申请/专利权人：中国科学技术大学

申请日：2024-03-12

公开（公告）日：2024-06-07

公开（公告）号：CN118158446A

主分类号：H04N19/85

分类号：H04N19/85;H04N19/91;H04N19/147;H04N19/66;H04N19/154;G06T9/00

优先权：

专利状态码：在审-公开

法律状态：2024.06.07#公开

摘要：本发明公开了一种基于非局部注意力机制的解耦端到端图像压缩方法，其步骤包括：1、对待压缩图像进行预处理；2、构建解耦端到端图像压缩网络，包括编码端网络和解码端网络：3、基于率失真优化的目标构建总体损失函数；4、训练网络直至收敛，使用训练好的模型实现图像压缩。本发明结合解耦结构的快速解码和非局部注意力机制强大转换能力的优点，兼顾图像重建质量和编解码速度，是端到端图像编解码实际应用中有力的候选者。

主权项：1.一种基于非局部注意力机制的解耦端到端图像压缩方法，其特征在于，是按如下步骤进行：步骤1、对待压缩图像的预处理：获取待压缩图像集X＝{X1，X2，…，Xi…，XI}，其中，Xi表示第i张待压缩图像，I表示待压缩图像的数量；将第i张待压缩图像Xi裁剪为固定大小的图像块，得到图像块集合其中，Wij表示第i张待压缩图像Xi的第j个图像块；Ji表示图像块的数量；步骤2、构建解耦端到端图像压缩网络，包括：编码端网络和解码端网络；步骤2.1、所述编码端网络对Wij进行处理，获得的潜在表示Yij和超先验信息Zij；步骤2.2、计算潜在表示Yij的均值μij，从而用Yij减去均值μij后，得到潜在表示残差Rij；步骤2.3、通过加入高斯均匀噪声对潜在表示残差Rij和超先验信息Zij分别进行量化，得到量化后的残差和超先验信息根据信息熵的原理，使用零均值高斯模型学习和的概率分布，并用来估计的熵参数，再使用熵参数来指导的压缩，从而对和分别进行算术编码，相应得到潜在表示残差码流和超先验码流；步骤2.4、对潜在表示残差码流和超先验码流分别进行算术解码，相应得到重建潜在表示残差和重建超先验信息步骤2.5、所述解码端网络对和进行处理，得到重建图像块步骤3、利用式1构建基于率失真优化目标的图像块Wij的损失函数Lij： 式1中，R是估计码率的函数，Dmse和Dmsssim分别是均方失真项和结构相似性失真项，λmse和λmsssim是对应的拉格朗日因子；步骤4、基于待压缩图像训练集X，对端到端解耦图像压缩网络进行训练，计算总体损失函数当训练迭代次数达到设定的次数或总损失函数收敛时停止训练，得到最优的非局部注意力机制的解耦端到端图像压缩模型，用于对图像进行压缩。

全文数据：

权利要求：

百度查询： 中国科学技术大学 基于非局部注意力的解耦端到端图像压缩方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD