公开(公告)号：CN112866694B

公开(公告)日：2023-07-14

申请号：CN202011644521.2

申请日：2020-12-31

Applicant: 杭州电子科技大学

Inventor： 殷海兵 ,  叶宗苗 ,  黄晓峰

IPC: H04N19/124 ,  H04N19/13 ,  H04N19/147 ,  H04N19/42 ,  H04N19/597 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/08

Abstract: 本发明用于基于端到端的智能图像压缩领域，属于图像/视频压缩领域，涉及联合非对称卷积块和条件上下文的智能图像压缩的优化方法，具有训练阶段和推理阶段，在所述训练阶段，搭建整体端到端的图像压缩框架，包括主编码/解码器，超先验编码/解码器，条件上下文模型，熵参数模型，以及因子分解熵模型，其中，所述主编码/解码器，超先验编码/解码器均采用非对称卷积块即ACB模块对视频图像进行特征提取；在推理阶段，利用ACB模块的兼容性对并行卷积核合成。本发明通过非对称卷积块能够提高标准平方卷积的提取特征的能力，邻域/全局域的上下文捕获机制则可以提高潜在特征值的建模精准度，使之更符合客观出现概率情况来减少编码冗余。

公开(公告)号：CN112866694A

公开(公告)日：2021-05-28

申请号：CN202011644521.2

申请日：2020-12-31

Applicant: 杭州电子科技大学

Inventor： 殷海兵 ,  叶宗苗 ,  黄晓峰

IPC: H04N19/124 ,  H04N19/13 ,  H04N19/147 ,  H04N19/42 ,  H04N19/597 ,  G06N3/04

Abstract: 本发明用于基于端到端的智能图像压缩领域，属于图像/视频压缩领域，涉及联合非对称卷积块和条件上下文的智能图像压缩的优化方法，具有训练阶段和推理阶段，在所述训练阶段，搭建整体端到端的图像压缩框架，包括主编码/解码器，超先验编码/解码器，条件上下文模型，熵参数模型，以及因子分解熵模型，其中，所述主编码/解码器，超先验编码/解码器均采用非对称卷积块即ACB模块对视频图像进行特征提取；在推理阶段，利用ACB模块的兼容性对并行卷积核合成。本发明通过非对称卷积块能够提高标准平方卷积的提取特征的能力，邻域/全局域的上下文捕获机制则可以提高潜在特征值的建模精准度，使之更符合客观出现概率情况来减少编码冗余。