CN114222124A - 一种编解码方法及设备 - Google Patents

一种编解码方法及设备 Download PDF

Info

Publication number
CN114222124A
CN114222124A CN202111436404.1A CN202111436404A CN114222124A CN 114222124 A CN114222124 A CN 114222124A CN 202111436404 A CN202111436404 A CN 202111436404A CN 114222124 A CN114222124 A CN 114222124A
Authority
CN
China
Prior art keywords
frame
key frame
video
image
coding
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.)
Granted
Application number
CN202111436404.1A
Other languages
English (en)
Other versions
CN114222124B (zh
Inventor
王兆春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
B&m Modern Media Inc
Original Assignee
B&m Modern Media Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by B&m Modern Media Inc filed Critical B&m Modern Media Inc
Priority to CN202111436404.1A priority Critical patent/CN114222124B/zh
Publication of CN114222124A publication Critical patent/CN114222124A/zh
Application granted granted Critical
Publication of CN114222124B publication Critical patent/CN114222124B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/154—Measured or subjectively estimated visual quality after decoding, e.g. measurement of distortion
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
    • H04N19/17—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object
    • H04N19/172—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object the region being a picture, frame or field

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明提出一种编解码方法及设备方法，所述编码方法包括以下特征：步骤S1.获取待编码的视频帧，并根据前后帧间的关系判断是否为关键帧；步骤S2.如果当前帧为关键帧，做好标记1，写入码头，并确定出第一图像和第二图像，进行像素级标注；将所述关键帧确定的第一图像、第二图像及其对应的标注信息输入至深度神经网络，提取多级语义特征；对所述多级语义特征进行编码，生成不同层级的码流；步骤S3.如果当前帧为非关键帧，做好标记0，写入码头；则直接计算所述非关键帧与其左相邻关键帧的残差，并进行残差编码，生成残差码流信息。本发明的编解码方法利用关键帧判断以及深度神经网络，降低了编解码的成本，并且具有高度的灵活性。

