-
公开(公告)号：CN103813149A
公开(公告)日：2014-05-21
申请号：CN201210460004.9
申请日：2012-11-15
Applicant: 中国科学院深圳先进技术研究院
IPC: H04N13/00
Abstract: 本发明公开了一种编解码系统的图像与视频重构方法，主要包括以下步骤：S1、利用采集的原始深度图像和原始彩色图像生成参考虚拟视点图像序列；S2、对原始深度图像和原始彩色图像进行编码形成压缩视频流；S3、对压缩视频流进行解码，得到失真图像，并采用失真图像绘制生成第一失真虚拟视点图像序列。本发明不仅能够有效克服传统方案所存在的全局深度值失真，满足人们的现实需求，而且与现有技术相比，其PSNR(Peak？Signal-to-Noise？Ratio，峰值信噪比)可提高约为0.3dB～1.2dB，BDPSNR可提高约为0.4dB～1.0dB。
-
公开(公告)号：CN119743620A
公开(公告)日：2025-04-01
申请号：CN202411945821.2
申请日：2024-12-27
Applicant: 中国科学院深圳先进技术研究院
IPC: H04N19/597 , H04N19/186 , H04N19/147 , H04N19/136
Abstract: 本申请公开了一种彩色点云JND阈值预测方法、装置、设备以及存储介质，所述方法包括：分别提取参考彩色点云和失真彩色点云的二维特征和三维特征，通过多模态特征提取模块提取二维投影特征和彩色点云特征，得到二维投影特征集和三维点云特征集；对二维投影特征集和三维点云特征集进行融合，得到多模态融合特征，根据所述多模态融合特征进行感知失真预测，得到几何和纹理的感知失真预测标签序列集合；采用二分块的JND搜索策略对所述感知失真预测标签序列集合进行查找，得到目标彩色点云的几何JND阈值和纹理JND阈值。本申请利用视觉感知机理辅助彩色点云的感知预测，在进一步挖掘视觉感知冗余的同时，提高了点云压缩的效率和更为高效的视觉表示。
-
公开(公告)号：CN110881125A
公开(公告)日：2020-03-13
申请号：CN201911258971.5
申请日：2019-12-10
Applicant: 中国科学院深圳先进技术研究院
IPC: H04N19/147 , H04N19/159 , H04N19/176 , H04N19/44
Abstract: 本申请涉及视频处理技术领域，提供帧内预测方法、视频编码、解码方法及相关设备，帧内预测方法包括：获取当前编码块的图像信息以及相邻编码块的图像信息，其中，相邻编码块为已编码或已解码重建的编码块；根据相邻编码块的图像信息及至少一个预设的帧内预测模式计算相邻编码块对当前编码块进行帧内预测的至少一个第一预测值，根据至少一个第一预测值构造模式矩阵；根据模式矩阵及预设算法确定至少一个模式组合，根据相邻编码块的图像信息及模式组合计算相邻编码块对当前编码块进行帧内预测的至少一个第二预测值，将与真实值差异最小的第二预测值作为当前编码块的预测结果。本申请提供的帧内预测方法可以提高编码性能。
-
公开(公告)号：CN106303547B
公开(公告)日：2019-01-01
申请号：CN201510310586.6
申请日：2015-06-08
Applicant: 中国科学院深圳先进技术研究院
IPC: H04N19/597 , H04N19/154 , H04N19/19
Abstract: 本发明涉及一种三维视频编码方法和装置，包括：获取B视频块和对应的已编码或未编码A视频块虚拟绘制得到的虚拟绘制块或B视频块对应的虚拟视点图像块作为参考块；B视频块在当前编码模式下编码得到预编码B视频块，获取预编码B视频块和对应的已编码或未编码A视频块虚拟绘制得到的重建虚拟绘制块；计算参考块和重建虚拟绘制块的空域失真和时域失真，融合得到绘制失真；载入B视频帧的拉格朗日乘子，获取B视频块的预编码比特数，根据绘制失真、拉格朗日乘子和预编码比特数计算率失真代价；遍历所有编码模式编码，率失真代价最小的编码模式为B视频块的最佳编码模式；获取下一个B视频块编码直到待编码B视频帧编码完成，提高三维视频编码效率。
-
公开(公告)号：CN104702958B
公开(公告)日：2017-09-15
申请号：CN201310655153.5
申请日：2013-12-05
Applicant: 中国科学院深圳先进技术研究院
IPC: H04N19/593 , H04N19/11 , H04N19/147 , H04N19/96
Abstract: 本发明适用于通信领域，提供了一种基于空间相关性的HEVC帧内编码方法，包括：根据当前编码单元的深度和大小，选择在当前编码单元的空间相邻并且具有同样大小的相邻编码单元，并求取相邻编码单元的深度范围[a0，a1]；根据当前编码单元的复杂度与相邻编码单元的复杂度之间的关系以及当前编码单元的所在位置，确定当前编码单元的深度范围；根据当前编码单元的深度范围对当前编码单元进行编码，并根据预测代价选择代价最小的深度作为当前编码单元的深度，结束当前编码单元的编码并转入下一个编码单元。本发明还提供了一种基于空间相关性的HEVC帧内编码系统。本发明所提供的基于空间相关性的HEVC帧内编码方法及系统能提高编码效率。
