编码方法、解码方法和编码装置、解码装置与流程

技术特征：
1.一种编码方法，其特征在于，包括：利用基于神经网络的编码技术对待编码图像进行编码，以获得所述待编码图像的码流；通过第一通信链路传输所述待编码图像的码流；通过第二通信链路传输所述基于神经网络的编码技术所包含的神经网络模型的模型参数。2.根据权利要求1所述的方法，其特征在于，所述第一通信链路和所述第二通信链路具有不同的物理特性。3.根据权利要求1或2所述的方法，其特征在于，所述第一通信链路的传输时延低于所述第二通信链路，和/或，所述第二通信链路的传输带宽高于所述第一通信链路。4.根据权利要求1至3中任一项所述的方法，其特征在于，所述第一通信链路包括时延小于或等于第一阈值的链路，所述第二通信链路包括带宽大于或等于第二阈值的链路。5.根据权利要求1至3中任一项所述的方法，其特征在于，所述第一通信链路包括基于私有图传协议或无线局域网协议的链路，所述第二通信链路包括基于移动通信协议的链路。6.根据权利要求5所述的方法，其特征在于，所述私有图传协议包括软件无线电sdr协议，所述无线局域网协议包括无线保真wifi协议，所述移动通信协议包括4g或5g协议。7.根据权利要求1或2所述的方法，其特征在于，所述第一通信链路包括私有图传链路，所述第二通信链路包括公网传输链路。8.根据权利要求1至7中任一项所述的方法，其特征在于，所述神经网络模型包括离线训练的神经网络模型或在线训练的神经网络模型。9.根据权利要求1或8所述的方法，其特征在于，所述神经网络模型为在线训练的神经网络模型，所述利用基于神经网络的编码技术对待编码图像进行编码，包括：对于第n个目标图像，利用对第n-m个目标图像进行训练获得的神经网络模型对所述第n个目标图像进行编码，所述目标图像为对所述待编码图像按照视频序列级、图像组级、图像级中的任意一种进行划分后的图像；所述n为大于等于1的整数，所述m为大于等于1的整数。10.根据权利要求9所述的方法，其特征在于，所述利用对第n-m个目标图像进行训练获得的神经网络模型对所述第n个目标图像进行编码，包括：利用对所述第n-m个目标图像进行训练获得的神经网络模型对所述第n个目标图像进行滤波，所述第n-m个目标图像为第n-m个编码图像未经过神经网络模型进行滤波的图像，所述第n个目标图像为第n个编码图像未经过神经网络模型进行滤波的图像。11.根据权利要求9或10所述的方法，其特征在于，所述m为编码前固化到或预设在编码端的参数；或，所述m为编码过程中形成的参数。12.根据权利要求1或8所述的方法，其特征在于，所述神经网络模型为在线训练的神经网络模型，所述利用基于神经网络的编码技术对待编码图像进行编码，包括：对于待编码的第一目标图像，利用对已编码的第二目标图像进行训练获得的神经网络模型对所述第一目标图像进行编码，所述第一目标图像和所述第二目标图像为对所述待编码图像按照视频序列级、图像组级、图像级中的任意一种进行划分后的图像；
所述通过第二通信链路传输所述基于神经网络的编码技术所包含的神经网络模型的模型参数，包括：通过所述第二通信链路传输对所述第二目标图像进行训练获得的神经网络模型的模型参数。13.根据权利要求12所述的方法，其特征在于，所述第一目标图像和所述第二目标图像的图像间隔q个目标图像，所述q为大于或等于0的正整数。14.根据权利要求13所述的方法，其特征在于，所述q为编码前固化到或预设在编码端的参数。15.根据权利要求1或8所述的方法，其特征在于，所述神经网络模型为离线训练的神经网络模型，所述利用基于神经网络的编码技术对待编码图像进行编码，包括：对于第p个目标图像，利用所述离线训练的神经网络模型对所述第p个目标图像进行编码，所述目标图像为对所述待编码图像按照视频序列级、图像组级、图像级中的任意一种进行划分后的图像，所述p为大于或等于0的整数。16.根据权利要求1至11或15中任一项所述的方法，其特征在于，所述待编码图像的码流中还包括第一指示信息，所述第一指示信息用于指示在对所述待编码图像进行编码时采用的神经网络模型的模型参数的标识。