买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜复旦大学申请的专利量化参数自适应的卷积神经网络环路滤波器及其构建方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114596223B 。

龙图腾网通过国家知识产权局官网在2025-05-09发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210174226.8，技术领域涉及：G06T5/70；该发明授权量化参数自适应的卷积神经网络环路滤波器及其构建方法是由范益波;刘超设计研发完成，并于2022-02-24向国家知识产权局提交的专利申请。

本量化参数自适应的卷积神经网络环路滤波器及其构建方法在说明书摘要公布了：本发明属于卷积神经网络环路滤波器技术领域，具体为一种本发明属于神经网络环路滤波器技术领域，具体为一种对量化参数自适应的卷积神经网络环路滤波器及其构建方法。本发明通过将QP量化参数引入到神经网络中，以提升神经网络性能对不同量化参数的泛化能力。具体采用两种新型的策略，一种是从频率域角度设计的FQAM，另一种则是从空间域设计的SQAM；结合这两种策略，卷积神经网络滤波可以在频域和空域上都实现对QP信息的吸收和利用，从而使得其对失真图像中的不同的量化噪声都具有很强的滤波能力。

本发明授权量化参数自适应的卷积神经网络环路滤波器及其构建方法在权利要求书中公布了：1.一种量化参数自适应的卷积神经网络环路滤波器构建方法，其特征在于，通过将量化参数QP引入到卷积神经网络中，以提升卷积神经网络对不同的QP的泛化能力，具体步骤为：一构建FQAM；从频域的角度出发，构建卷积神经网络模型，并将量化参数QP融入其中；首先考虑一个简单的滤波模型： 其中，w是滤波器参数，y是滤波器的输入，即失真图像，为滤波器的输出，即重建图像；使用傅里叶变换得到其在频域上的等式，即时域卷积等于频域乘法： F.表示傅里叶变换；假设这个滤波器具有较好的滤波性能，则重建图像近似等于原始图像，即在频域上有： 为了应对变化的QP，将其推广到一般的情况，即希望修改后的滤波器在较广泛的量化噪声输入的情况都具备较好的性能；这里把修改后的滤波器参数记为w′，量化噪声改变情况记为ε；此时的重建图像发生了变换，由原先的变为了 也对等式4进行傅里叶变换，得到其频域形式的公式: 希望求得这样的w′，使得w′所重建出来的与原始输入x之间的损失最低；为了方便求解，这里使用均方误差，原始输入x和重建之间的均方误差写为： 由帕斯瓦尔定理，时域上的失真和频域上的失真是相同的,于是，公式6的L也可以写为频域形式，得到如下的展开式： 对式7求关于Fw′的偏导，可以求得使得导数为零的Fw′，表示成如下的式子： 其中，第一项表示公式1的在频域形式的原始滤波器，第二项是根据对噪声进行修改得到的，称之为噪声影响因子；通过这里的噪声影响因子去改变原始滤波器，对这个式子进行简化： 考虑某一个特定的频域，滤波器的强度和原始信号的强度事实上是不变的，所以此式可以被近似为kiFni，而已知Fni是正比于Qstep2的，所以使用可训练的参数θi来表示这里的倍数关系，把Qstep2引入到模型中： 考虑到这样做的复杂度过于高，采用简化的策略，直接近似认为卷积层即表示对频域的选择，从而把计算从特征的平方阶次降低到特征阶次；此时滤波器操作的时域形式写为： 于是，推导出FQAM的算法，其中，w为原始的滤波参数，分母上的1+θQstep2表示衰减系数，随着QP的变化，Qstep也会变化，将变化的Qstep作为输入，来影响模型的滤波性能；二构建SQAM采用空域上的SQAM作为一个补充，以提升FQAM在空域上的能力，实现不同的区域对QP的响应也产生区别；SQAM的构建过程为：首先将输入图像y′的空域特征提取出来，这里采用MaxPool和AvgPool操作，即最大值池化和均值池化操作：sy′＝{MaxPooly′；AvgPooly′}，12在提取出y′的空域特征sy′后，将这个特征经过一个FQAM以实现对QP信息的融合；这里融合的输出用一个sigmoid激活函数，实现对输出的限幅： 融合输出，作为空域的强度信息，使用元素级别的点乘，将这个强度信息乘回到原始输入的y′上，最终输出SQAM的重建像素 三基于FQAM和SQAM构建对量化参数自适应的卷积神经网络环路滤波器一个神经网络滤波器由多层卷积堆叠得到；记第i层的输出为yi，使用函数f·来表示连续两层之间的变化关系，如公式15所示：yi+1＝fyi,QP，15每一层的特征由高频信息和低频信息两部分构成，用公式16的记号来表示每一层的特征： 使用倍频程卷积和FQAM和SQAM对每一层进行变换，如公式17和18所示： 其中，LReLU表示leakyrelu激活函数；模型的可训练参数θ表示为和的集合： Qstep2被用下面的式子进行替代：Qstep2＝2QP-323，20从而完成卷积神经网络中的每一层之间的转换，进而完成了整个模型；由此，即实现使得卷积神经网络对不同量化参数自适应。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人复旦大学，其通讯地址为：200433 上海市杨浦区邯郸路220号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。