-
Patent Agency Ranking
公开(公告)号：CN103813149B
公开(公告)日：2016-04-13
申请号：CN201210460004.9
申请日：2012-11-15
Applicant: 中国科学院深圳先进技术研究院
IPC: H04N13/00
Abstract: 本发明公开了一种编解码系统的图像与视频重构方法，主要包括以下步骤：S1、利用采集的原始深度图像和原始彩色图像生成参考虚拟视点图像序列；S2、对原始深度图像和原始彩色图像进行编码形成压缩视频流；S3、对压缩视频流进行解码，得到失真图像，并采用失真图像绘制生成第一失真虚拟视点图像序列。本发明不仅能够有效克服传统方案所存在的全局深度值失真，满足人们的现实需求，而且与现有技术相比，其PSNR(Peak Signal-to-Noise Ratio，峰值信噪比)可提高约为0.3dB～1.2dB，BDPSNR可提高约为0.4dB～1.0dB。
-
公开(公告)号：CN105306947A
公开(公告)日：2016-02-03
申请号：CN201510708472.7
申请日：2015-10-27
Applicant: 中国科学院深圳先进技术研究院
IPC: H04N19/40 , H04N19/147 , H04N19/96 , H04N19/103
Abstract: 本发明涉及一种基于机器学习的视频转码方法，将原始视频中编码单元的四叉树分割摸式模型化为若干个不同层次的二进制分类器，然后再选取最优特征集，最后再对特征矢量和最佳的编码参数构成的数据集合进行学习，即将机器学习的方法引入到视频转码中，将视频编码中的参数确定问题转化为分类问题。因而能够根据当前编码单元的大小选取相应的分类器，并将分类概率值与相应的自适应阈值进行比较，从而选取最佳编码参数进行编码。且自适应概率阈值针对不同视频场景自适应调整，因此，能够得到最优的转码速度和转码质量使得转码过程中功耗较小，在保证转码率失真性能的前提下有效降低转码的复杂度。
-
公开(公告)号：CN118354088A
公开(公告)日：2024-07-16
申请号：CN202410417804.5
申请日：2024-04-09
Applicant: 中国科学院深圳先进技术研究院
Abstract: 本申请公开了一种基于端到端神经网络的图像编码方法及系统，运用于光场处理技术领域，其方法包括：在空间域和通道域中均匀的对上下文空间进行划分，获取参考信息；将所述参考信息进行重排，生成相邻通道的信息分布；对空间域和通道域的上下文信息进行解耦，分别得到空间相关性和通道相关性；通过创新性的设计和优化策略，实现了编码效率和图像质量的双重提升，区分和独立处理空间和通道上的上下文信息，不仅降低了计算的复杂性也提升了模型预测的能力。
-
公开(公告)号：CN115018753A
公开(公告)日：2022-09-06
申请号：CN202110246908.0
申请日：2021-03-05
Applicant: 中国科学院深圳先进技术研究院
Abstract: 本申请涉及图像处理技术领域，提出一种基于投影的点云质量评价方法、装置、终端设备和存储介质。该方法包括：获取原始点云和目标点云，所述目标点云为对所述原始点云执行预设处理后获得的点云；将所述原始点云和所述目标点云分别投影至所述目标点云的包围盒具有的各个面，得到多个投影图像；分别对各个所述投影图像进行图像质量评估处理，得到各个所述投影图像的图像质量分数；根据各个所述投影图像的图像质量分数，确定所述目标点云的质量评价结果。与传统的基于三维点的点云质量评价方法相比，本申请能够提高对点云进行质量预测的准确度。
-
公开(公告)号：CN110602491B
公开(公告)日：2022-07-19
申请号：CN201910817597.1
申请日：2019-08-30
Applicant: 中国科学院深圳先进技术研究院
IPC: H04N19/11 , H04N19/132 , H04N19/184 , H04N19/186 , H04N21/2343 , H04N21/4402
Abstract: 本申请实施例公开了一种帧内色度预测方法、装置、系统、终端设备、视频编码器、视频解码器及计算机可读存储介质，其中，方法包括：获取已编码或已解码重建的亮度分量；对已编码或已解码重建的亮度分量进行下采样；将预设参量输入至预训练的色度预测卷积神经网络模型中的图像上色子网络，得到图像上色子网络输出的色度分量；其中，预设参量包括下采样后的已编码或已解码重建的亮度分量，或者包括下采样后的已编码或已解码重建的亮度分量和目标参量，目标参量包括编码失真度和已编码或已解码重建的相邻色度块中的至少一种；根据色度分量得出色度预测结果。本申请实施例提供的基于卷积神经网络的帧内色度预测方案的普适性较高，可以节省码率。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.037 seconds)
