原创力文档- 1、本文档内容版权归属内容提供方，所产生的收益全部归内容提供方所有。如果您对本文有版权争议，可选择认领，认领后既往收益都归您。。
- 2、本文档由用户上传，本站不保证质量和数量令人满意，可能有诸多瑕疵，付费之前，请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形，可联系本站下载客服投诉处理。
- 3、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
本发明具体涉及一种基于上下文聚类变换的端到端图像压缩方法，将图像输入经过训练的图像压缩模型中输出重建图像；模型训练过程包括：对图像进行编码：将图像转化为含有坐标的特征点，然后根据相似性将特征点分成多个簇，最后通过对每一簇内特征点进行多次聚合和再分配的方式学习图像特征，生成潜在表示；熵模型完成对每个待编码的潜在表示的概率建模；通过熵编码器对待编码的潜在表示进行熵编码和熵解码，生成熵值特征图；通过主解码器对熵值特征图进行解码重建，生成重建图像；最终计算模型损失并优化模型参数直至模型收敛。本发明充分考
(19)国家知识产权局
(12)发明专利申请
(10)申请公布号CN117456017A
(43)申请公布日2024.01.26
(21)申请号202311569161.8
(22)申请日2023.11.21
(71)申请人重庆理工大学
地址400054
文档评论（0）