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！

龙图腾网获悉华侨大学申请的专利一种基于轻量级神经网络的VVC帧间编码加速方法及装置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：CN120263987B 。

龙图腾网通过国家知识产权局官网在2025-08-05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：202510664268.3，技术领域涉及：H04N19/147；该发明授权一种基于轻量级神经网络的VVC帧间编码加速方法及装置是由陈婧;张旭东;曾焕强;朱建清;施一帆;林琦;郑惠洁设计研发完成，并于2025-05-22向国家知识产权局提交的专利申请。

本一种基于轻量级神经网络的VVC帧间编码加速方法及装置在说明书摘要公布了：本发明公开了一种基于轻量级神经网络的VVC帧间编码加速方法及装置，涉及视频编码技术领域，方法包括以下步骤：在CU的划分模式测试开始之前获取实时特征数据以及残差信息；将特征数据以及残差信息送入MFLCNN网络，计算出各个候选划分模式的概率；根据提前预设的权衡配置选取概率最高的若干种划分模式，在编码过程中主动跳过概率较低的几种模式，从而实现编码加速；所述MFLCNN网络利用残差处理模块从残差信息中提取残差特征，利用特征处理模块从特征数据中提取变量特征，最后利用特征融合模块整合残差特征和变量特征，输出可能划分模式的概率值。本发明利用MFLCNN网络进行特征分析以及模式预测，实现了VVC帧间编码加速，实现简单且效果显著。

本发明授权一种基于轻量级神经网络的VVC帧间编码加速方法及装置在权利要求书中公布了：1.一种基于轻量级神经网络的VVC帧间编码加速方法，其特征在于，包括以下步骤： 在CU的划分模式测试开始之前，获取其中的实时特征数据以及残差信息； 将特征数据以及残差信息送入MFLCNN网络，计算出各个候选划分模式的概率； 根据提前预设的权衡配置选取概率最高的若干种划分模式，编码器再从中测试出一个率失真代价最低的模式； 所述MFLCNN网络利用残差处理模块从残差信息中提取残差特征，利用特征处理模块从特征数据中提取变量特征，最后利用特征融合模块整合残差特征和变量特征，输出可能划分模式的概率值； 所述在CU的划分模式测试开始之前，获取其中的实时特征数据以及运动搜索残差图像，具体为：在编码器中所有非划分模式测试完成后，而划分模式测试尚未开始的阶段，收集运动搜索残差图像以及辅助特征； 其中，所述运动搜索残差图像为非划分模式得到的预测图像与原始图像相减的结果，所述辅助特征包括编码器选择的最佳非划分模式中的中间变量； 所述辅助特征，包括：量化参数QP值fQP_cfg、当前帧的QP值fQP_current、最佳非划分模式的运动补偿图像的总失真fdist、最佳非划分模式的整体率失真成本fCost、编码的比特数ffracBits、常规合并模式标志变量fRegularMergeFlag、合并模式标志变量fMergeFlag、带运动矢量差的合并模式标志变量fMmvdMergeFlag、CU无残差标志fCUSkip、带运动矢量差的合并模式是否使用无残差方式fMmvdSkip、仿射模式标志fAffine、几何划分模式fGeo、当前CU划分的深度fCUDepth、四叉树方式的划分深度fCUQtDepth、二叉树方式的划分深度fCUBtDepth和多叉树方式的划分深度fCUMtDepth，提供上层划分模式的信息； 所述MFLCNN网络的残差处理模块包括若干个不同的处理结构，用于将不同大小的残差图像压缩成统一的数据大小； 所述MFLCNN网络的特征处理模块包括三个全连接层； 所述MFLCNN网络的下采样子模块的处理包括以下步骤： 根据CU尺寸选择整合特征的结构；对于较大尺寸的CU，采用普通结构整合特征，普通结构包括维度为32的输入层、维度为16的隐藏层、维度为8的隐藏层和维度为6的输出层；对于较小尺寸的CU，采用简化结构整合特征简化结构包括维度为32的输入层、维度为16的隐藏层和维度为4的输出层； 通过Softmax层生成每种划分模式的概率值，输出维度取决于给定CU大小的候选划分模式数量。

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华侨大学，其通讯地址为：362000 福建省泉州市丰泽区城东城华北路269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”。