[发明专利]编解码网络结构、图像压缩方法、装置及存储介质

说明书

本申请实施例中提供了一种编解码网络结构、图像压缩方法、装置及存储介质，编/解码网络，包括主编/解码器，主编/解码器包括：第一编/解码支路，包括多个编/解码粗信息降采样块，编码粗信息降采样块包括编/解码卷积层以及编/解码粗信息激活层；第二编/解码支路，包括多个编/解码细信息降采样块，编/解码细信息降采样块包括编/解码卷积层、编/解码膨胀卷积层以及编/解码细信息激活层；编/解码拼接模块，将第一编/解码支路以及第二编/解码支路，进行特征融合以及通道拼接。本申请的编解码网络结构，用于端到端的智能图像压缩技术，改善编/解码器模块的网络结构，相比于基线模型的性能，大大提高了图像压缩模型码率。

技术领域

本申请属于图像处理技术领域，具体地，涉及一种编解码网络结构、图像压缩方法、装置及存储介质。

背景技术

近年来基于深度神经网络的图像编码方法成为编码领域的研究热点，它通过端到端建模自编码器（Auto-encoder）结构，优化图像重建损失函数，

随着深度学习的发展，近年来，端到端优化的图像压缩越来越受到关注。得益于编码/解器提供的非线性变换，以及合理的码率估计，最终的压缩方法表明在计算实施时，可实现较低时间以及复杂性的潜力。但是如何设计更合理的编码网络以提取更高质量的图像潜在特征仍然值得探索。

发明内容

本本发明提出了一种编解码网络结构、图像压缩方法、装置及存储介质，旨在优化编/解码器的网络结构，通过更合理地网络结构，提高编码器的提取特征能力以及解码器的重建图像能力。

根据本申请实施例的第一个方面，提供了一种编解码网络结构，具体包括：

编码网络，包括主编码器，主编码器包括：

第一编码支路，包括多个编码粗信息降采样块，编码粗信息降采样块包括编码卷积层以及编码粗信息激活层；

第二编码支路，包括多个编码细信息降采样块，编码细信息降采样块包括编码卷积层、编码膨胀卷积层以及编码细信息激活层；

编码拼接模块，将第一编码支路以及第二编码支路，输出的第一编码特征图以及第二编码特征图进行特征融合以及通道拼接，得到主编码输出结果；

解码网络，包括与编码网络对应的主解码器，主解码器包括：

第一解码支路，包括多个解码粗信息上采样块，解码粗信息上采样块包括解码卷积层以及解码粗信息激活层；

第二解码支路，包括多个解码细信息上采样块，解码细信息上采样块包括解码卷积层、解码膨胀卷积层以及解码细信息激活层；

解码拼接模块；将第一解码支路以及第二解码支路，输出的第一解码特征图以及第二解码特征图进行特征融合以及通道拼接，得到主解码输出结果。

在本申请一些实施方式中，编码粗信息降采样块由两个编码卷积层以及一个编码粗信息激活层串联构成；编码粗信息激活层为GDN函数层；

相应的，解码粗信息上采样块由两个解码卷积层以及一个解码粗信息激活层串联构成；解码粗信息激活层为IGDN函数层。

在本申请一些实施方式中，编码细信息降采样块由一个降采样的编码卷积层、一个编码膨胀卷积层以及一个编码细信息激活层串联构成；编码细信息激活层为BN函数以及LRelu函数层；

相应的，解码细信息上采样块由一个上采样的解码卷积层、一个解码膨胀卷积层以及一个解码细信息激活层串联构成；解码细信息激活层为BN函数以及LRelu函数层。

在本申请一些实施方式中，编/解码细信息激活层的BN函数以及LRelu函数层，具体结构为BN函数层位于LRelu函数层之前。