[发明专利]用于编码或解码图像的方法和装置

说明书

提供了使用经过训练的深度神经网络(DNN)滤波器模型的环内滤波技术。根据实施例的图像解码方法包括以下步骤：接收编码图像的比特流，通过重构编码图像来生成重构数据，从比特流获得与编码图像的内容类型有关的信息，基于与内容类型有关的信息确定被训练为通过使用至少一个计算机来执行环内滤波的DNN滤波器模型，以及通过将重构数据应用于所确定的DNN滤波器模型来执行环内滤波。

技术领域

本公开涉及一种通过利用使用机器学习算法的人工智能(AI)来处理图像的方法。更具体地，本公开涉及编码和解码图像过程中的使用深度神经网络(DNN)的环内滤波技术。

背景技术

人工智能(AI)系统是一种计算机系统，其可以展现人类水平的智能并且通过自我学习和做出决策变得更加智能，而且AI系统使用得越多，其识别率提高得就越多。

AI技术包括使用自我分类/学习输入数据特征的算法的机器学习(例如，深度学习)，以及使用机器学习算法来模拟人脑功能(诸如识别和决策)的要素技术。

要素技术包括(例如)用于识别人类语言/字符的语言理解、用于以人类视觉系统的方式识别对象的视觉理解、用于判断信息并逻辑推断和预测信息的推理/预测、用于将人类经验信息并入到知识数据中的知识表示以及用于控制自动驾驶车辆的自我驾驶和机器人运动的运动控制中的至少一者。

具体地，视觉理解是用于以人类视觉系统的方式识别和处理对象的技术，并且包括对象识别、对象跟踪、图像搜索、人员识别、场景理解、空间理解和图像增强。

发明内容

技术问题

根据各种实施例，提供了一种用于编码/解码图像的方法和设备。本公开要解决的技术问题不限于上述技术问题，并且本领域的普通技术人员将从以下描述中理解其他技术问题。

问题的解决方案

为了解决所述技术问题，根据实施例的图像解码方法包括：接收编码图像的比特流；通过重构编码图像来生成重构数据；从比特流获得与编码图像的内容类型有关的信息；基于与内容类型有关的信息来确定被训练为通过使用至少一个计算机来执行环内滤波的深度神经网络(DNN)滤波器模型；以及通过将重构数据应用于所确定的DNN滤波器模型来执行环内滤波。

此外，在根据实施例的图像解码方法中，环内滤波可以包括解块滤波、样本自适应偏移和自适应环路滤波中的至少一种操作。

此外，在根据实施例的图像解码方法中，与内容类型有关的信息可以包括指示编码图像的像素复杂度和运动程度的信息。

此外，在根据实施例的图像解码方法中，DNN滤波器模型可以是被训练为根据基于构成DNN滤波器模型的多个网络节点中的每一者的权重和多个网络节点之间的连接关系的操作来补偿重构数据的量化误差的网络模型。

此外，在根据实施例的图像解码方法中，DNN滤波器模型的确定可以包括基于与内容类型有关的信息从多个DNN滤波器模型候选者中确定与编码图像的内容类型对应的DNN滤波器模型。

此外，在根据实施例的图像解码方法中，多个DNN滤波器模型候选者中的每一者可以被训练为对预设的内容类型执行环内滤波。

此外，在根据实施例的图像解码方法中，DNN滤波器模型的确定还可以包括从多个DNN滤波器模型候选者中确定与编码图像的压缩强度对应的DNN滤波器模型。

此外，在根据实施例的图像解码方法中，环内滤波的执行可以包括通过将重构数据和存储在重构图片缓冲器中的一个或多个参考图像应用于所确定的DNN滤波器模型来执行环内滤波。

此外，在根据实施例的图像解码方法中，可以基于卷积神经网络(CNN)学习模型来执行环内滤波。