17.根据权利要求1至11或15中任一项所述的方法，其特征在于，若所述待编码图像为关键帧，则所述待编码图像的码流中还包括第一指示信息，所述第一指示信息用于指示在对所述待编码图像进行编码时采用的神经网络模型的模型参数的标识。18.根据权利要求17所述的方法，其特征在于，所述第一指示信息还用于指示在对当前关键帧至下一个关键帧之间的其它帧进行编码时采用的神经网络模型的模型参数的标识。19.根据权利要求1至18中任一项所述的方法，其特征在于，所述通过第二通信链路传输所述基于神经网络的编码技术所包含的神经网络模型的模型参数，包括：通过所述第二通信链路传输所述神经网络模型的模型参数以及所述神经网络模型的模型参数对应的标识。20.根据权利要求1至19中任一项所述的方法，其特征在于，所述待编码图像的码流中还包括第二指示信息，所述第二指示信息用于指示所述神经网络模型是基于图像组、帧、或序列中的一种进行训练的。21.根据权利要求1至20中任一项所述的方法，其特征在于，所述方法还包括：将所述神经网络模型的模型参数转换为目标格式；对所述目标格式的模型参数进行压缩，得到压缩后的模型参数；所述通过第二通信链路传输所述基于神经网络的编码技术所包含的神经网络模型的模型参数，包括：通过所述第二通信链路传输所述压缩后的模型参数。22.根据权利要求21所述的方法，其特征在于，所述目标格式包括神经网络变换格式nnef或开放神经网络变换onnx格式。23.根据权利要求21或22所述的方法，其特征在于，所述对所述目标格式的模型参数进行压缩，包括：利用动态图像专家组mpeg的神经网络表达nnr压缩方法对所述目标格式的模型参数进
行压缩，以获得nnr的码流；所述通过所述第二通信链路传输所述压缩后的模型参数，包括：通过所述第二通信链路传输所述nnr的码流。24.根据权利要求21或22所述的方法，其特征在于，所述对所述目标格式的模型参数进行压缩，包括：利用人工智能产业技术创新战略联盟aitisa的压缩方法对所述目标格式的模型参数进行压缩，以获得压缩数据；所述通过所述第二通信链路传输所述压缩后的模型参数，包括：通过所述第二通信链路传输所述压缩数据。25.根据权利要求1至24中任一项所述的方法，其特征在于，所述利用基于神经网络的编码技术对待编码图像进行编码，包括：利用所述基于神经网络的编码技术对所述待编码图像进行预测、变换、量化、熵编码或滤波中的至少一种。26.根据权利要求1至25中任一项所述的方法，其特征在于，所述待编码图像的码流中还包括第三指示信息，所述第三指示信息用于指示是否开启了利用神经网络的编码技术进行编码。27.根据权利要求1至26中任一项所述的方法，其特征在于，所述通过第二通信链路传输所述基于神经网络的编码技术所包含的神经网络模型的模型参数，包括：通过所述第二通信链路传输所述神经网络模型的部分模型参数或全部模型参数。28.根据权利要求1至27中任一项所述的方法，其特征在于，所述第一通信链路和/或所述第二通信链路是从以下一种或多种链路中选择的：基于无线局域网协议的链路、基于移动通信协议的链路、基于以太网协议的链路。29.一种解码方法，其特征在于，包括：通过第一通信链路接收待解码图像的码流；通过第二通信链路接收神经网络模型的模型参数；利用所述神经网络模型的模型参数对所述码流进行解码，获得解码后的图像。30.根据权利要求29所述的方法，其特征在于，所述第一通信链路和所述第二通信链路具有不同的物理特性。31.根据权利要求29或30所述的方法，其特征在于，所述第一通信链路的传输时延低于所述第二通信链路，和/或，所述第二通信链路的传输带宽高于所述第一通信链路。32.根据权利要求29至31中任一项所述的方法，其特征在于，所述第一通信链路包括时延小于或等于第一阈值的链路，所述第二通信链路包括带宽大于或等于第二阈值的链路。33.根据权利要求29至31中任一项所述的方法，其特征在于，所述第一通信链路包括基于私有图传协议或无线局域网协议的链路，所述第二通信链路包括基于移动通信协议的链路。34.根据权利要求33所述的方法，其特征在于，所述私有图传协议包括软件无线电sdr协议，所述无线局域网协议包括无线保真wifi协议，所述移动通信协议包括4g或5g协议。35.根据权利要求29或30所述的方法，其特征在于，所述第一通信链路包括私有图传链路，所述第二通信链路包括公网传输链路。
