| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题研究背景及意义 | 第9-12页 |
| 1.1.1 图像和视频中的冗余 | 第10-11页 |
| 1.1.2 深度学习在图像和视频编码中应用的关键问题 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 图像压缩的研究现状 | 第12-14页 |
| 1.2.2 视频帧率转换的研究现状 | 第14-15页 |
| 1.3 论文内容及结构安排 | 第15-17页 |
| 第2章 深度学习基础及其在低层视觉领域的应用 | 第17-25页 |
| 2.1 深度学习基础 | 第17-20页 |
| 2.1.1 卷积神经网络 | 第18-20页 |
| 2.2 深度学习在图像压缩复原上的应用 | 第20-23页 |
| 2.3 深度学习在视频帧率转换上的应用 | 第23页 |
| 2.4 本章小结 | 第23-25页 |
| 第3章 基于卷积神经网络的端到端图像压缩框架 | 第25-41页 |
| 3.1 问题的提出以及提出的图像压缩框架 | 第25-28页 |
| 3.1.1 ComCNN网络结构 | 第26-27页 |
| 3.1.2 RecCNN网络结构 | 第27-28页 |
| 3.2 学习算法 | 第28-30页 |
| 3.2.1更新RecCNN的参数θ2 | 第28-29页 |
| 3.2.2更新ComCNN的参数θ1 | 第29-30页 |
| 3.3 损失函数 | 第30-31页 |
| 3.4 实验数据和实验结果 | 第31-36页 |
| 3.4.1 实验数据和参数设置 | 第31页 |
| 3.4.2 实验结果 | 第31-36页 |
| 3.5 本章小结 | 第36-41页 |
| 第4章 基于深度学习的视频帧率转换技术 | 第41-51页 |
| 4.1 问题的提出以及本文提出的方法 | 第41-42页 |
| 4.2 前后帧融合的深度学习插帧算法 | 第42页 |
| 4.3 基于运动补偿的深度学习插帧算法 | 第42-46页 |
| 4.3.1 多尺度运动补偿网络(MC-subnet) | 第43-44页 |
| 4.3.2 质量增强网络(QE-subnet) | 第44-46页 |
| 4.4 损失函数 | 第46-47页 |
| 4.5 实验配置及实验结果 | 第47-49页 |
| 4.5.1 实验配置及数据集 | 第47-48页 |
| 4.5.2 实验结果 | 第48-49页 |
| 4.6 本章小结 | 第49-51页 |
| 结论 | 第51-53页 |
| 参考文献 | 第53-60页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第60-62页 |
| 致谢 | 第62页 |