基于深度学习的帧内预测编码技术研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究历史和现状 | 第11-15页 |
| 1.2.1 变采样编码以及下、上采样技术的发展 | 第11-14页 |
| 1.2.2 色度帧内预测以及图像着色 | 第14-15页 |
| 1.3 研究内容和创新点 | 第15-17页 |
| 1.3.1 基于深度学习的块上采样编码技术 | 第15页 |
| 1.3.2 基于深度学习的块下采样编码技术 | 第15-16页 |
| 1.3.3 基于深度学习的交叉通道预测技术 | 第16-17页 |
| 1.4 论文内容安排 | 第17-20页 |
| 第2章 基础知识 | 第20-34页 |
| 2.1 HEVC简介 | 第20-28页 |
| 2.1.1 HEVC基本框架 | 第20-21页 |
| 2.1.2 图片表达 | 第21页 |
| 2.1.3 块划分 | 第21-23页 |
| 2.1.4 预测 | 第23-25页 |
| 2.1.5 变换和量化 | 第25-26页 |
| 2.1.6 熵编码 | 第26-27页 |
| 2.1.7 环路滤波 | 第27-28页 |
| 2.2 深度学习简介 | 第28-34页 |
| 2.2.1 前馈神经网络 | 第28-31页 |
| 2.2.2 卷积神经网络 | 第31-34页 |
| 第3章 基于深度学习的块上采样编码技术 | 第34-54页 |
| 3.1 提出方法的框架 | 第34-36页 |
| 3.2 提出的基于CNN的上采样 | 第36-40页 |
| 3.2.1 基于CNN的亮度上采样 | 第36-39页 |
| 3.2.2 基于CNN的色度上采样 | 第39-40页 |
| 3.3 提出的编码参数设定 | 第40-43页 |
| 3.4 提出的两阶段上采样 | 第43页 |
| 3.5 实验结果 | 第43-53页 |
| 3.5.1 实验设置 | 第43-44页 |
| 3.5.2 结果和分析 | 第44-53页 |
| 3.6 本章小结 | 第53-54页 |
| 第4章 基于深度学习的块下采样编码技术 | 第54-74页 |
| 4.1 提出的图像CR框架以及CNN-CR | 第55-58页 |
| 4.1.1 基于学习的图像CR | 第55-57页 |
| 4.1.2 提出的CNN-CR | 第57-58页 |
| 4.2 提出的CNN-CR的训练 | 第58-60页 |
| 4.2.1 单独训练CNN-CR | 第58-59页 |
| 4.2.2 联合训练CNN-CR和CNN-SR | 第59-60页 |
| 4.3 提出的将CNN-CR用于图像压缩的方案 | 第60-62页 |
| 4.3.1 帧级下、上采样方案 | 第60-61页 |
| 4.3.2 块级自适应下、上采样方法 | 第61-62页 |
| 4.4 实验结果 | 第62-73页 |
| 4.4.1 单独训练的CNN-CR | 第62-63页 |
| 4.4.2 联合训练的CNN-CR | 第63-68页 |
| 4.4.3 CNN-CR用于图像编码的结果 | 第68-73页 |
| 4.5 本章小结 | 第73-74页 |
| 第5章 基于深度学习的交叉通道预测技术 | 第74-88页 |
| 5.1 提出的方法 | 第74-81页 |
| 5.1.1 交叉通道预测的网络框架 | 第74-76页 |
| 5.1.2 损失函数 | 第76-77页 |
| 5.1.3 网络超参数 | 第77-80页 |
| 5.1.4 嵌入HEVC | 第80-81页 |
| 5.2 实验结果 | 第81-86页 |
| 5.2.1 实验设置 | 第81-82页 |
| 5.2.2 结果和分析 | 第82-86页 |
| 5.3 本章小结 | 第86-88页 |
| 第6章 总结与展望 | 第88-92页 |
| 6.1 总结 | 第88-89页 |
| 6.2 展望 | 第89-92页 |
| 参考文献 | 第92-100页 |
| 致谢 | 第100-102页 |
| 在读期间发表的学术论文与取得的研究成果 | 第102-103页 |