36.根据权利要求29至35中任一项所述的方法，其特征在于，所述神经网络模型包括离线训练的神经网络模型或在线训练的神经网络模型。37.根据权利要求29至36中任一项所述的方法，其特征在于，所述码流中还包括第一指示信息，所述第一指示信息用于指示编码端在对待编码图像进行编码时采用的神经网络模型的模型参数的标识；所述利用所述神经网络模型的模型参数对所述码流进行解码，包括：利用所述模型参数的标识对应的神经网络模型的模型参数对所述码流进行解码。38.根据权利要求29至36中任一项所述的方法，其特征在于，若所述码流中待解码图像为关键帧，则所述码流中还包括第一指示信息，所述第一指示信息用于指示编码端在对待编码图像进行编码时采用的神经网络模型的模型参数的标识；所述利用所述神经网络模型的模型参数对所述码流进行解码，包括：利用所述神经网络模型的模型参数和所述模型参数的标识对所述码流进行解码。39.根据权利要求38所述的方法，其特征在于，所述第一指示信息还用于指示在对当前关键帧至下一个关键帧之间的其它帧进行解码时采用的神经网络模型的模型参数的标识。40.根据权利要求29或36所述的方法，其特征在于，所述神经网络模型为在线训练的神经网络模型，所述利用所述神经网络模型的模型参数对所述码流进行解码，获得解码后的图像，包括：利用接收到的对第二目标图像进行训练获得的神经网络模型的模型参数对第一目标图像的码流进行解码，以获得所述第一目标图像，所述第一目标图像和所述第二目标图像为待解码图像按照视频序列级、图像组级、图像级中的任意一种进行划分后的图像。41.根据权利要求40所述的方法，其特征在于，所述第一目标图像和所述第二目标图像的图像间隔q个目标图像，所述q为大于或等于0的正整数。42.根据权利要求41所述的方法，其特征在于，所述q为解码前固化到或预设在解码端的参数。43.根据权利要求29至42中任一项所述的方法，其特征在于，所述通过第二通信链路接收神经网络模型的模型参数，包括：通过所述第二通信链路接收所述神经网络模型的模型参数和所述神经网络模型的模型参数对应的标识。44.根据权利要求29至43中任一项所述的方法，其特征在于，所述码流中还包括第二指示信息，所述第二指示信息用于指示所述神经网络模型是基于图像组、帧、或序列中的一种进行训练的。45.根据权利要求29至44中任一项所述的方法，其特征在于，所述通过第二通信链路接收神经网络模型的模型参数，包括：通过所述第二通信链路接收压缩后的模型参数；所述利用所述神经网络模型的模型参数对所述码流进行解码，包括：对所述压缩后的模型参数进行解压缩，以获得目标格式；对所述目标格式进行转换；利用转换后的格式的模型参数对所述码流进行解码。46.根据权利要求45所述的方法，其特征在于，所述目标格式包括神经网络变换格式
nnef或开放神经网络变换onnx格式。47.根据权利要求45或46所述的方法，其特征在于，所述通过所述第二通信链路接收压缩后的模型参数，包括：通过所述第二通信链路接收神经网络表达nnr的码流；所述对所述压缩后的模型参数进行解压缩，包括：对所述nnr的码流进行解压缩。48.根据权利要求45或46所述的方法，其特征在于，所述通过所述第二通信链路接收压缩后的模型参数，包括：通过所述第二通信链路接收压缩数据；所述对所述压缩后的模型参数进行解压缩，包括：对所述压缩数据进行解压缩。49.根据权利要求29至48中任一项所述的方法，其特征在于，所述利用所述神经网络模型的模型参数对所述码流进行解码，包括：利用所述神经网络的模型参数对所述码流进行熵解码、反量化、反变换、预测重建或滤波中的至少一种。