一种数据处理方法、装置、设备以及可读存储介质制造方法及图纸

本申请公开了一种数据处理方法、装置、设备以及可读存储介质，方法包括：通过图像编码器与图像解码器对原始图像进行图像编解码处理，得到原始图像对应的第一重建图像；获取在图像编解码处理过程中，输入到图像解码器的目标特征嵌入层的待处理特征，通过为目标特征嵌入层配置的门控网络对待处理特征进行二值映射处理，得到目标特征嵌入层对应的优化控制值；若确定目标特征嵌入层对应的优化控制值为有效值，则通过原始图像与第一重建图像之间的第一误差损失值，对目标特征嵌入层的初始解码参数进行训练优化处理，得到目标特征嵌入层的优化解码参数。采用本申请，可以在图像压缩业务中，提升解码器的训练效率，提升图像压缩性能。能。能。

【技术实现步骤摘要】
一种数据处理方法、装置、设备以及可读存储介质


[0001]本申请涉及计算机
，尤其涉及一种数据处理方法、装置、设备以及可读存储介质。

技术介绍

[0002]基于深度学习的图像压缩可被视为自编码器（Auto
‑
Encoder，AE）架构。对于一张待压缩图像，首先经过编码器进行非线性变换，得到图像的隐式表达后对其量化并基于熵模型进行编码，得到编码字节流。而在解压缩时，解压端（如客户端）可以从字节流恢复隐式表达并将其输入到解码器获得重建图像。
[0003]而为了提升图像的压缩性能（即提升重建图像的图像质量），可以预先对编码器与解码器进行训练优化，以使得最终得到的重建图像的图像质量更高。在对解码器进行训练优化时，相关技术通常是引入固定数量的可学习参数来对解码器进行优化，具体的，由于解码器是由多层网络层（如卷积层等）所组成的，对解码器进行训练优化实际上是对解码器中的各个网络层进行优化，而相关技术会固定需要进行优化的网络层的数量，然后再按照所固定的数量从各个网络层中随机选择部分（或全部）网络层来进行优化。
[0004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据处理方法，其特征在于，包括：通过图像编码器与图像解码器对原始图像进行图像编解码处理，得到所述原始图像对应的第一重建图像；获取在所述图像编解码处理过程中，输入到所述图像解码器的目标特征嵌入层的待处理特征，通过为所述目标特征嵌入层配置的门控网络对所述待处理特征进行二值映射处理，得到所述目标特征嵌入层对应的优化控制值；若确定所述目标特征嵌入层对应的优化控制值为有效值，则通过所述原始图像与所述第一重建图像之间的第一误差损失值，对所述目标特征嵌入层的初始解码参数进行训练优化处理，得到所述目标特征嵌入层的优化解码参数。2.根据权利要求1所述的方法，其特征在于，由所述门控网络得到的优化控制值用于反映解码适配性，所述解码适配性是指所述目标特征嵌入层的解码参数，与输入到所述目标特征嵌入层的待处理特征之间的适配性；当优化控制值为有效值时，表示所述目标特征嵌入层的解码参数，与针对所述目标特征嵌入层的待处理特征之间不具备适配性；当优化控制值为无效值时，表示所述目标特征嵌入层的解码参数，与针对所述目标特征嵌入层的待处理特征之间具备适配性。3.根据权利要求1所述的方法，其特征在于，所述通过图像编码器与图像解码器对原始图像进行图像编解码处理，得到所述原始图像对应的第一重建图像，包括：通过所述图像编码器对所述原始图像进行图像编码处理，得到所述原始图像对应的隐式表达特征；对所述隐式表达特征进行量化处理，得到所述隐式表达特征对应的第一量化特征；通过所述图像解码器对所述第一量化特征进行解码处理，得到所述原始图像对应的第一重建图像。4.根据权利要求1所述的方法，其特征在于，在得到所述目标特征嵌入层的优化解码参数之后，所述方法还包括：确定所述优化解码参数与所述初始解码参数之间的增量参数矩阵；对所述增量参数矩阵进行低秩分解处理，得到所述增量参数矩阵对应的分解矩阵；所述分解矩阵的矩阵维度低于所述增量参数矩阵的矩阵维度；将包含所述分解矩阵与所述初始解码参数的目标特征嵌入层确定为优化特征嵌入层，将包含所述优化特征嵌入层的图像解码器确定为优化图像解码器；获取所述图像编码器在所述图像编解码处理过程中输出的隐式表达特征，通过所述隐式表达特征与所述优化图像解码器对所述分解矩阵进行微调处理，得到所述分解矩阵对应的微调分解矩阵；将所述隐式表达特征、所述分解矩阵对应的微调分解矩阵以及所述目标特征嵌入层对应的优化控制值发送至解码客户端，以使所述解码客户端对所述隐式表达特征、所述分解矩阵对应的微调分解矩阵以及所述目标特征嵌入层对应的优化控制值进行解码处理，得到所述原始图像对应的解码图像。5.根据权利要求4所述的方法，其特征在于，所述通过所述隐式表达特征与所述优化图像解码器对所述分解矩阵进行微调处理，得到所述分解矩阵对应的微调分解矩阵，包括：
通过所述第一误差损失值对所述隐式表达特征进行微调处理，得到微调表达特征；对所述微调表达特征进行量化处理，得到所述微调表达特征对应的第二量化特征；通过所述优化图像解码器对所述第二量化特征进行解码处理，得到所述原始图像对应的第二重建图像；确定所述原始图像与所述第二重建图像之间的第二误差损失值，通过所述第二误差损失值对所述分解矩阵进行微调处理，得到所述分解矩阵对应的微调分解矩阵。6.根据权利要求5所述的方法，其特征在于，所述通过所述第一误差损失值对所述隐式表达特征进行微调处理，得到微调表达特征，包括：对所述第一误差损失值与所述隐式表达特征进行梯度计算处理，得到所述隐式表达特征对应的第一梯度值；通过所述隐式表达特征对应的第一微调函数与所述第一梯度值，对所述隐式表达特征进行微调处理，得到微调表达特征。7.根据权利要求5所述的方法，其特征在于，所述通过所述第二误差损失值对所述分解矩阵进行微调处理，得到所述分解矩阵对应的微调分解矩阵，包括：对所述第二误差损失值与所述分解矩阵进行梯度计算处理，得到所述分解矩阵对应的第二梯度值；通过所述分解矩阵对应的第二微调函数与所述第二梯度值，对所述分解矩阵进行微调处理，得到所述分解矩阵对应的微调分解矩阵。8.根据权利要求4所述的方法，其特征...

【专利技术属性】
技术研发人员：吕悦，项进喜，张军，韩骁，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：