编解码方法、装置、设备、存储介质及计算机程序制造方法及图纸

本申请实施例公开了一种编解码方法、装置、设备、存储介质及计算机程序，属于编解码技术领域。在本申请实施例中，解码过程中基于指定数值将多个特征点划分为多组，对于同一组中的各个特征点并行确定概率分布，这样能够加快解码效率。相应地，在编码过程中也是按照同样的分组方式将该多个特征组进行分组，依次该多组中每组特征点的第一图像特征编入码流。也即是，本方案能够突破基于变分自编码器VAE进行解码时串行计算所带来的效率瓶颈，有效提高解码效率。码效率。码效率。

【技术实现步骤摘要】
编解码方法、装置、设备、存储介质及计算机程序


[0001]本申请实施例涉及编解码
，特别涉及一种编解码方法、装置、设备、存储介质及计算机程序。

技术介绍

[0002]图像压缩技术能够实现图像信息的有效传输和存储，对于当前图像信息的种类和数据量越来越大的媒体时代起着重要作用。图像压缩技术包括对图像的编码和解码，而编解码性能(体现图像质量)以及编解码效率(体现耗时)是图像压缩技术中需要考虑的要素。
[0003]在相关技术中，经过技术人员长期的研究与优化，目前已经形成了诸如JPEG、PNG等有损图像压缩标准。但是这些较为传统的图像压缩技术在编解码性能的提升上遇到了瓶颈，已无法满足多媒体应用数据日益增多的时代需求。而随着深度学习技术在图像识别、目标检测等领域的广泛应用，深度学习技术也被应用于图像压缩任务中，这样编解码效率比传统的图像压缩技术更高。例如，使用基于深度学习技术的变分自编码器(variational auto
‑
encoder，VAE)进行图像编解码，能够大幅提升编解码性能。
[0004]然而，在基于深度学习技术的图像压缩方法的研究过程中，如何有效地保证编解码性能，同时又能提升编解码效率，是需要关注和研究的问题。例如，相关技术中在使用VAE进行图像解码的过程中，采用神经网络模型串行计算图像的各个特征点的概率分布，基于概率分布解码出图像。而计算概率分布由神经网络模型实现，串行计算会使解码效率较低。如何保证不降低编解码性能的同时，突破解码时串行计算所带来的效率瓶颈，是基于VAE进行编解码方法研究中需要关注的问题。