50.根据权利要求29至49中任一项所述的方法，其特征在于，所述码流中还包括第三指示信息，所述第三指示信息用于指示是否开启了利用神经网络的编码技术进行编码。51.根据权利要求29至50中任一项所述的方法，其特征在于，所述通过第二通信链路接收神经网络模型的模型参数，包括：通过所述第二通信链路接收所述神经网络模型的部分模型参数或全部模型参数。52.根据权利要求29至51中任一项所述的方法，其特征在于，所述第一通信链路和/或所述第二通信链路是从以下一种或多种链路中选择的：基于无线局域网协议的链路、基于移动通信协议的链路、基于以太网协议的链路。53.一种编码装置，其特征在于，包括：处理器，用于利用基于神经网络的编码技术对待编码图像进行编码，以获得所述待编码图像的码流；通过第一通信链路传输所述待编码图像的码流；通过第二通信链路传输所述基于神经网络的编码技术所包含的神经网络模型的模型参数。54.根据权利要求53所述的编码装置，其特征在于，所述第一通信链路和所述第二通信链路具有不同的物理特性。55.根据权利要求53或54所述的编码装置，其特征在于，所述第一通信链路的传输时延低于所述第二通信链路，和/或，所述第二通信链路的传输带宽高于所述第一通信链路。56.根据权利要求53至55中任一项所述的编码装置，其特征在于，所述第一通信链路包括时延小于或等于第一阈值的链路，所述第二通信链路包括带宽大于或等于第二阈值的链路。57.根据权利要求53至55中任一项所述的编码装置，其特征在于，所述第一通信链路包括基于私有图传协议或无线局域网协议的链路，所述第二通信链路包括基于移动通信协议的链路。
58.根据权利要求57所述的编码装置，其特征在于，所述私有图传协议包括软件无线电sdr协议，所述无线局域网协议包括无线保真wifi协议，所述移动通信协议包括4g或5g协议。59.根据权利要求53所述的编码装置，其特征在于，所述第一通信链路包括私有图传链路，所述第二通信链路包括公网传输链路。60.根据权利要求53至59中任一项所述的编码装置，其特征在于，所述神经网络模型包括离线训练的神经网络模型或在线训练的神经网络模型。61.根据权利要求53或60所述的编码装置，其特征在于，所述神经网络模型为在线训练的神经网络模型，所述处理器进一步用于：对于第n个目标图像，利用对第n-m个目标图像进行训练获得的神经网络模型对所述第n个目标图像进行编码，所述目标图像为对所述待编码图像按照视频序列级、图像组级、图像级中的任意一种进行划分后的图像；所述n为大于等于1的整数，所述m为大于等于1的整数。62.根据权利要求61所述的编码装置，其特征在于，所述处理器进一步用于：利用对所述第n-m个目标图像进行训练获得的神经网络模型对所述第n个目标图像进行滤波，所述第n-m个目标图像为第n-m个编码图像未经过神经网络模型进行滤波的图像，所述第n个目标图像为第n个编码图像未经过神经网络模型进行滤波的图像。63.根据权利要求61或62所述的编码装置，其特征在于，所述m为编码前固化到或预设在编码端的参数；或，所述m为编码过程中形成的参数。64.根据权利要求53或60所述的编码装置，其特征在于，所述神经网络模型为在线训练的神经网络模型，所述处理器进一步用于：对于待编码的第一目标图像，利用对已编码的第二目标图像进行训练获得的神经网络模型对所述第一目标图像进行编码，所述第一目标图像和所述第二目标图像为对所述待编码图像按照视频序列级、图像组级、图像级中的任意一种进行划分后的图像；通过所述第二通信链路传输对所述第二目标图像进行训练获得的神经网络模型的模型参数。65.根据权利要求64所述的编码装置，其特征在于，所述第一目标图像和所述第二目标图像的图像间隔q个目标图像，所述q为大于或等于0的正整数。66.根据权利要求65所述的编码装置，其特征在于，所述q为编码前固化到或预设在编码端的参数。67.