本申请实施例中提供了一种编解码网络结构、图像压缩方法、装置及存储介质，编/解码网络，包括主编/解码器，主编/解码器包括：第一编/解码支路，包括多个编/解码粗信息降采样块，编码粗信息降采样块包括编/解码卷积层以及编/解码粗信息激活层；第二编/解码支路，包括多个编/解码细信息降采样块，编/解码细信息降采样块包括编/解码卷积层、编/解码膨胀卷积层以及编/解码细信息激活层；编/解码拼接模块，将第一编/解码支路以及第二编/解码支路，进行特征融合以及通道拼接。本申请的编解码网络结构，用于端到端的智能图像压缩技术，改善编/解码器模块的网络结构，相比于基线模型的性能，大大提高了图像压缩模型码率。大大提高了图像压缩模型码率。大大提高了图像压缩模型码率。
【技术实现步骤摘要】
编解码网络结构、图像压缩方法、装置及存储介质
[0001]本申请属于图像处理
，具体地，涉及一种编解码网络结构、图像压缩方法、装置及存储介质。
技术介绍
[0002]近年来基于深度神经网络的图像编码方法成为编码领域的研究热点，它通过端到端建模自编码器（Auto
‑
encoder）结构，优化图像重建损失函数，随着深度学习的发展，近年来，端到端优化的图像压缩越来越受到关注。得益于编码/解器提供的非线性变换，以及合理的码率估计，最终的压缩方法表明在计算实施时，可实现较低时间以及复杂性的潜力。但是如何设计更合理的编码网络以提取更高质量的图像潜在特征仍然值得探索。
技术实现思路
[0003]本本专利技术提出了一种编解码网络结构、图像压缩方法、装置及存储介质，旨在优化编/解码器的网络结构，通过更合理地网络结构，提高编码器的提取特征能力以及解码器的重建图像能力。
[0004]根据本申请实施例的第一个方面，提供了一种编解码网络结构，具体包括：编码网络，包括主编码器，主编码器包括：第一编码支路，包括多个编码粗信息降采样块，编码粗信息降采样块包括编码卷积层以及编码粗信息激活层；第二编码支路，包括多个编码细信息降采样块，编码细信息降采样块包括编码卷积层、编码膨胀卷积层以及编码细信息激活层；编码拼接模块，将第一编码支路以及第二编码支路，输出的第一编码特征图以及第二编码特征图进行特征融合以及通道拼接，得到主编码输出结果；解码网络，包括与编码网络对应的主解码器，主解码器包括：第一解码支路，包括多个解码粗信息上采样块，解码粗信息上采样块包括解码卷积层以及解码粗信息激活层；第二解码支路，包括多个解码细信息上采样块，解码细信息上采样块包括解码卷积层、解码膨胀卷积层以及解码细信息激活层；解码拼接模块；将第一解码支路以及第二解码支路，输出的第一解码特征图以及第二解码特征图进行特征融合以及通道拼接，得到主解码输出结果。
[0005]在本申请一些实施方式中，编码粗信息降采样块由两个编码卷积层以及一个编码粗信息激活层串联构成；编码粗信息激活层为GDN函数层；相应的，解码粗信息上采样块由两个解码卷积层以及一个解码粗信息激活层串联构成；解码粗信息激活层为IGDN函数层。
[0006]在本申请一些实施方式中，编码细信息降采样块由一个降采样的编码卷积层、一
个编码膨胀卷积层以及一个编码细信息激活层串联构成；编码细信息激活层为BN函数以及LRelu函数层；相应的，解码细信息上采样块由一个上采样的解码卷积层、一个解码膨胀卷积层以及一个解码细信息激活层串联构成；解码细信息激活层为BN函数以及LRelu函数层。
[0007]在本申请一些实施方式中，编/解码细信息激活层的BN函数以及LRelu函数层，具体结构为BN函数层位于LRelu函数层之前。
[0008]在本申请一些实施方式中，第一编码支路由四个编码粗信息降采样块串联形成；相应的，第一解码支路由四个解码粗信息上采样块串联形成。
[0009]根据权利要求1的编解码网络结构，其特征在于，第二编码支路由四个编码细信息降采样块串联形成；第二解码支路由四个解码细信息上采样块串联形成。
[0010]在本申请一些实施方式中，第一编/解码支路以及第二编/解码支路中，编/解码卷积层以及编/解码膨胀卷积层的卷积核大小均为3
×
3；编码拼接模块依次包括一个卷积核为3
×
3的卷积层，以及一个卷积核为1
×
1的卷积层；解码拼接模块依次包括一个卷积核为3
×
3的卷积层，以及一个卷积核为1
×
1且通道数为原输入图片通道数的卷积层。
[0011]在本申请一些实施方式中，编/解码网络还包括超先验编/解码器；主编码器的主编码输出结果输入超先验编码器，得到超先验编码结果；超先验编码结果输入超先验解码器，得到超先验解码结果；超先验解码结果输入主解码器。
[0012]根据本申请实施例的第二个方面，提供了一种图像压缩方法，采用编解码网络结构进行图像压缩，图像压缩方法包括：将图像输入编解码网络结构；图像依次经过编码网络以及解码网络后，输出压缩图像。
[0013]根据本申请实施例的第三个方面，提供了一种图像压缩设备，包括：存储器：用于存储可执行指令；以及处理器:用于与存储器连接以执行可执行指令从而完成图像压缩方法。
[0014]根据本申请实施例的第四个方面，提供了一种计算机可读存储介质，其上存储有计算机程序；计算机程序被处理器执行以实现图像压缩方法。
[0015]采用本申请实施例中的编解码网络结构、图像压缩方法、装置及存储介质，编解码网络结构中，编码网络，包括主编码器，主编码器包括：第一编码支路，包括多个编码粗信息降采样块，编码粗信息降采样块包括编码卷积层以及编码粗信息激活层；第二编码支路，包括多个编码细信息降采样块，编码细信息降采样块包括编码卷积层、编码膨胀卷积层以及编码细信息激活层；编码拼接模块，将第一编码支路以及第二编码支路，输出的第一编码特征图以及第二编码特征图进行特征融合以及通道拼接，得到主编码输出结果；其中，解码网络，包括与编码网络对应的主解码器，主解码器包括：第一解码支路，包括多个解码粗信息上采样块，解码粗信息上采样块包括解码卷积层以及解码粗信息激活层；第二解码支路，包括多个解码细信息上采样块，解码细信息上采样块包括解码卷积层、解码膨胀卷积层以及解码细信息激活层；解码拼接模块；将第一解码支路以及第二解码支路，输出的第一解码特征图以及第二解码特征图进行特征融合以及通道拼接，得到主解码输出结果。
[0016]本申请的编解码网络结构、图像压缩方法、装置及存储介质，用于端到端的智能图像压缩技术，改善编/解码器模块的网络结构，相比于基线模型的性能，大大提高了图像压缩模型码率。
附图说明
[0017]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1中示出了现有技术中的编解码网络结构的基线模型整体框图；图2中示出了5x5的特征图与3x3的普通卷积核的卷积过程；图3中示出了7x7的特征图与3x3的膨胀卷积核的卷积过程；图4中示出了根据本申请实施例的编解码网络结构的主编码器的网络框图；图5中示出了根据本申请实施例的主编码器的粗信息降采样块的网络框图；图6中示出了根据本申请实施例的主编码器的细信息降采样块的网络框图；图7中示出了根据本申请实施例的编解码网络结构的主解码器的网络框图；图8中示出了根据本申请实施例的主解码器的粗信息上采样块的网络框图；图9中示出了根据本申请实施例的主解码器的细信息降上样块的网络框图；图10中示出了根据本申请实施例的图像压缩方法的步骤示意图；图11示出了根据本申请实施例的一种图像压缩装置的结构示意图。
具体实施方式
[0018]在实现本申请的过程中，专利技术人发现在优化编/解码器的网络结构中，修改主编/解码器模块内部的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种编解码网络结构，其特征在于，具体包括：编码网络，包括主编码器，所述主编码器包括：第一编码支路，包括多个编码粗信息降采样块，所述编码粗信息降采样块包括编码卷积层以及编码粗信息激活层；第二编码支路，包括多个编码细信息降采样块，所述编码细信息降采样块包括编码卷积层、编码膨胀卷积层以及编码细信息激活层；编码拼接模块，将所述第一编码支路以及第二编码支路输出的第一编码特征图以及第二编码特征图进行特征融合以及通道拼接，得到主编码输出结果；解码网络，包括与所述编码网络对应的主解码器，所述主解码器包括：第一解码支路，包括多个解码粗信息上采样块，所述解码粗信息上采样块包括解码卷积层以及解码粗信息激活层；第二解码支路，包括多个解码细信息上采样块，所述解码细信息上采样块包括解码卷积层、解码膨胀卷积层以及解码细信息激活层；解码拼接模块；将所述第一解码支路以及第二解码支路输出的第一解码特征图以及第二解码特征图进行特征融合以及通道拼接，得到主解码输出结果。2.根据权利要求1所述的编解码网络结构，其特征在于，所述编码粗信息降采样块由两个编码卷积层以及一个编码粗信息激活层串联构成；所述编码粗信息激活层为GDN函数层；相应的，解码粗信息上采样块由两个解码卷积层以及一个解码粗信息激活层串联构成；所述解码粗信息激活层为IGDN函数层。3.根据权利要求1所述的编解码网络结构，其特征在于，所述编码细信息降采样块由一个降采样编码卷积层、一个编码膨胀卷积层以及一个编码细信息激活层串联构成；所述编码细信息激活层为BN函数以及LRelu函数层；相应的，解码细信息上采样块由一个上采样解码卷积层、一个解码膨胀卷积层以及一个解码细信息激活层串联构成；所述解码细信息激活层为BN函数以及LRelu函数层。4.根据权利要求3所述的编解码网络结构，其特征在于，所...
【专利技术属性】
技术研发人员：黄晓峰，叶宗苗，杨浩运，宋磊，贾惠柱，
申请(专利权)人：杭州博雅鸿图视频技术有限公司，
类型：发明
国别省市：
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。