CN119135910B 一种基于深度学习的图像编码方法、设备 （电子科技大学）

WO2024164694A1,2024.08.15本发明提供一种基于深度学习的图像编码用率失真损失函数和因果上下文调整损失函数对图像编解码过程进行端到端反向梯度传播优2步骤S2：将图像隐变量分别输入超先验编码器和辅步骤S3：将超先验隐变量经过量化后变为超先验量化隐步骤S4：先验信息输入辅助熵模型帮助估计辅助概率，步骤S5：利用熵模型估计得到的概率分布对图像隐变在训练过程中，使用以下损失函数对模型进行优化：通过变量经过量化后，将其在通道维度均分为n个隐变量部分表示图像量验隐变量经过量化后的超先验量化隐变量；和分化隐变量在通道维度均分为n个隐变量部分然后通过熵模型的估计概率分布像量化隐变量，p(J),p(2)表示对应变量概率分布；logp()),logp(⃞)表示其估计真实概率3所述无非线性激活函数模块的结构具体为输入数据依次经过由恒等映射包括的层标4行速度的同时，实现了高峰值信噪比(PSNR)和多尺度结构相似性(MS_SSIM)。它们相较于VVC的卓越压缩效果表明了LIC技术在不久的将来有望与传统技术[0003]基于深度学习的有损图像压缩方法建立在Ballé等人提出的变分自编码器(VAE)(也称为超先验)和解码的潜在表示(也称为因果上下[0005]现有的工作通常通过率损失和失真损失的组合来训练LIC网络。表示的条件可预z的两阶段自回归上下文模型，将第一阶段和第二阶段要解码的潜在表示分别表示为y2和确地估计。因此，CCA损失函数明确引导编码器将重要信息调整到自回归熵模型的早期阶5[0012]步骤S5：利用熵模型估计得到的概率分布对图像隐变量量化后，将其在通道维度均分为n个隐变量部分表示图像量化隐变量经过量化后的超先验量化隐变量；pazse-,(i1l8,Jci-1)和分别是辅助6[0026]图2是本发明实施例提供的一种基于深度学习的图像编码方法的熵模型网络结构[0027]图3是本发明实施例提供的一种基于深度学习的图像编码方法的自编码器网络结[0039]步骤S5：利用熵模型估计得到的概率分布对图像隐变量7调整损失函数调整信息量在熵模型估计得到隐变隐变量，p(J),p(J),p(⃞)表示对应变量概率分布；logp(J),logp(J),logp(⃞)表示其估计真将该图像隐变量量化为图像量化隐变量后，将其在通道维度均分为多个隐变量部分然后通过熵模型的估计概率分布对传输得到的图像量化隐变量进行自回归分，而后通过利用已解码的第一部分对第二部分进行解码…以此类推完成所有部分的解8[0055]此外，本实施例使用了CCA损失明确地鼓励将图像的重要信息编码到较早的因果得到辅助隐变量,其中表示已解码部分，为量化后的隐变量部分，表示熵模型F利用已解码部分和超先验量化隐变量，得到当前阶段的隐变量部分；i-1表示排除掉上一部分的已解码部分，表示利用排除掉上一部分的已解码部分和超先验隐变量得到辅助隐变psae(s2l)和分别是辅助熵模型和熵模型的估计分布。辅助熵模型和熵模在通道维度均分为n个隐变量部分表示量化隐变量的第i部分的已解码施例的熵模型以及辅助熵模型的详细网络架构可以在图2中找9[0068]所述存储器可为一计算