Description

一种编解码方法及设备
技术领域
本发明涉及编解码领域，尤其涉及一种编解码方法及设备，能够对视频帧进行高效的编解码。
背景技术
人们对于视频质量的需求与日俱增，然而视频的数据量往往较大，存储和传输视频的硬件资源有限，成本较高，对视频进行编码压缩就显得尤为重要。这项技术深刻影响着人们生活的方方面面，包括数字电视、电影、网络视频、移动视频直播等等。
为了达到节约空间的目的，视频图像都是经过编码后才传输的，完整的视频编码方法可以包括预测、变换、量化、熵编码、滤波等过程。其中，预测编码可以包括帧内编码和帧间编码。进一步的，帧间编码是利用视频时间域的相关性，使用邻近已编码图像的像素预测当前像素，以达到有效去除视频时域冗余的目的。此外，帧内编码是指利用视频空间域的相关性，使用当前帧图像的已经编码块的像素预测当前像素，以达到去除视频空域冗余的目的。
传统的帧内预测方法，基于自然图像中的纹理往往具有方向性这一假设，使用预定义的几个固定方向模式，在预测时，采用已编码块中与待编码快最邻近的一行像素作为参考像素。枚举地尝试每一个方向，选择编码代价最少的一个模式，编入码流中。该预测方法有效地减少了编码码率。然而，该方法存在缺点。一方面，该方法仅仅使用单行像素作为参考，在低码率高噪声的情形中，单行像素中的噪声会严重影响预测的准确度。
现有技术中还有一种编码方法，基于变换量化的编码方法，使用时频变换将图像映射到频域，选择性地减少图像中人类难以察觉的高频信息，能够在少量牺牲视觉质量的情况下，大大减小视频传输的码率，也减少了视频传输的体积。进一步地，由于视频两帧之间有着非常大的相关性和信息冗余，在一帧之内，块与块之间也有很大的纹理连续性，因此在现代编码器中，会使用帧间和帧内预测的方法，来进一步减小视频码率。
上述编码方式编码效率不高，适应性能力不足，因此亟需提供一种高效的视频编码方案，能够高效的进行编解码，适应于不同的编码环境。
主要创新点：
1.本申请在进行编码时首先进行关键帧的判断，对关键帧和非关键帧采用不同的编码方式生成不同的码流，以提高编码效率。
2.本申请针对不用的解码需求，可对应在编码时生成不同层级的语义特征，以进行编码生成不同层级的码流，提高自适应能力。
3.本申请采用独创的深度神经网络，能够提取不同的层级语义特征，借助所采用的惩罚函数及激励函数，不断优化网络模型，使得提取的层级语义特征准确而不允许，满足不同用户的带宽需求。
发明内容
为解决上述问题，本发明提出了一种编码方法，所述方法包括以下特征：
步骤S1.获取待编码的视频帧，并根据前后帧间的关系判断是否为关键帧；
步骤S2.如果当前帧为关键帧，做好标记1，写入码头，并确定出第一图像和第二图像，进行像素级标注；将所述关键帧确定的第一图像、第二图像及其对应的标注信息输入至深度神经网络，提取多级语义特征；对所述多级语义特征进行编码，生成不同层级的码流；
步骤S3.如果当前帧为非关键帧，做好标记0，写入码头；则直接计算所述非关键帧与其左相邻关键帧的残差，并进行残差编码，生成残差码流信息。
可选的，所述步骤S1通过帧间物体的光流信息进行关键帧判断。
可选的，所述步骤S2中的所述第一图像和第二图像为前景图像和背景图像。
可选的，所述步骤S2中的多级语义特征包括：超高级语义特征、高级语义特征、中级语义特征以及低级语义特征。
可选的，所述步骤S2中的多级语义特征的编码层级取决于解码时的视频清晰度，所述视频清晰度为超高清、高清、标清以及流畅四个不同等级。
可选的，所述步骤S3中的编码方式为VVC编码。
相应的，本发明还提出了一种编码设备，所述编码设备包含处理器以及存储器，存储器中存储有程序指令，所述程序指令运行如权利要求上述任一项所述的编码方法。
为解决上述问题，本发明还提出了一种解码方法，所述方法包括以下步骤：
步骤T1.获取待解码的视频帧，并根据码头标记判断是否为关键帧；
步骤T2.如果待解码的视频帧为关键帧，则根据用户选择的解码方式进行码流的重构，生成对应的关键帧视频；
步骤T3.如果待解码的视频帧为非关键帧，则根据用户选择的解码方式，基于其左相邻的关键帧以及残差信息对应的码流进行码流的重构，生成对应的非关键帧视频。
可选的，所述用户选择解码方式分为超高清、高清、标清以及流畅四个不同等级。
相应的，本发明还提出了一种解码设备，所述解码设备包含处理器以及存储器，存储器中存储有程序指令，所述程序指令运行上述任一项所述的解码方法。
本申请还提出了一种计算机存储介质，所述存储介质存储有计算机程序指令，所述程序指令用于运行所述任一项所述的方案。
附图说明
图1是本发明的主要逻辑流程图。
具体实施方式
深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。
同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分.不同的学习框架下建立的学习模型很是不同.例如，卷积神经网络(Convolutional neuralnetworks，简称 CNNs)就是一种深度的监督学习下的机器学习模型，而深度置信网(DeepBelief Nets，简称 DBNs)就是一种无监督学习下的机器学习模型。
卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(deeplearning) 的代表算法之一。
深度卷积神经网络DCNN,则是具有多个CNN层的网络结构。
深度神经网络中经常采用的激励函数如下：sigmoid函数，tanh函数，ReLU函数。
sigmoid函数，该函数是将取值为(-∞,+∞)的数映射到(0,1)之间。sigmoid函数的公式如下：
Figure BDA0003381664260000031
sigmoid函数作为非线性激活函数，但是其并不被经常使用，它具有以下几个缺点：当 z值非常大或者非常小时，sigmoid函数的导数g′(z)将接近0。这会导致权重W的梯度将接近0，使得梯度更新十分缓慢，即梯度消失。
tanh函数，tanh函数相较于sigmoid函数要常见一些，该函数是将取值为(-∞,+∞) 的数映射到(-1,1)之间，其公式为：
Figure BDA0003381664260000032
tanh函数在0附近很短一段区域内可看做线性的。由于tanh函数均值为0，因此弥补了sigmoid函数均值为0.5的缺点。
ReLU函数，ReLU函数又称为修正线性单元(Rectified Linear Unit)，是一种分段线性函数，其弥补了sigmoid函数以及tanh函数的梯度消失问题。ReLU函数的公式如下：
Figure BDA0003381664260000041
ReLU函数的优点：
(1)在输入为正数的时候(对于大多数输入z空间来说)，不存在梯度消失问题。
(2)计算速度要快很多。ReLU函数只有线性关系，不管是前向传播还是反向传播，都比sigmod和tanh要快很多。
ReLU函数的缺点：
(1)当输入为负时，梯度为0，会产生梯度消失问题。
在本领域技术人员能够理解上述基本概念及常规操作方式的基础上，如图1所述，为解决上述问题，提出一种编码方法：
步骤S1.获取待编码的视频帧，并根据前后帧间的关系判断是否为关键帧；
步骤S2.如果当前帧为关键帧，做好标记1，写入码头，并确定出第一图像和第二图像，进行像素级标注；将所述关键帧确定的第一图像、第二图像及其对应的标注信息输入至深度神经网络，提取多级语义特征；对所述多级语义特征进行编码，生成不同层级的码流；
步骤S3.如果当前帧为非关键帧，做好标记0，写入码头；则直接计算所述非关键帧与其左相邻关键帧的残差，并进行残差编码，生成残差码流信息。
可选的，所述深度神经网络为DCNN网络，包括输入层、多个隐含层、以及一个输出层，所述输入层信息来自信息采集单元；所述多个隐含层包括一个或多个卷积层、一个或多个池化层以及一个全连接层。
可选的，所述池化层的池化方法如下：
xe＝f(1-φ(ue))
ue＝weφ(xe-1)；
其中，xe表示当前层的输出，ue表示惩罚函数φ的输入，we表示当前层的权重，φ表示惩罚函数，xe-1表示上一层的输出。
可选的，所述隐含层设置有惩罚函数，所述惩罚函数；
Figure BDA0003381664260000042
N表示所述样本数据集的大小，i取值1～N，yi表示样本xi对应的标签；Qyi表示样本xi 在其标签yi处的权重，Myi表示样本xi在其标签yi处的偏差，Mj表示输出节点j处的偏差；θj,i为样本xi与其对应标签yi的权重夹角。
可选的，所述隐含层包含有激励函数，所述激励函数为：
Figure BDA0003381664260000051
其中，θyi表示为样本xi与其对应标签yi的向量夹角；所述N表示训练样本个数；Wyi表示当前节点的权重。
可选的，所述步骤S1通过帧间物体的光流信息进行关键帧判断。
可选的，所述步骤S2中的所述第一图像和第二图像为前景图像和背景图像。
可选的，所述步骤S2中的多级语义特征包括：超高级语义特征、高级语义特征、中级语义特征以及低级语义特征。
可选的，所述步骤S2中的多级语义特征的编码层级取决于解码时的视频清晰度，所述视频清晰度为超高清、高清、标清以及流畅四个不同等级。
可选的，所述步骤S3中的编码方式为VVC编码，也可选其它有损编码或无损编码方式。
相应的，本发明还提出了一种编码设备，所述编码设备包含处理器以及存储器，存储器中存储有程序指令，所述程序指令运行如权利要求上述任一项所述的编码方法。
为解决上述问题，本发明还提出了一种解码方法，所述方法包括以下步骤：
步骤T1.获取待解码的视频帧，并根据码头标记判断是否为关键帧；
步骤T2.如果待解码的视频帧为关键帧，则根据用户选择的解码方式进行码流的重构，生成对应的关键帧视频；
步骤T3.如果待解码的视频帧为非关键帧，则根据用户选择的解码方式，基于其左相邻的关键帧以及残差信息对应的码流进行码流的重构，生成对应的非关键帧视频。
可选的，所述用户选择解码方式分为超高清、高清、标清以及流畅四个不同等级。
相应的，本发明还提出了一种解码设备，所述解码设备包含处理器以及存储器，存储器中存储有程序指令，所述程序指令运行上述任一项所述的解码方法。
本申请还提出了一种计算机存储介质，所述存储介质存储有计算机程序指令，所述程序指令用于运行所述任一项所述的方案。

Claims (10)

1.一种编码方法，所述方法包括以下特征：
步骤S1.获取待编码的视频帧，并根据前后帧间的关系判断是否为关键帧；
步骤S2.如果当前帧为关键帧，做好标记1，写入码头，并确定出第一图像和第二图像，进行像素级标注；将所述关键帧确定的第一图像、第二图像及其对应的标注信息输入至深度神经网络，提取多级语义特征；对所述多级语义特征进行编码，生成不同层级的码流；
步骤S3.如果当前帧为非关键帧，做好标记0，写入码头；则直接计算所述非关键帧与其左相邻关键帧的残差，并进行残差编码，生成残差码流信息。
2.根据权利要求1所述的编码方法，所述步骤S1通过帧间物体的光流信息进行关键帧判断。
3.根据权利要求1所述的编码方法，所述步骤S2中的所述第一图像和第二图像为前景图像和背景图像。
4.根据权利要求1所述的编码方法，所述步骤S2中的多级语义特征包括：超高级语义特征、高级语义特征、中级语义特征以及低级语义特征。
5.根据权利要求1所述的编码方法，所述步骤S2中的多级语义特征的编码层级取决于解码时的视频清晰度，所述视频清晰度为超高清、高清、标清以及流畅四个不同等级。
6.根据权利要求1所述的编码方法，所述步骤S3中的编码方式为VVC编码。
7.一种解码方法，所述方法包括以下步骤：
步骤T1.获取待解码的视频帧，并根据码头标记判断是否为关键帧；
步骤T2.如果待解码的视频帧为关键帧，则根据用户选择的解码方式进行码流的重构，生成对应的关键帧视频；
步骤T3.如果待解码的视频帧为非关键帧，则根据用户选择的解码方式，基于其左相邻的关键帧以及残差信息对应的码流进行码流的重构，生成对应的非关键帧视频。
8.根据权利要求7所述的解码方法，所述用户选择解码方式分为超高清、高清、标清以及流畅四个不同等级。
9.一种编码设备，所述编码设备包含处理器以及存储器，存储器中存储有程序指令，所述程序指令运行如权利要求1-6任一项所述的编码方法。
10.一种解码设备，所述解码设备包含处理器以及存储器，存储器中存储有程序指令，所述程序指令运行如权利要求7-8任一项所述的解码方法。
CN202111436404.1A 2021-11-29 2021-11-29 一种编解码方法及设备 Active CN114222124B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111436404.1A CN114222124B (zh) 2021-11-29 2021-11-29 一种编解码方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111436404.1A CN114222124B (zh) 2021-11-29 2021-11-29 一种编解码方法及设备

Publications (2)

Publication Number Publication Date
CN114222124A true CN114222124A (zh) 2022-03-22
CN114222124B CN114222124B (zh) 2022-09-23

Family

ID=80698837

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111436404.1A Active CN114222124B (zh) 2021-11-29 2021-11-29 一种编解码方法及设备

Country Status (1)

Country Link
CN (1) CN114222124B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014027600A (ja) * 2012-07-30 2014-02-06 Oki Electric Ind Co Ltd 動画像復号装置及びプログラム、並びに、動画像符号化システム
CN104144322A (zh) * 2013-05-10 2014-11-12 中国电信股份有限公司 移动终端上实现视频监控的方法、***与视频处理服务器
CN111523442A (zh) * 2020-04-21 2020-08-11 东南大学 视频语义分割中的自适应关键帧选择方法
US20200394414A1 (en) * 2017-12-27 2020-12-17 Beijing Sensetime Technology Development Co., Ltd. Keyframe scheduling method and apparatus, electronic device, program and medium
CN112203093A (zh) * 2020-10-12 2021-01-08 苏州天必佑科技有限公司 一种基于深度神经网络的信号处理方法
CN112333448A (zh) * 2020-11-04 2021-02-05 北京金山云网络技术有限公司 视频编码、解码方法和装置、电子设备和存储介质
CN112580473A (zh) * 2020-12-11 2021-03-30 北京工业大学 一种融合运动特征的视频超分辨率重构方法
CN112991354A (zh) * 2021-03-11 2021-06-18 东北大学 一种基于深度学习的高分辨率遥感影像语义分割方法
CN113132732A (zh) * 2019-12-31 2021-07-16 北京大学 一种人机协同的视频编码方法及视频编码***
WO2021196994A1 (zh) * 2020-03-31 2021-10-07 北京字节跳动网络技术有限公司 编码的方法及装置、终端和存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014027600A (ja) * 2012-07-30 2014-02-06 Oki Electric Ind Co Ltd 動画像復号装置及びプログラム、並びに、動画像符号化システム
CN104144322A (zh) * 2013-05-10 2014-11-12 中国电信股份有限公司 移动终端上实现视频监控的方法、***与视频处理服务器
US20200394414A1 (en) * 2017-12-27 2020-12-17 Beijing Sensetime Technology Development Co., Ltd. Keyframe scheduling method and apparatus, electronic device, program and medium
CN113132732A (zh) * 2019-12-31 2021-07-16 北京大学 一种人机协同的视频编码方法及视频编码***
WO2021196994A1 (zh) * 2020-03-31 2021-10-07 北京字节跳动网络技术有限公司 编码的方法及装置、终端和存储介质
CN111523442A (zh) * 2020-04-21 2020-08-11 东南大学 视频语义分割中的自适应关键帧选择方法
CN112203093A (zh) * 2020-10-12 2021-01-08 苏州天必佑科技有限公司 一种基于深度神经网络的信号处理方法
CN112333448A (zh) * 2020-11-04 2021-02-05 北京金山云网络技术有限公司 视频编码、解码方法和装置、电子设备和存储介质
CN112580473A (zh) * 2020-12-11 2021-03-30 北京工业大学 一种融合运动特征的视频超分辨率重构方法
CN112991354A (zh) * 2021-03-11 2021-06-18 东北大学 一种基于深度学习的高分辨率遥感影像语义分割方法

Also Published As

Publication number Publication date
CN114222124B (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
Huang et al. Toward semantic communications: Deep learning-based image semantic coding
JP7356513B2 (ja) ニューラルネットワークのパラメータを圧縮する方法および装置
US20230291909A1 (en) Coding video frame key points to enable reconstruction of video frame
TWI806199B (zh) 特徵圖資訊的指示方法，設備以及電腦程式
CN114286093A (zh) 一种基于深度神经网络的快速视频编码方法
CN113934890A (zh) 一种自动文字生成场景视频的方法及***
CN111246206A (zh) 一种基于自编码器的光流信息压缩方法及装置
KR20200109904A (ko) Dnn 기반 이미지 또는 비디오 코딩을 위한 시스템 및 방법
Akbari et al. Learned multi-resolution variable-rate image compression with octave-based residual blocks
JP7451591B2 (ja) 機械学習モデルベースのビデオ圧縮
EP4388742A1 (en) Conditional image compression
CN116600119B (zh) 视频编码、解码方法、装置、计算机设备和存储介质
CN117478886A (zh) 多媒体数据编码方法、装置、电子设备及存储介质
CN114222124B (zh) 一种编解码方法及设备
KR102613527B1 (ko) 낮은 비트레이트 비디오 압축을 위한 마이크로도싱
CN115270917A (zh) 一种两阶段处理多模态服装图像生成方法
CN113949880B (zh) 一种极低码率人机协同图像编码训练方法及编解码方法
CN116437089B (zh) 一种基于关键目标的深度视频压缩方法
AU2022279597B2 (en) Training rate control neural networks through reinforcement learning
US20230316588A1 (en) Online training-based encoder tuning with multi model selection in neural image compression
TW202326594A (zh) 使用可變輔助輸入的基於變換器的神經網路
CN115243042A (zh) 一种量化参数确定方法及相关装置
KR20240064698A (ko) 특징 맵 인코딩 및 디코딩 방법 및 장치
EP4245033A1 (en) Video compression with adaptive iterative intra-prediction
CN114554210A (zh) 无损图像压缩方法及***

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