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！

龙图腾网获悉西安电子科技大学申请的专利一种基于动态卷积神经网络的视频编码环路滤波方法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：CN119835415B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202411930424.8，技术领域涉及：H04N19/117；该发明授权一种基于动态卷积神经网络的视频编码环路滤波方法是由宋晓丹;蔡繁;左旭光;牛毅;李甫;高大化;谢雪梅;石光明设计研发完成，并于2024-12-26向国家知识产权局提交的专利申请。

本一种基于动态卷积神经网络的视频编码环路滤波方法在说明书摘要公布了：本发明公开了一种基于动态卷积神经网络的视频编码环路滤波方法，包括以下步骤；步骤1：从输入的重建图像和预测图像提取多维度的浅层特征；步骤2：将所述浅层特征与量化参数相结合，并通过下采样减小特征图的大小；步骤3：网络的主干部分对融合减小后的特征图提取深层特征，根据输入数据的特点动态调整参数，得到处理后的特征图；步骤4：对处理后的特征图进行整合，并通过上采样操作恢复到原始输入的分辨率，进而得到残差图，将残差图与原始的重建图像相加得到滤波后的图像。本发明能够根据图像内容，动态的调整卷积核参数，来应对不同图像的压缩伪影。此外，将量化参数与动态卷积相结合，更好的利用量化参数的先验信息。

本发明授权一种基于动态卷积神经网络的视频编码环路滤波方法在权利要求书中公布了：1.一种基于动态卷积神经网络的视频编码环路滤波方法，其特征在于，包括以下步骤； 步骤1：从输入的重建图像和预测图像提取多维度的浅层特征； 步骤2：将所述浅层特征与量化参数相结合，并通过下采样减小结合后特征图的大小； 步骤3：网络的主干部分对融合减小后的特征图提取深层特征，根据输入数据的特点动态调整参数，得到处理后的特征图； 步骤4：对处理后的特征图进行整合，并通过上采样操作恢复到原始输入的分辨率，进而得到残差图，将残差图与原始的重建图像相加得到滤波后的图像； 所述步骤2具体为： 使用具有并行卷积核的动态卷积对拼接后的浅层特征进行降维与融合； 其中动态卷积表述为： y＝σa1·W1+…+ak·Wk*x1 σ是激活函数，W1…Wk是卷积核的权重，k是并行卷积核的数量，a1…ak是注意力权重，注意力权重是通过对输入特征图x进行全局平均池化、全连接层和Sigmoid层操作来得到，表示为： ax＝a1,…,ak＝SigmoidFCGlobalAveragePoolx2 其中a表示的是生成k个注意力权重的操作； 使用动态卷积对拼接后的浅层特征进行降维与融合操作，这一操作表述并展开为： Y＝{aX；QP·W1,…,Wk}*{X；QP}+b3 ＝WX；QP*{X；QP}+b4 ＝W'X；QP*X+ΣW”X；QP·QP+b5 其中，a与式2中表示的含义相同,WX；QP等于动态卷积核aX；QP·W1,…,Wk}，W',W”是化简后卷积核的表现形式，b表示卷积层的偏置项； 将经动态卷积层提取后的特征再经过一个非线性激活函数PReLU与一个常规卷积减少主干网络的计算量，得到下采样后的特征图，再送入网络的主干部分； 所述步骤3的网络的主干部分包括依次堆叠而成的两种动态残差块，首先堆叠第一种类型的动态残差块，随后在其之上堆叠第二种类型的动态残差块，形成串联结构； 第一种类型的动态残差块包含PReLU激活函数、位于PReLU激活函数之前的动态卷积层、以及在PReLU激活函数后的两个常规的卷积层，卷积层用于特征图的降维和特征提取； 第二种类型的动态残差块包含PReLU激活函数、位于PReLU激活函数之前的动态卷积层、以及在PReLU激活函数后的两个动态卷积层，动态卷积层根据输入的特征图不同自适应地提取特征。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路2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”。

以上内容由龙图腾AI智能生成。