买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉电子科技大学申请的专利一种基于深度学习的图像编码方法、设备获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119135910B 。

龙图腾网通过国家知识产权局官网在2025-06-20发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411263786.6，技术领域涉及：H04N19/149；该发明授权一种基于深度学习的图像编码方法、设备是由顾舒航;韩铭昊;江世银;朱策设计研发完成，并于2024-09-10向国家知识产权局提交的专利申请。

本一种基于深度学习的图像编码方法、设备在说明书摘要公布了：本发明提供一种基于深度学习的图像编码方法及设备，属于图像编码领域，所述图像编码方法包括：编码端使用非线性变换将原始图像投影至隐空间；编码端利用因果上下文进行概率分布估计；编码端使用熵编码技术对隐变量进行编码；解码端利用因果上下文进行概率分布估计；解码端使用熵编码技术对隐变量进行解码；编码端使用非线性变换将隐变量重建为原始图像；使用率失真损失函数和因果上下文调整损失函数对图像编解码过程进行端到端反向梯度传播优化。通过使用更优的因果上下文调整损失函数及更高效的网络结构，获得更佳的图像压缩能力和更高的率失真性能。

本发明授权一种基于深度学习的图像编码方法、设备在权利要求书中公布了：1.一种基于深度学习的图像编码方法，其特征在于，包括以下步骤：步骤S1：将待压缩图片输入编码器，得到在高维隐空间中的图像隐变量；步骤S2：将图像隐变量分别输入超先验编码器和辅助熵模型，分别得到超先验隐变量及辅助估计概率；步骤S3：将超先验隐变量经过量化后变为超先验量化隐变量，再经过熵编码过程成为码流，经传输到解码方通过熵解码后恢复成为超先验量化隐变量，然后输入超先验解码器得到先验信息；步骤S4：先验信息输入辅助熵模型帮助估计辅助概率，输入熵模型估计先验信息的概率分布，熵模型具体为基于自回归框架的因果上下文熵模型；步骤S5：利用熵模型估计得到的概率分布对图像隐变量进行熵编码得到比特流，经过压缩传输后又经熵解码恢复为图像重构隐变量；步骤S6：最后图像重构隐变量通过解码器恢复得到重建图像；在训练过程中，使用以下损失函数对模型进行优化：通过端到端反向梯度传播优化的率失真损失函数调整压缩质量和压缩大小比率；通过因果上下文调整损失函数调整信息量在熵模型估计得到隐变量中的分布情况；引入以下损失函数增强基于自回归框架的因果上下文熵模型的可预测性： 其中，CCA-loss表示因果上下文调整损失函数，表示量化隐变量的第i部分，图像隐变量经过量化后，将其在通道维度均分为n个隐变量部分表示图像量化隐变量的第i部分的已解码部分，表示排除掉上一部分的已解码部分；表示由超先验隐变量经过量化后的超先验量化隐变量；和分别是辅助熵模型和熵模型的估计分布，log为对应估计分布的交叉熵。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。