【技术实现步骤摘要】
基于机器学习的去伪影方法、去伪影模型训练方法及装置
本申请涉及人工智能领域,特别涉及一种基于机器学习的去伪影方法、去伪影模型训练方法及装置。
技术介绍
互联网视频数据急剧增长,为了降低视频的存储和传输成本,会采用较高的压缩率对视频进行编码压缩。在视频编码压缩的过程中,由于量化、分块等移除高频信息的操作导致信息损失,从而出现伪影这一负面效果,比如,块效应、振铃效应和边缘毛刺等。上述伪影会严重降低视频画质,影响用户的观看体验。因此,需要在视频编码压缩的过程中加入去伪影这一步骤。传统的视频去伪影是通过视频增强滤波器进行图像的亮度调整、饱和度调整、锐化以及去噪等操作来实现的。但是,视频增强滤波器的主要功能是对平坦像素区域的随机噪声的去除,对于视频伪影的去除效果有限。
技术实现思路
本申请实施例提供了一种基于机器学习的去伪影方法、去伪影模型训练方法及装置,可以解决滤波器无法对视频中的多类伪影进行有效去除的问题。所述技术方案如下:根据本申请的一个方面,提供了一种基于机器学习的去伪影方法,该方法包括:获取待处理的视频;调用去伪影模型预测视频的第i个原始图像帧与对应的压缩后的图像帧之间的残差,得到第i个原始图像帧的预测残差,i为正整数;调用去伪影模型将预测残差与对应的原始图像帧相加,得到去伪影处理后的目标图像帧;将若干个目标图像帧按序进行编码压缩,得到去伪影后的视频帧序列。根据本申请的另一个方面,提供了一种基于机器学习的去伪影模型训练方法,该方法包括 ...
【技术保护点】
1.一种基于机器学习的去伪影方法,其特征在于,所述方法包括:/n获取待处理的视频;/n调用去伪影模型预测所述视频的第i个原始图像帧与对应的压缩后的图像帧之间的残差,得到第i个所述原始图像帧的预测残差,i为正整数;/n调用所述去伪影模型将所述预测残差与对应的所述原始图像帧相加,得到去伪影处理后的目标图像帧;/n将若干个所述目标图像帧按序进行编码压缩,得到去伪影后的视频帧序列。/n
【技术特征摘要】
1.一种基于机器学习的去伪影方法,其特征在于,所述方法包括:
获取待处理的视频;
调用去伪影模型预测所述视频的第i个原始图像帧与对应的压缩后的图像帧之间的残差,得到第i个所述原始图像帧的预测残差,i为正整数;
调用所述去伪影模型将所述预测残差与对应的所述原始图像帧相加,得到去伪影处理后的目标图像帧;
将若干个所述目标图像帧按序进行编码压缩,得到去伪影后的视频帧序列。
2.根据权利要求1所述的方法,其特征在于,所述调用去伪影模型预测所述视频的第i个原始图像帧与对应的压缩后的图像帧之间的残差,得到第i个所述原始图像帧的预测残差,包括:
调用所述去伪影模型对第i个所述原始图像帧进行特征提取,得到第i个所述原始图像帧的特征向量;
调用所述去伪影模型对所述特征向量降维,得到降维后的特征向量;
调用所述去伪影模型对所述降维后的特征向量进行特征重建,得到所述第i个原始图像帧与对应的压缩后的图像帧之间的预测残差。
3.根据权利要求2所述的方法,其特征在于,所述去伪影模型包括至少两个特征提取单元和第一特征融合层,至少两个所述特征提取单元顺次连接,每一个所述特征提取单元的输出端还与所述第一特征融合层的输入端连接;
所述调用所述去伪影模型对第i个所述原始图像帧进行特征提取,得到第i个所述原始图像帧的特征向量,包括:
调用至少两个所述特征提取单元中的每一个所述特征提取单元对第i个所述原始图像帧进行特征提取,得到至少两个特征子向量;
调用所述第一特征融合层将至少两个所述特征子向量进行融合,得到所述特征向量。
4.根据权利要求2所述的方法,其特征在于,所述去伪影模型包括第一1×1卷积层、第二1×1卷积层、特征提取层和第二特征融合层;
所述调用所述去伪影模型对所述特征向量降维,得到降维后的特征向量,包括:
调用所述第一1×1卷积层对所述特征向量降维,得到降维后的第一特征向量;
调用所述第二1×1卷积层对所述特征向量降维,得到降维后的第二特征向量;
调用所述特征提取层对所述第二特征向量进行特征提取,得到特征提取后的第二特征向量;
调用所述第二特征融合层将所述第一特征向量与所述特征提取后的第二特征向量进行融合,得到所述降维后的特征向量。
5.根据权利要求1至4任一所述的方法,其特征在于,所述去伪影模型是通过如下方式训练得到的:
获取训练样本,每组训练样本包括视频样本的每一个原始图像帧样本和对应的编码压缩后的图像帧样本;
调用所述去伪影模型预测所述每组训练样本中所述编码压缩后的图像帧样本的残差,得到样本残差;
调用所述去伪影模型将所述样本残差与对应的所述编码压缩后的图像帧样本相加,得到去伪影处理后的目标图像帧样本;
确定所述目标图像帧样本与对应的所述原始图像帧样本之间的损失,并根据所述损失对所述去伪影模型中的模型参数进行调整,训练所述去伪影模型的残差学习能力。
6.根据权利要求5所述的方法,其特征在于,所述调用所述去伪影模型预测所述每组训练样本中所述编码压缩后的图像帧样本的残差,得到样本残差,包括:
调用所述去伪影模型对所述编码压缩后的图像帧样本进行特征提取,得到所述编码压缩后的图像帧样本的样本特征向量;
调用所述去伪影模型对所述样本特征向量降维,得到降维后的样本特征向量;
调用所述去伪影模型对所述降维后的样本特征向量进行特征重建,得到所述样本残差。
7.根据权利要求6所述的方法,其特征在于,所述去伪影模型包括至少两个特征提取单元和第一特征融合层,至少两个所述特征提取单元顺次连接,每一个所述特征提取单元的输出端还与所述第一特征融合层的输入端连接;
所述...
【专利技术属性】
技术研发人员:尚焱,
申请(专利权)人:腾讯科技深圳有限公司,
类型:发明
国别省市:广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。