技术实现思路

[0005]本申请实施例提供了一种编解码方法、装置、设备、存储介质及计算机程序，能够保证不降低编解码性能的同时，突破基于VAE解码时串行计算所带来的效率瓶颈。所述技术方案如下：
[0006]第一方面，提供了一种解码方法，所述方法包括：
[0007]基于码流确定待解码的图像的多个特征点中各个特征点的先验特征；基于指定数值将该多个特征点划分为多组；基于该多个特征点的先验特征，依次确定多组中每组特征点的第一图像特征；其中，确定任一组特征点的第一图像特征的步骤为：并行确定该任一组中各个特征点的概率分布，基于该任一组中各个特征点的概率分布，从码流中解析出该任一组中各个特征点的第一图像特征；基于该多个特征点的第一图像特征重建图像。
[0008]也即是，在本申请实施例中，解码过程中基于指定数值将多个特征点划分为多组，对于同一组中的各个特征点并行确定概率分布，这样能够加快解码效率。也即是，本方案能够突破基于VAE进行解码时串行计算所带来的效率瓶颈，有效提高解码效率。
[0009]需要说明的是，该方法应用于包括上下文模型的编解码器中，当解码到该多组中任一组时，该任一组中各个特征点的周边信息已全部解码得到，也即是该任一组中的特征
点满足周边信息已解码得到的条件。
[0010]其中，该多个特征点包括第一特征点，确定第一特征点的概率分布，包括：若第一特征点为该多个特征点中的非首个特征点，则从已解码的各个特征点的第一图像特征中，确定第一特征点的周边信息，第一特征点为任一组中的一个特征点；将第一特征点的周边信息输入上下文模型，得到上下文模型输出的第一特征点的上下文特征；基于第一特征点的先验特征和第一特征点的上下文特征，确定第一特征点的概率分布。
[0011]可选地，第一特征点的周边信息包括以第一特征点为几何中心的邻域内已解码的特征点的第一图像特征，该邻域的大小基于上下文模型使用的感受野的尺寸确定，该周边信息至少包括第一特征点周边的n个特征点的第一图像特征，n大于或等于4。也即是，为了保证编解码性能，保证图像质量，本方案在保证压缩率的同时尽量利用较多的周边信息。
[0012]可选地，该多个特征点包括第一特征点，确定第一特征点的概率分布，包括：若第一特征点为该多个特征点中的首个特征点，则基于第一特征点的先验特征，确定第一特征点的概率分布。
[0013]可选地，指定数值基于上下文模型使用的感受野的尺寸确定；基于指定数值将该多个特征点划分为多组，包括：基于指定数值确定斜率，该斜率用于指示划分为同一组的特征点所在直线的倾斜程度；基于该斜率，将该多个特征点划分为多组。也即是，本方案基于感受野的尺寸来确定可以并行解码的一组特征点。
[0014]可选地，若上下文模型使用多个尺寸不同的感受野，则指定数值是通过该多个尺寸不同的感受野中最大感受野的尺寸确定。
[0015]可选地，上下文模型使用的感受野包括尺寸为5*5的感受野。
[0016]第二方面，提供了一种编码方法，该方法包括：
[0017]基于待编码的图像，确定该图像的多个特征点中各个特征点的第一图像特征、概率分布和第一超先验特征；基于指定数值将该多个特征点划分为多组；基于该多个特征点的概率分布，依次将该多组中每组特征点的第一图像特征编入码流；将该多个特征点的第一超先验特征编入码流。
[0018]也即是，在本申请实施例中，为了在解码过程中并行确定概率分布，以提高解码效率，在编码过程中基于指定数值将多个特征点划分为多组，依次将该多组中每组特征点的第一图像特征编入码流。这样，在解码过程中也按照同样的方式分组，对于同一组中的各个特征点并行确定概率分布，以提高解码效率。也即是，本方案能够突破基于VAE进行解码时串行计算所带来的效率瓶颈，有效提高解码效率。
[0019]可选地，基于待编码的图像，确定该图像的多个特征点中各个特征点的第一图像特征、概率分布和第一超先验特征，包括：基于该图像，确定该多个特征点的第一图像特征；基于该多个特征点的第一图像特征，确定该多个特征点的第一超先验特征，以及并行确定该多个特征点中各个特征点的概率分布。
[0020]与解码方法相对应，该方法也应用于包括上下文模型的编解码器。可选地，该多个特征点包括第一特征点，确定第一特征点的概率分布，包括：若第一特征点为该多个特征点中的非首个特征点，则基于第一特征点的第一图像特征，确定第一特征点的先验特征，第一特征点为该多个特征点中的一个特征点；从该多个特征点的第一图像特征中，确定第一特征点的周边信息；将第一特征点的周边信息输入上下文模型，得到上下文模型输出的第一
特征点的上下文特征；基于第一特征点的先验特征和第一特征点的上下文特征，确定第一特征点的概率分布。
[0021]可选地，该多个特征点包括第一特征点，确定第一特征点的概率分布，包括：若第一特征点为该多个特征点中的首个特征点，则基于第一特征点的先验特征，确定第一特征点的概率分布。
[0022]可选地，指定数值基于上下文模型使用的感受野的尺寸确定；基于指定数值将该多个特征点划分为多组，包括：基于该指定数值确定斜率，该斜率用于指示划分为同一组的特征点所在直线的倾斜程度；基于该斜率，将该多个特征点划分为多组。
