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！

龙图腾网获悉上海交通大学申请的专利面向机器和人类视觉的图像编码、解码方法及压缩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：CN119180874B 。

龙图腾网通过国家知识产权局官网在2025-11-28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：202411211529.8，技术领域涉及：G06T9/00；该发明授权面向机器和人类视觉的图像编码、解码方法及压缩方法是由熊红凯;李劭辉;马硕宇;戴文睿;李成林;邹君妮设计研发完成，并于2024-08-30向国家知识产权局提交的专利申请。

本面向机器和人类视觉的图像编码、解码方法及压缩方法在说明书摘要公布了：本发明提供一种面向机器和人类视觉的图像编码、解码方法及压缩方法，其主要过程是：获得待编码图像的第一特征图和第二特征，获得第一特征图的超先验信息；获得待编码图像在不同机器视觉任务下的量化步长并量化得到对应特征图；将上述特征图建模为高斯分布，通过熵模型预测对应的均值和方差；根据每层特征图的分布和概率逐层进行编码得到特征图二进制码流；合并超先验信息二进制码流和特征图二进制码流，得到压缩图像二进制码率。本发明自适应调整特征图量化的量化步长，形成针对人类视觉和不同机器视觉任务的传输特征码流，可以更高效地利用特征图中的信息，减小传输码率的同时，保证机器视觉任务的性能，同时均衡面向人类视觉的率失真性能。

本发明授权面向机器和人类视觉的图像编码、解码方法及压缩方法在权利要求书中公布了：1.一种面向机器和人类视觉的图像编码方法，其特征在于，包括： 对于待压缩的图像，采用编码卷积神经网络生成所述图像的多通道特征图，作为第一特征图；按照量化步长1量化所述第一特征图，得到面向人类视觉编码的特征图，作为第二特征图； 对于所述第一特征图，通过超先验编码卷积神经网络提取超先验信息，并获取超先验信息二进制码流，随后通过超先验解码卷积神经网络对所述超先验信息二进制码流解码生成重构超先验信息； 利用所述重构超先验信息估计面向机器视觉编码的量化步长，并调整为奇数，根据所述量化步长将所述第一特征图量化为面向N个机器视觉任务的量化特征图，其中N为正整数； 利用所述重构超先验信息依次采用熵模型预测第N个机器视觉任务至第1个机器视觉任务的所述量化特征图的分布、所述第二特征图的分布；根据预测分布进行概率估计，根据所述估计概率进行算术编码，获得逐层特征图二进制码流，合并获得特征图二进制码流； 合并所述超先验信息二进制码流和所述特征图二进制码流，得到压缩图像二进制码流； 所述利用所述重构超先验信息估计面向机器视觉编码的量化步长，并调整为奇数，根据所述量化步长将所述第一特征图量化为面向N个机器视觉任务的量化特征图，其中N为正整数，包括： 根据机器视觉任务所需要的信息量关系，规定N个机器视觉任务的索引i＝1,…,N，索引越小机器视觉任务所需要的信息量越大；所述机器视觉任务包括图像分类、目标检测、语义分割和实例分割； 利用所述重构超先验信息得到N个机器视觉任务之间的量化步长关系； 根据不同机器视觉任务之间的量化步长对应关系，得到不同任务的面向机器视觉编码的量化步长； 利用所述面向机器视觉编码的量化步长对所述第一特征图进行量化，得到N个机器视觉任务对应的量化特征图； 所述利用所述重构超先验信息得到N个机器视觉任务之间的量化步长关系，包括： 对于i＝1,…,N，使用量化卷积神经网络，估计所述第一特征图在第i个机器视觉任务和第i+1个机器视觉任务之间的量化步长关系qi，具体为： 将所述重构超先验信息输入核大小为3×3的卷积层Conv13×3进行变换，使用LeakyReLU作为非线性映射层，得到潜层量化步长关系信息 其中，LeakyReLU函数为： 其中，α为用于调控负值的梯度的正值参数； 对所述潜层量化步长关系信息进行上采样，依次通过使用SoftPlus非线性映射层的反卷积层DeConv13×3和使用LeakyReLU非线性映射层的反卷积层DeConv23×3，得到粗糙量化步长关系 其中，SoftPlus函数表达式为： SoftPlusx＝log1+ex 将所述粗糙量化步长关系输入核大小为3×3的卷积层Conv23×3，使用SoftPlus非线性映射层，并添加偏置1，保证量化步长的关系不小于1，得到连续量化步长关系 调整所述连续量化步长关系使量化步长近似为奇数，得到第i个机器视觉任务和第i+1个机器视觉任务之间的量化步长关系qi，具体为： 其中，返回不大于q的最大正整数。

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上海交通大学，其通讯地址为：200240 上海市闵行区东川路800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。