根据权利要求53或60所述的编码装置，其特征在于，所述神经网络模型为离线训练的神经网络模型，所述处理器进一步用于：对于第p个目标图像，利用所述离线训练的神经网络模型对所述第p个目标图像进行编码，所述目标图像为对所述待编码图像按照视频序列级、图像组级、图像级中的任意一种进行划分后的图像，所述p为大于或等于0的整数。68.根据权利要求53至63或67中任一项所述的编码装置，其特征在于，所述待编码图像的码流中还包括第一指示信息，所述第一指示信息用于指示在对所述待编码图像进行编码时采用的神经网络模型的模型参数的标识。69.根据权利要求53至63或67中任一项所述的编码装置，其特征在于，若所述待编码图
像为关键帧，则所述待编码图像的码流中还包括第一指示信息，所述第一指示信息用于指示在对所述待编码图像进行编码时采用的神经网络模型的模型参数的标识。70.根据权利要求69所述的编码装置，其特征在于，所述第一指示信息还用于指示在对当前关键帧至下一个关键帧之间的其它帧进行编码时采用的神经网络模型的模型参数的标识。71.根据权利要求53至70中任一项所述的编码装置，其特征在于，所述处理器进一步用于：通过所述第二通信链路传输所述神经网络模型的模型参数以及所述神经网络模型的模型参数对应的标识。72.根据权利要求53至71中任一项所述的编码装置，其特征在于，所述待编码图像的码流中还包括第二指示信息，所述第二指示信息用于指示所述神经网络模型是基于图像组、帧、或序列中的一种进行训练的。73.根据权利要求53至72中任一项所述的编码装置，其特征在于，所述处理器进一步用于：将所述神经网络模型的模型参数转换为目标格式；对所述目标格式的模型参数进行压缩，得到压缩后的模型参数；通过所述第二通信链路传输所述压缩后的模型参数。74.根据权利要求73所述的编码装置，其特征在于，所述目标格式包括神经网络变换格式nnef或开放神经网络变换onnx格式。75.根据权利要求73或74所述的编码装置，其特征在于，所述处理器进一步用于：利用动态图像专家组mpeg的神经网络表达nnr压缩方法对所述目标格式的模型参数进行压缩，以获得nnr的码流；通过所述第二通信链路传输所述nnr的码流。76.根据权利要求73或74所述的编码装置，其特征在于，所述处理器进一步用于：利用人工智能产业技术创新战略联盟aitisa的压缩方法对所述目标格式的模型参数进行压缩，以获得压缩数据；通过所述第二通信链路传输所述压缩数据。77.根据权利要求53至76中任一项所述的编码装置，其特征在于，所述处理器进一步用于：利用所述基于神经网络的编码技术对所述待编码图像进行预测、变换、量化、熵编码或滤波中的至少一种。78.根据权利要求53至77中任一项所述的编码装置，其特征在于，所述待编码图像的码流中还包括第三指示信息，所述第三指示信息用于指示是否开启了利用神经网络的编码技术进行编码。79.根据权利要求53至78中任一项所述的编码装置，其特征在于，所述处理器进一步用于：通过所述第二通信链路传输所述神经网络模型的部分模型参数或全部模型参数。80.根据权利要求53至79中任一项所述的编码装置，其特征在于，所述第一通信链路和/或所述第二通信链路是从以下一种或多种链路中选择的：
基于无线局域网协议的链路、基于移动通信协议的链路、基于以太网协议的链路。81.一种解码装置，其特征在于，包括：处理器，用于通过第一通信链路接收待解码图像的码流；通过第二通信链路接收神经网络模型的模型参数；利用所述神经网络模型的模型参数对所述码流进行解码，获得解码后的图像。82.根据权利要求81所述的解码装置，其特征在于，所述第一通信链路和所述第二通信链路具有不同的物理特性。83.根据权利要求81或82所述的解码装置，其特征在于，所述第一通信链路的传输时延低于所述第二通信链路，和/或，所述第二通信链路的传输带宽高于所述第一通信链路。84.根据权利要求81至83中任一项所述的解码装置，其特征在于，所述第一通信链路包括时延小于或等于第一阈值的链路，所述第二通信链路包括带宽大于或等于第二阈值的链路。