[0023]可选地，若上下文模型使用多个尺寸不同的感受野，则指定数值是通过该多个尺寸不同的感受野中最本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种解码方法，其特征在于，所述方法包括：基于码流确定待解码的图像的多个特征点中各个特征点的先验特征；基于指定数值将所述多个特征点划分为多组；基于所述多个特征点的先验特征，依次确定所述多组中每组特征点的第一图像特征；其中，确定任一组特征点的第一图像特征的步骤为：并行确定所述任一组中各个特征点的概率分布，基于所述任一组中各个特征点的概率分布，从所述码流中解析出所述任一组中各个特征点的第一图像特征；基于所述多个特征点的第一图像特征重建所述图像。2.如权利要求1所述的方法，其特征在于，所述多个特征点包括第一特征点，则确定所述第一特征点的概率分布，包括：若所述第一特征点为所述多个特征点中的非首个特征点，则从已解码的各个特征点的第一图像特征中，确定所述第一特征点的周边信息，所述第一特征点为所述任一组中的一个特征点；将所述第一特征点的周边信息输入上下文模型，得到所述上下文模型输出的所述第一特征点的上下文特征；基于所述第一特征点的先验特征和所述第一特征点的上下文特征，确定所述第一特征点的概率分布。3.如权利要求2所述的方法，其特征在于，所述第一特征点的周边信息包括以所述第一特征点为几何中心的邻域内已解码的特征点的第一图像特征，所述邻域的大小基于所述上下文模型使用的感受野的尺寸确定，所述周边信息至少包括所述第一特征点周边的n个特征点的第一图像特征，所述n大于或等于4。4.如权利要求1所述的方法，其特征在于，所述多个特征点包括第一特征点，则确定所述第一特征点的概率分布，包括：若所述第一特征点为所述多个特征点中的首个特征点，则基于所述第一特征点的先验特征，确定所述第一特征点的概率分布。5.如权利要求2或3所述的方法，其特征在于，所述指定数值基于所述上下文模型使用的感受野的尺寸确定；所述基于指定数值将所述多个特征点划分为多组，包括：基于所述指定数值确定斜率，所述斜率用于指示划分为同一组的特征点所在直线的倾斜程度；基于所述斜率，将所述多个特征点划分为所述多组。6.如权利要求5所述的方法，其特征在于，若所述上下文模型使用多个尺寸不同的感受野，则所述指定数值是通过所述多个尺寸不同的感受野中最大感受野的尺寸确定。7.一种编码方法，其特征在于，所述方法包括：基于待编码的图像，确定所述图像的多个特征点中各个特征点的第一图像特征、概率分布和第一超先验特征；基于指定数值将所述多个特征点划分为多组；基于所述多个特征点的概率分布，依次将所述多组中每组特征点的第一图像特征编入码流；
将所述多个特征点的第一超先验特征编入所述码流。8.如权利要求7所述的方法，其特征在于，所述基于待编码的图像，确定所述图像的多个特征点中各个特征点的第一图像特征、概率分布和第一超先验特征，包括：基于所述图像，确定所述多个特征点的第一图像特征；基于所述多个特征点的第一图像特征，确定所述多个特征点的第一超先验特征，以及并行确定所述多个特征点中各个特征点的概率分布。9.如权利要求8所述的方法，其特征在于，所述多个特征点包括第一特征点，确定所述第一特征点的概率分布，包括：若所述第一特征点为所述多个特征点中的非首个特征点，则基于所述第一特征点的第一图像特征，确定所述第一特征点的先验特征，所述第一特征点为所述多个特征点中的一个特征点；从所述多个特征点的第一图像特征中，确定所述第一特征点的周边信息；将所述第一特征点的周边信息输入上下文模型，得到所述上下文模型输出的所述第一特征点的上下文特征；基于所述第一特征点的先验特征和所述第一特征点的上下文特征，确定所述第一特征点的概率分布。10.如权利要求8所述的方法，其特征在于，所述多个特征点包括第一特征点，确定所述第一特征点的概率分布，包括：若所述第一特征点为所述多个特征点中的首个特征点，则基于所述第一特征点的先验特征，确定所述第一特征点的概率分布。11.如权利要求9所述的方法，其特征在于，所述指定数值基于所述上下文模型使用的感受野的尺寸确定；所述基于指定数值将所述多个特征点划分为多组，包括：基于所述指定数值确定斜率，所述斜率用于指示划分为同一组的特征点所在直线的倾斜程度；基于所述斜率，将所述多个特征点划分为所述多组。12.如权利要求11所述的方法，其特征在于，若所述上下文模型使用多个尺寸不同的感受野，则所述指定数值是通过所述多个尺寸不同的感受野中最大感受野的尺寸确定。13.一种解码装置，其特征在于，所述装置包括：第一确定模块，用于基于码流确定待解码的图像的多个特征点中各个特征点的先验特征；分组模块，用于基于指定数值将所述多个特征点划分为多组；第二确定模块，用于基于所述多个特征点的先验特征，依次确定所述多组中每组特征点的第一图像特征；其中，确定任一组特征点的第一图像特征的步骤为：并行确定所述任一组中各个特征点的概率分布，基于所述任一组中各个特征点的概率分布，从所述码流中解析出所述任一组中各个特征点的第一...

【专利技术属性】
技术研发人员：师一博，王晶，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：