[发明专利]通过元学习使用灵活的超先验模型进行自适应图像压缩的方法和装置

说明书

一种通过元学习使用超先验模型进行自适应神经图像压缩的方法由至少一个处理器执行，包括：基于输入图像和超参数生成统计特征；生成第一共享特征和估计的自适应编码参数；基于所述生成的第一共享特征和所述生成的估计的自适应编码参数，对所述输入图像进行编码，以获得信号编码图像；生成第二共享特征和估计的自适应超编码参数；基于所述信号编码图像、所述生成的第二共享特征和所述生成的估计的自适应超编码参数，生成超特征；以及压缩所述获得的信号编码图像、所述生成的统计特征和所述生成的超特征。

相关申请的交叉引用

本申请基于并要求于2021年3月15日提交的、申请号为63/161,216的美国临时专利申请、以及于2021年6月29日提交的、申请号为17/362,039的美国专利申请的优先权，其公开内容通过引用整体并入本文。

背景技术

标准团体和公司一直在积极寻找对未来视频编解码技术标准化的潜在需求。这些标准团体和公司专注于使用深度神经网络(DNN)的基于人工智能(AI)的端到端神经图像压缩(NIC)。这种方法的成功为先进的神经图像和视频压缩方法带来了越来越多的工业兴趣。

通常，预训练的NIC模型实例通过使用一组训练数据来计算，假设训练数据覆盖所有自然图像的整个数据分布，并且可以获得一个具有预训练的固定模型参数的通用模型实例来处理所有自然图像。这种假设在实践中不成立。真实的自然图像具有各种数据分布，并且预训练的NIC模型只能在图像子集上正常工作。人们迫切希望NIC模型能够自适应地选择其模型参数以适应不同的输入图像。

发明内容

根据实施例，一种通过元学习使用超先验模型进行自适应神经图像压缩的方法由至少一个处理器执行，包括：基于输入图像和超参数生成统计特征；生成第一共享特征和估计的自适应编码参数；基于所述生成的第一共享特征和所述生成的估计的自适应编码参数，对所述输入图像进行编码，以获得信号编码图像；生成第二共享特征和估计的自适应超编码参数；基于所述获得的信号编码图像、所述生成的第二共享特征和所述生成的估计的自适应超编码参数，生成超特征；以及压缩所述获得的信号编码图像、所述生成的统计特征和所述生成的超特征。所述方法进一步包括：对所述压缩的信号编码图像进行解码以获得恢复的图像，对所述压缩的统计特征进行解码以获得恢复的统计特征，对所述压缩的超特征进行解码以获得恢复的超特征；生成第三共享特征和估计的自适应超解码参数；基于所述恢复的统计特征、所述生成的第三共享特征和所述估计的自适应超解码参数，生成超先验特征；以及基于所述生成的超先验特征和所述获得的恢复的图像，生成重建图像。