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！

龙图腾网获悉杭州电子科技大学申请的专利基于小波域双分支的深度学习图像压缩方法及系统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：CN121442091B 。

龙图腾网通过国家知识产权局官网在2026-04-07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：202511986082.6，技术领域涉及：H04N19/124；该发明授权基于小波域双分支的深度学习图像压缩方法及系统是由叶霜怡;黄晓峰;陆嘉伟;殷海兵;周洋;陆宇;王鸿奎设计研发完成，并于2025-12-26向国家知识产权局提交的专利申请。

本基于小波域双分支的深度学习图像压缩方法及系统在说明书摘要公布了：本发明公开了基于小波域双分支的深度学习图像压缩方法及系统，通过深度神经网络结合高频和低频双分支的小波域特征进行编解码，将原始图像编码映射到紧凑的潜在特征后，进行超先验编码、量化和熵编码以生成码流，再通过超先验解码得到全局上下文信息，对紧凑的潜在特征进行通道划分，利用全局上下文信息为每个通道块进行基于空间和通道的上下文建模，以预测服从高斯分布的通道块均值与标准差，用于指导通道块的量化与熵编码，生成图像压缩后的码流，再将解码得到的潜在特征映射回重建图像，基于解码后潜在特征的控制码率与超先验解码的控制码率，以及原始图像与重建图像的失真构建率失真损失，以训练深度神经网络用于图像压缩。

本发明授权基于小波域双分支的深度学习图像压缩方法及系统在权利要求书中公布了：1.基于小波域双分支的深度学习图像压缩方法，其特征在于：通过深度神经网络对原始图像进行编码、量化、熵编码、解码； 编码与解码的过程结合高频和低频双分支的小波域特征，构建非线性变换网络进行多域特征映射； 编码过程将原始图像编码映射到紧凑的潜在特征； 将紧凑的潜在特征进行超先验编码，再对得到的超先验特征进行量化和熵编码以生成码流，再通过超先验解码得到全局上下文信息，对紧凑的潜在特征进行通道划分，利用所述全局上下文信息为每个通道块进行基于空间和通道的上下文建模，以预测服从高斯分布的通道块均值与标准差，用于指导通道块的量化与熵编码，生成图像压缩后的码流； 在编码过程中，原始图像通过交替堆叠的多个小波块与卷积模块构成的非线性分析变换网络以提取特征；在解码端，待解码的潜在特征通过交替堆叠的多个小波块与转置卷积模块构成的非线性合成变换网络映射回重建图像；所述小波块包括基于小波变换的自注意力模块；所述基于小波变换的自注意力模块为基于小波变换的双分支自注意力模块；每一阶段的所述小波块包含基于小波变换的双分支自注意力模块，通过低频多头自注意机制与高频多头自注意机制，分别对低频分量与高频分量进行建模，得到的上下文特征通过窗口通道注意模块，利用窗口划分与通道加权机制增强通道间相关性，以预测当前待编码通道块的均值与标准差，用于指导通道块的量化与熵编码； 解码过程是基于压缩后的码流进行解码，并通过解码后的潜在特征映射回重建图像； 基于解码后潜在特征的控制码率与超先验解码的控制码率，以及原始图像与重建图像的失真构建率失真损失，以训练所述深度神经网络，将训练好的深度神经网络用于图像压缩。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；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。