-
公开(公告)号：CN105335929A
公开(公告)日：2016-02-17
申请号：CN201510586470.5
申请日：2015-09-15
Applicant: 清华大学深圳研究生院
IPC: G06T3/40
CPC classification number: G06T3/4053
Abstract: 本发明公开了一种深度图超分辨方法，包括:进行低分辨率字典AL和高分辨率字典AH的训练；从待处理的低分辨率深度图D'L中提取低分辨率图像块集合及其对应的低分辨率特征集合对于每一个低分辨率特征输入无噪的高分辨率的引导彩色图CH，利用CH计算出每一个高分辨率特征满足的权重约束W，结合低分辨率字典AL和高分辨率字典AH以及权重约束W并利用0范数求解得到重构系数α，再使用重构系数α和高分辨率字典AH重建出对应的高分辨率特征再将所有重构的高分辨特征加上对应的低分辨率图像块得到所有相应的高分辨率图像块融合所有高分辨图像块形成一张高分辨深度图D'H。该方法结合了引导图像插值方法和稀疏表示方法，处理速度快，获得的高分辨率深度图质量高。
-
公开(公告)号：CN105335929B
公开(公告)日：2018-05-04
申请号：CN201510586470.5
申请日：2015-09-15
Applicant: 清华大学深圳研究生院
IPC: G06T3/40
Abstract: 本发明公开了一种深度图超分辨方法，包括:进行低分辨率字典AL和高分辨率字典AH的训练；从待处理的低分辨率深度图D'L中提取低分辨率图像块集合及其对应的低分辨率特征集合对于每一个低分辨率特征输入无噪的高分辨率的引导彩色图CH，利用CH计算出每一个高分辨率特征满足的权重约束W，结合低分辨率字典AL和高分辨率字典AH以及权重约束W并利用0范数求解得到重构系数α，再使用重构系数α和高分辨率字典AH重建出对应的高分辨率特征再将所有重构的高分辨特征加上对应的低分辨率图像块得到所有相应的高分辨率图像块融合所有高分辨图像块形成一张高分辨深度图D'H。该方法结合了引导图像插值方法和稀疏表示方法，处理速度快，获得的高分辨率深度图质量高。
-
公开(公告)号：CN107197260B
公开(公告)日：2019-09-13
申请号：CN201710439132.8
申请日：2017-06-12
Applicant: 清华大学深圳研究生院 , 深圳市未来媒体技术研究院
IPC: H04N19/117 , H04N19/85 , H04N19/124 , G06N3/08
Abstract: 基于卷积神经网络的视频编码后置滤波方法，包括卷积神经网络模型训练步骤和滤波步骤，训练步骤包括：设置视频压缩的量化参数为20至51对原始视频进行编码压缩，得到压缩视频；对所有视频进行帧提取得到多个压缩视频帧‑原始视频帧的帧对；将提取得到帧对按帧类型和量化参数的不同划分为多个组；搭建卷积神经网络框架并初始化网络参数，使用前述划分的组分别对神经网络进行训练，得到对应于不同量化参数和帧类型的多个神经网络模型。滤波步骤包括：将得到的多个神经网络模型嵌入至视频编码器的后置滤波环节；对待处理的原始视频执行前述的编码压缩和帧提取得到待处理帧对，并依据待处理帧对的量化参数和帧类型选择对应的神经网络模型进行滤波处理。
-
公开(公告)号：CN107197260A
公开(公告)日：2017-09-22
申请号：CN201710439132.8
申请日：2017-06-12
Applicant: 清华大学深圳研究生院 , 深圳市未来媒体技术研究院
IPC: H04N19/117 , H04N19/85 , H04N19/124 , G06N3/08
Abstract: 基于卷积神经网络的视频编码后置滤波方法，包括卷积神经网络模型训练步骤和滤波步骤，训练步骤包括：设置视频压缩的量化参数为20至51对原始视频进行编码压缩，得到压缩视频；对所有视频进行帧提取得到多个压缩视频帧‑原始视频帧的帧对；将提取得到帧对按帧类型和量化参数的不同划分为多个组；搭建卷积神经网络框架并初始化网络参数，使用前述划分的组分别对神经网络进行训练，得到对应于不同量化参数和帧类型的多个神经网络模型。滤波步骤包括：将得到的多个神经网络模型嵌入至视频编码器的后置滤波环节；对待处理的原始视频执行前述的编码压缩和帧提取得到待处理帧对，并依据待处理帧对的量化参数和帧类型选择对应的神经网络模型进行滤波处理。
-
-
-
Search Results
4
records
(took 0.033 seconds)
