[發明專利]一種基于神經網絡的圖像編解碼方法、裝置、存儲介質及終端

有效

• 申請號: 202110287649.6
• 申請日: 2021-03-17
• 公開（公告）號: CN113225554B
• 公開（公告）日: 2022-08-16
• 發明（設計）人: 賈川民;馬思偉;葛子卿;王苫社
• 申請（專利權）人: 北京大學
• 主分類號: H04N19/119
• 分類號: H04N19/119;H04N19/124;G06T9/00
• 代理公司: 北京辰權知識產權代理有限公司 11619
• 代理人: 李小朋

1.一種基于神經網絡的圖像編碼方法，應用于編碼端，其特征在于，所述神經網絡包括編碼子網絡、自適應量化子網絡，所述方法包括：

獲取并預處理待編碼的目標圖像，生成多個子塊；

將所述多個子塊輸入所述編碼子網絡中，生成特征圖；

初始化預先設定的拉格朗日因子集合；

接收輸入的目標碼率，并基于所述目標碼率從所述拉格朗日因子集合中確定出目標拉格朗日因子；

將所述特征圖與所述目標拉格朗日因子輸入所述自適應量化子網絡中，生成監督量化后的特征圖；

將所述監督量化后的特征圖輸入高斯編碼器中熵編碼后生成目標碼流。

2.根據權利要求1所述的方法，其特征在于，所述獲取并預處理待編碼的目標圖像，生成特征圖，包括：

獲取待編碼的目標圖像；

將所述待編碼的目標圖像切分為N1乘以N2的多個子塊；其中，所述N1與N2為所述子塊的長與寬；

從所述目標圖像中獲取所述切分后剩余部分像素，并將所述剩余部分像素以0補全至長寬均為64的倍數。

3.根據權利要求1所述的方法，其特征在于，所述將所述多個子塊輸入所述編碼子網絡中，生成特征圖，包括：

確定目標卷積參數；

將所述目標卷積參數與所述編碼子網絡中的卷積核進行映射關聯，生成關聯參數的卷積核；

將所述多個子塊逐一與所述關聯參數的卷積核進行相乘，生成每個子塊所對應的特征圖。

4.根據權利要求1所述的方法，其特征在于，所述基于所述目標碼率從所述拉格朗日因子集合中確定出目標拉格朗日因子，包括：

初始化質量損失計算函數與拉格朗日因子計算函數；

將所述目標碼率輸入所述拉格朗日因子計算函數中進行計算后，生成初始拉格朗日因子；

將所述初始拉格朗日因子輸入所述質量損失計算函數中進行計算后生成目標碼率對應的質量損失值；

基于所述目標碼率對應的質量損失值從所述拉格朗日因子集合中確定出目標拉格朗日因子。

5.根據權利要求4所述的方法，其特征在于，所述基于所述目標碼率對應的質量損失值從所述拉格朗日因子集合中確定出目標拉格朗日因子，包括：

當所述質量損失值小于預設閾值時，逐一計算所述初始拉格朗日因子與所述拉格朗日因子集合中各因子之間的差值，生成多個差值；

將所述多個差值中的最小值計算過程中所使用的所述拉格朗日因子集合中的拉格朗日因子確定為目標拉格朗日因子。

6.根據權利要求4所述的方法，其特征在于，所述拉格朗日因子計算函數為：λ＝3927(e^1.3R-1)，其中λ為所述初始拉格朗日因子，R為目標碼率；所述質量損失計算函數為：

7.一種基于神經網絡的圖像解碼方法，應用于解碼端，所述神經網絡包括解碼子網絡，其特征在于，所述方法包括：

將由如權利要求1所述的圖像編碼方法生成的目標碼流輸入所述解碼子網絡中進行解碼，生成重建圖像。

8.一種基于神經網絡的圖像編碼裝置，應用于編碼端，其特征在于，所述神經網絡包括編碼子網絡、自適應量化子網絡，所述裝置包括：

子塊生成模塊，用于獲取并預處理待編碼的目標圖像，生成多個子塊；

特征圖生成模塊，用于將所述多個子塊輸入所述編碼子網絡中，生成特征圖；

集合初始化模塊，用于初始化預先設定的拉格朗日因子集合；

目標拉格朗日因子確定模塊，用于接收輸入的目標碼率，并基于所述目標碼率從所述拉格朗日因子集合中確定出目標拉格朗日因子；

特征量化模塊，用于將所述特征圖與所述目標拉格朗日因子輸入所述自適應量化子網絡中，生成監督量化后的特征圖；

碼流生成模塊，用于將所述監督量化后的特征圖輸入高斯編碼器中熵編碼后生成目標碼流。

9.一種計算機存儲介質，其特征在于，所述計算機存儲介質存儲有多條指令，所述指令適于由處理器加載并執行如權利要求1-7任意一項的方法步驟。

10.一種終端，其特征在于，包括：處理器和存儲器；其中，所述存儲器存儲有計算機程序，所述計算機程序適于由所述處理器加載并執行如權利要求1-7任意一項的方法步驟。