-
公开(公告)号：CN114584780B
公开(公告)日：2025-01-17
申请号：CN202210203902.X
申请日：2022-03-03
Applicant: 上海交通大学
IPC: H04N19/19 , H04N19/192 , H04N19/147 , H04N19/146 , G06T9/00 , G06N3/084 , G06N3/0464 , G06F17/18
Abstract: 本发明公开一种基于深度高斯过程回归的图像编码方法，包括：采用编码卷积神经网络得到待编码图像的瓶颈层多通道特征，作为第一特征图；将第一特征图中的每个特征量化为整数，得到第二特征图；基于深度高斯过程回归的自回归模型和超先验模型，对第二特征图的每一个通道，加权组合多个高斯分布的混合高斯分布编码特征，生成特征二进制码流；将超先验模型得到的超先验信息编码为超先验二进制码流；合并超先验二进制码流与特征二进制码流，得到压缩图像的二进制码流。采用非参数化的深度高斯过程回归方法进行自回归建模，将深度高斯过程回归输出的后验分布作为混合高斯模型的均值，可以灵活地获得均值估计的不确定性，从而得到更准确的均值估计。
-
公开(公告)号：CN118984392A
公开(公告)日：2024-11-19
申请号：CN202411119988.3
申请日：2024-08-15
Applicant: 上海交通大学
IPC: H04N19/147 , H04N19/13 , H04N19/124 , G06N3/0464
Abstract: 本发明公开一种矢量量化熵建模的图像编码、解码、压缩方法及系统，包括：获取待编码图像的第一特征图；获取第一特征图的超先验二进制码流以及超先验信息；用晶格矢量量化器对所述第一特征图进行量化；将量化的第一特征图投影到晶格矢量量化器的整数系数域，获得第二特征图；将第二特征图的分布参数化建模为各维度相互独立的高斯分布，通过组合所述超先验信息和空间上下文模型预测所述高斯分布的均值和方差；采用松弛边界划分晶格矢量量化器的整数系数域，根据预测的高斯分布的均值和方差进行概率估计及算术编码，获得特征二进制码流，与超先验特征二进制码流合并，得到压缩图像二进制码流。本发明通过对三维特征采用更高效的晶格矢量量化，提升图像压缩的率失真性能。
-
公开(公告)号：CN117119204A
公开(公告)日：2023-11-24
申请号：CN202311084166.1
申请日：2023-08-25
Applicant: 上海交通大学
IPC: H04N19/91 , H04N19/124 , H04N19/62 , H04N19/17 , H04N19/132 , H04N19/42
Abstract: 本发明公开一种基于条件扩散的概率熵建模图像编码、解码、压缩方法，包括：获取待编码图像的第一特征图和第二特征图；获取第二特征图的超先验特征二进制码流以及超先验信息；将第二特征图划分为多个通道分组，将每个通道分组划分为两个空间分组；将每个空间分组的分布参数化建模为混合高斯分布，通过条件扩散从高斯噪声逐次采样预测混合高斯分布的均值、方差和权重；根据混合高斯分布对第二特征图进行概率估计，并进行算术编码，获得每个空间分组的特征二进制码流并合并为特征二进制码流，进一步与超先验特征二进制码流合并，得到压缩图像二进制码流。本发明可以更精确地对三维特征的分布进行建模和估计码率，提升图像压缩的率失真性能。
-
公开(公告)号：CN114584780A
公开(公告)日：2022-06-03
申请号：CN202210203902.X
申请日：2022-03-03
Applicant: 上海交通大学
IPC: H04N19/19 , H04N19/192 , H04N19/147 , H04N19/146 , G06T9/00 , G06N3/08 , G06N3/04 , G06F17/18
Abstract: 本发明公开一种基于深度高斯过程回归的图像编码方法，包括：采用编码卷积神经网络得到待编码图像的瓶颈层多通道特征，作为第一特征图；将第一特征图中的每个特征量化为整数，得到第二特征图；基于深度高斯过程回归的自回归模型和超先验模型，对第二特征图的每一个通道，加权组合多个高斯分布的混合高斯分布编码特征，生成特征二进制码流；将超先验模型得到的超先验信息编码为超先验二进制码流；合并超先验二进制码流与特征二进制码流，得到压缩图像的二进制码流。采用非参数化的深度高斯过程回归方法进行自回归建模，将深度高斯过程回归输出的后验分布作为混合高斯模型的均值，可以灵活地获得均值估计的不确定性，从而得到更准确的均值估计。
-
-
-
Search Results
4
records
(took 0.019 seconds)
