CN119418254A 一种基于深度学习的实时视频质量优化与增强方法 （小元感知(葫芦岛)科技有限公司）_第1页
CN119418254A 一种基于深度学习的实时视频质量优化与增强方法 （小元感知(葫芦岛)科技有限公司）_第2页
CN119418254A 一种基于深度学习的实时视频质量优化与增强方法 （小元感知(葫芦岛)科技有限公司）_第3页
CN119418254A 一种基于深度学习的实时视频质量优化与增强方法 （小元感知(葫芦岛)科技有限公司）_第4页
CN119418254A 一种基于深度学习的实时视频质量优化与增强方法 （小元感知(葫芦岛)科技有限公司）_第5页
已阅读5页，还剩31页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种基于深度学习的实时视频质量优化与本发明公开了一种基于深度学习的实时视正帧并基于动态时间规整方法对帧序列进行优2S2、将所述标准化视频帧输入光流估计算法提S4、将所述归一化视频帧输入自适应多维残S5、将所述去噪优化帧输入递进式生成对抗网络S7、将所述校正后帧序列输入动态反馈优化模块，S8、将所述优化后帧序列重新组合为连续视频，2.根据权利要求1所述的一种基于深度学习的实时视频质量优化与增强方法，其特征S21、将所述标准化视频帧输入光流估计算法，对连续帧IE(x,y)和Itr1(x,y)进行处;通过求解约束方程估算每个像素点在两帧之;33.根据权利要求1所述的一种基于深度学习的实时视频质量优化与增强方法，其特征;;;;44.根据权利要求1所述的一种基于深度学习的实时视频质量优化与增强方法，其特征5.根据权利要求1所述的一种基于深度学习的实时视频质量优化与增强方法，其特征S62、所述帧间关系构建单元采用局部敏感哈希技术，对视频帧的特征进行相似性计5;输出校正后的帧序列。6.根据权利要求1所述的一种基于深度学习的实时视频质量优化与增强方法，其特征;6[0007]现有的动态优化方法中，参数调整和模型更新通常基于难以实时适应不同场景的变化。用户反馈和实时视频质量评估往往无法直接融入优化流7[0009]本发明的一个目的在于提出一种基于深度学习的实时视;通过求解约束方程估算每个像素点在两帧之8;S25、对所述语义特征矩阵进行区域加权，基于关键区域的优先级分配不同的权;其中，Foust表示残差网络的输出特征，Fin表示残差网络的输入特征，R(Fn)表;;9;S65、基于动态时间规整方法对帧序列进行一致性评估，输入帧序列和目标帧序;;本上弥补了现有方法在单一模式下特征提取图1为本发明提出的一种基于深度学习的实时视频质量优化与增强方法的整体流图2为本发明提出的一种基于深度学习的实时视频质量优化与增强方法的递进式;通过求解约束方程估算每个像素点在两帧之Itr1(x+u,y+v)S25、对所述语义特征矩阵进行区域加权，基于关键区域的优先级分配不同的权;其中，Foust表示残差网络的输出特征，Fin表示残差网络的输入特征，R(Fn)表;;;S65、基于动态时间规整方法对帧序列进行一致性评估，输入帧序列和目标帧序;;;;;;[0039]帧间时间一致性是影响视频流畅性的重要指标。从上述表3中的帧间时间一致性要求应用场景的需求。这些数据充分证明了本发明在实际应用中的显著优势和广泛适用

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论