本申请的实施例提供了一种滤波及编解码方法、装置、计算机可读介质及电子设备。该基于深度学习的滤波方法包括：获取已编码图像对应的重建图像和所述已编码图像的量化参数，所述量化参数包括所述已编码图像对应的帧级量化参数、条带级量化参数和块级量化参数中的至少一种；根据所述重建图像和所述量化参数生成深度学习滤波器的输入参数；将所述输入参数输入至所述深度学习滤波器，得到所述深度学习滤波器输出的对应于所述重建图像的已滤波图像。本申请实施例的技术方案可以提高滤波效果，进而有利于提升视频的编解码效率。有利于提升视频的编解码效率。有利于提升视频的编解码效率。
【技术实现步骤摘要】
滤波及编解码方法、装置、计算机可读介质及电子设备
[0001]本申请涉及计算机及通信
，具体而言，涉及一种滤波及编解码方法、装置、计算机可读介质及电子设备。
技术介绍
[0002]在视频编解码领域中，预测图像与重构残差图像叠加生成重建图像之后，由于重建图像会产生失真，因此为了获取较优质量的图像，通常需要对重建图像进行环路滤波处理(Loop Filtering)，而在环路滤波处理中，如何能够提高滤波效果，以提升编解码效率是亟待解决的技术问题。
技术实现思路
[0003]本申请的实施例提供了一种滤波及编解码方法、装置、计算机可读介质及电子设备，进而至少在一定程度上可以提高滤波效果，进而有利于提升视频的编解码效率。
[0004]本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
[0005]根据本申请实施例的一个方面，提供了一种基于深度学习的滤波方法，包括：获取已编码图像对应的重建图像和所述已编码图像的量化参数，所述量化参数包括所述已编码图像对应的帧级量化参数、条带级量化参数和块级量化参数中的至少一种；根据所述重建图像和所述量化参数生成深度学习滤波器的输入参数；将所述输入参数输入至所述深度学习滤波器，得到所述深度学习滤波器输出的对应于所述重建图像的已滤波图像。
[0006]根据本申请实施例的一个方面，提供了一种视频编码方法，包括：获取已编码图像对应的重建图像和所述已编码图像的量化参数，所述量化参数包括所述已编码图像对应的帧级量化参数、条带级量化参数和块级量化参数中的至少一种；根据所述重建图像和所述量化参数生成深度学习滤波器的输入参数；将所述输入参数输入至所述深度学习滤波器，得到所述深度学习滤波器输出的对应于所述重建图像的已滤波图像；基于所述已滤波图像生成下一帧视频图像的预测图像，并基于所述预测图像对下一帧视频图像进行编码处理。
[0007]根据本申请实施例的一个方面，提供了一种视频解码方法，包括：获取已编码图像对应的重建图像和所述已编码图像的量化参数，所述量化参数包括所述已编码图像对应的帧级量化参数、条带级量化参数和块级量化参数中的至少一种；根据所述重建图像和所述量化参数生成深度学习滤波器的输入参数；将所述输入参数输入至所述深度学习滤波器，得到所述深度学习滤波器输出的对应于所述重建图像的已滤波图像；基于所述已滤波图像生成下一帧视频图像的预测图像，并基于所述预测图像对视频码流进行解码处理。
[0008]根据本申请实施例的一个方面，提供了一种基于深度学习的滤波装置，包括：获取单元，配置为获取已编码图像对应的重建图像和所述已编码图像的量化参数，所述量化参数包括所述已编码图像对应的帧级量化参数、条带级量化参数和块级量化参数中的至少一种；生成单元，配置为根据所述重建图像和所述量化参数生成深度学习滤波器的输入参数；
处理单元，配置为将所述输入参数输入至所述深度学习滤波器，得到所述深度学习滤波器输出的对应于所述重建图像的已滤波图像。
[0009]在本申请的一些实施例中，基于前述方案，所述量化参数还包括：所述已编码图像对应的序列级量化参数。
[0010]在本申请的一些实施例中，基于前述方案，所述生成单元配置为：将所述重建图像与所述量化参数进行图层合并处理，将图层合并处理的结果作为所述深度学习滤波器的输入参数。
[0011]在本申请的一些实施例中，基于前述方案，所述生成单元配置为：将所述重建图像与所述量化参数进行点乘运算，得到点乘运算结果；对所述点乘运算结果进行卷积运算；根据所述卷积运算得到的特征和所述重建图像的特征生成所述深度学习滤波器的输入参数。
[0012]在本申请的一些实施例中，基于前述方案，所述生成单元配置为：获取所述重建图像对应的参考信息，所述参考信息包括块划分信息和预测图像中的至少一个；对所述参考信息进行卷积运算，得到所述参考信息的特征；根据所述参考信息的特征、所述重建图像的特征和所述量化参数生成所述深度学习滤波器的输入参数。
[0013]在本申请的一些实施例中，基于前述方案，所述深度学习滤波器包括顺次相连的卷积单元、残差单元和重排单元，所述残差单元中包含有至少一个残差块。
[0014]在本申请的一些实施例中，基于前述方案，若所述残差单元包括多个残差块，则所述多个残差块的通道数相同，或者所述多个残差块中各个残差块的通道数不完全相同。
[0015]在本申请的一些实施例中，基于前述方案，一个所述残差块包括：顺次相连的第一卷积层、参数化修正线性单元和第二卷积层；其中，所述第一卷积层的输入作为所述残差块的输入，所述第一卷积层的输入与所述第二卷积层的输出的叠加结果作为所述残差块的输出。
