，其中，DNN具有通过使用在上采样处理中生成的信息对下采样处理进行学习而确定的网络结构。提供了一种图像恢复方法以及用于执行图像恢复方法的图像恢复装置，其中，所述图像恢复方法通过使用用于上采样的DNN对压缩图像进行恢复，其中，所述压缩图像是通过图像压缩方法被压缩出来的。
-
公开(公告)号：CN107409222A
公开(公告)日：2017-11-28
申请号：CN201580071118.6
申请日：2015-05-21
Applicant: 三星电子株式会社
IPC: H04N19/40 , H04N19/124
Abstract: 提供了一种确定图像是否要被重新编码的方法，该方法包括：从包括图像的图像文件获得第一量化矩阵，该图像通过基于包括多个第一量化参数的第一量化矩阵的量化而被编码；从重新编码设备获得第二量化矩阵，第二量化矩阵包括多个第二量化参数，并且具有与第一量化矩阵相同的大小；基于通过从第二量化矩阵中减去第一量化矩阵所获得的比较矩阵的元素当中的大于“0”的元素，来确定比较系数；以及当比较系数大于第一阈值时，确定图像要通过基于第一量化矩阵的反量化来被解码，并且解码后的图像要通过基于第二量化矩阵的量化来被重新编码。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.041 seconds)