[0016]在本申请的一些实施例中，基于前述方案，一个所述残差块包括：顺次相连的第一卷积层、参数化修正线性单元、第二卷积层和卷积块注意力单元；其中，所述第一卷积层的输入作为所述残差块的输入，所述第一卷积层的输入与所述卷积块注意力单元的输出的叠加结果作为所述残差块的输出。
[0017]在本申请的一些实施例中，基于前述方案，一个所述残差块包括：顺次相连的第一卷积层、参数化修正线性单元、第三卷积层和第二卷积层；其中，所述第一卷积层的卷积核与所述第三卷积层的卷积核大小相同，所述第一卷积层的输入作为所述残差块的输入，所述第一卷积层的输入与所述第二卷积层的输出的叠加结果作为所述残差块的输出。
[0018]在本申请的一些实施例中，基于前述方案，一个所述残差块包括：顺次相连的第一卷积层、参数化修正线性单元、第三卷积层、第二卷积层和卷积块注意力单元；其中，所述第一卷积层的卷积核与所述第三卷积层的卷积核大小相同，所述第一卷积层的输入作为所述残差块的输入，所述第一卷积层的输入与所述卷积块注意力单元的输出的叠加结果作为所述残差块的输出。
[0019]根据本申请实施例的一个方面，提供了一种视频编码装置，包括：获取单元，配置为获取已编码图像对应的重建图像和所述已编码图像的量化参数，所述量化参数包括所述已编码图像对应的帧级量化参数、条带级量化参数和块级量化参数中的至少一种；生成单元，配置为根据所述重建图像和所述量化参数生成深度学习滤波器的输入参数；处理单元，
配置为将所述输入参数输入至所述深度学习滤波器，得到所述深度学习滤波器输出的对应于所述重建图像的已滤波图像；编码单元，配置为基于所述已滤波图像生成下一帧视频图像的预测图像，并基于所述预测图像对下一帧视频图像进行编码处理。
[0020]根据本申请实施例的一个方面，提供了一种视频解码装置，包括：获取单元，配置为获取已编码图像对应的重建图像和所述已编码图像的量化参数，所述量化参数包括所述已编码图像对应的帧级量化参数、条带级量化参数和块级量化参数中的至少一种；生成单元，配置为根据所述重建图像和所述量化参数生成深度学习滤波器的输入参数；处理单元，配置为将所述输入参数输入至所述深度学习滤波器，得到所述深度学习滤波器输出的对应于所述重建图像的已滤波图像；解码单元，配置为基本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的滤波方法，其特征在于，包括：获取已编码图像对应的重建图像和所述已编码图像的量化参数，所述量化参数包括所述已编码图像对应的帧级量化参数、条带级量化参数和块级量化参数中的至少一种；根据所述重建图像和所述量化参数生成深度学习滤波器的输入参数；将所述输入参数输入至所述深度学习滤波器，得到所述深度学习滤波器输出的对应于所述重建图像的已滤波图像。2.根据权利要求1所述的基于深度学习的滤波方法，其特征在于，所述量化参数还包括：所述已编码图像对应的序列级量化参数。3.根据权利要求1所述的基于深度学习的滤波方法，其特征在于，根据所述重建图像和所述量化参数生成深度学习滤波器的输入参数，包括：将所述重建图像与所述量化参数进行图层合并处理，将图层合并处理的结果作为所述深度学习滤波器的输入参数。4.根据权利要求1所述的基于深度学习的滤波方法，其特征在于，根据所述重建图像和所述量化参数生成深度学习滤波器的输入参数，包括：将所述重建图像与所述量化参数进行点乘运算，得到点乘运算结果；对所述点乘运算结果进行卷积运算；根据所述卷积运算得到的特征和所述重建图像的特征生成所述深度学习滤波器的输入参数。5.根据权利要求1所述的基于深度学习的滤波方法，其特征在于，根据所述重建图像和所述量化参数生成深度学习滤波器的输入参数，包括：获取所述重建图像对应的参考信息，所述参考信息包括块划分信息和预测图像中的至少一个；对所述参考信息进行卷积运算，得到所述参考信息的特征；根据所述参考信息的特征、所述重建图像的特征和所述量化参数生成所述深度学习滤波器的输入参数。6.根据权利要求1至5中任一项所述的基于深度学习的滤波方法，其特征在于，所述深度学习滤波器包括顺次相连的卷积单元、残差单元和重排单元，所述残差单元中包含有至少一个残差块。7.根据权利要求6所述的基于深度学习的滤波方法，其特征在于，一个所述残差块包括：顺次相连的第一卷积层、参数化修正线性单元和第二卷积层；其中，所述第一卷积层的输入作为所述残差块的输入，所述第一卷积层的输入与所述第二卷积层的输出的叠加结果作为所述残差块的输出。8.根据权利要求6所述的基于深度学习的滤波方法，其特征在于，一个所述残差块包括：顺次相连的第一卷积层、参数化修正线性单元、第二卷积层和卷积块注意力单元；其中，所述第一卷积层的输入作为所述残差块的输入，所述第一卷积层的输入与所述卷积块注意力单元的输出的叠加结果作为所述残差块的输出。9.根据权利要求6所述的基于深度学习的滤波方法，其特征在于，一个所述残差块包括：顺次相连的第一卷积层、参数化修正线性单元、第三卷积层和第二卷积层；
其中，所述第一卷积层的卷积核与所述第三卷积层的卷积核大小相同，所述第一卷积层的输...
【专利技术属性】
技术研发人员：王力强，
申请(专利权)人：腾讯科技深圳有限公司，
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。