85.根据权利要求81至83中任一项所述的解码装置，其特征在于，所述第一通信链路包括基于私有图传协议或无线局域网协议的链路，所述第二通信链路包括基于移动通信协议的链路。86.根据权利要求85所述的解码装置，其特征在于，所述私有图传协议包括软件无线电sdr协议，所述无线局域网协议包括无线保真wifi协议，所述移动通信协议包括4g或5g协议。87.根据权利要求81所述的解码装置，其特征在于，所述第一通信链路包括私有图传链路，所述第二通信链路包括公网传输链路。88.根据权利要求81至87中任一项所述的解码装置，其特征在于，所述神经网络模型包括离线训练的神经网络模型或在线训练的神经网络模型。89.根据权利要求81至88中任一项所述的解码装置，其特征在于，所述码流中还包括第一指示信息，所述第一指示信息用于指示编码端在对待编码图像进行编码时采用的神经网络模型的模型参数的标识；所述处理器进一步用于：利用所述模型参数的标识对应的神经网络模型的模型参数对所述码流进行解码。90.根据权利要求81至88中任一项所述的解码装置，其特征在于，若所述码流中待解码图像为关键帧，则所述码流中还包括第一指示信息，所述第一指示信息用于指示编码端在对待编码图像进行编码时采用的神经网络模型的模型参数的标识；所述处理器进一步用于：利用所述神经网络模型的模型参数和所述模型参数的标识对所述码流进行解码。91.根据权利要求90所述的解码装置，其特征在于，所述第一指示信息还用于指示在对当前关键帧至下一个关键帧之间的其它帧进行解码时采用的神经网络模型的模型参数的标识。92.根据权利要求81或88所述的解码装置，其特征在于，所述神经网络模型为在线训练的神经网络模型，所述处理器进一步用于：利用接收到的对第二目标图像进行训练获得的神经网络模型的模型参数对第一目标图像的码流进行解码，以获得所述第一目标图像，所述第一目标图像和所述第二目标图像
为待解码图像按照视频序列级、图像组级、图像级中的任意一种进行划分后的图像。93.根据权利要求92所述的解码装置，其特征在于，所述第一目标图像和所述第二目标图像的图像间隔q个目标图像，所述q为大于或等于0的正整数。94.根据权利要求93所述的解码装置，其特征在于，所述q为解码前固化到或预设在解码端的参数。95.根据权利要求81至94中任一项所述的解码装置，其特征在于，所述处理器进一步用于：通过所述第二通信链路接收所述神经网络模型的模型参数和所述神经网络模型的模型参数对应的标识。96.根据权利要求81至95中任一项所述的解码装置，其特征在于，所述码流中还包括第二指示信息，所述第二指示信息用于指示所述神经网络模型是基于图像组、帧、或序列中的一种进行训练的。97.根据权利要求81至96中任一项所述的解码装置，其特征在于，所述处理器进一步用于：通过所述第二通信链路接收压缩后的模型参数；对所述压缩后的模型参数进行解压缩，以获得目标格式；对所述目标格式进行转换；利用转换后的格式的模型参数对所述码流进行解码。98.根据权利要求97所述的解码装置，其特征在于，所述目标格式包括神经网络变换格式nnef或开放神经网络变换onnx格式。99.根据权利要求97或98所述的解码装置，其特征在于，所述处理器进一步用于：通过所述第二通信链路接收神经网络表达nnr的码流；对所述nnr的码流进行解压缩。100.根据权利要求97或98所述的解码装置，其特征在于，所述处理器进一步用于：通过所述第二通信链路接收压缩数据；对所述压缩数据进行解压缩。101.根据权利要求81至100中任一项所述的解码装置，其特征在于，所述处理器进一步用于：利用所述神经网络的模型参数对所述码流进行熵解码、反量化、反变换、预测重建或滤波中的至少一种。102.根据权利要求81至101中任一项所述的解码装置，其特征在于，所述码流中还包括第三指示信息，所述第三指示信息用于指示是否开启了利用神经网络的编码技术进行编码。103.根据权利要求81至102中任一项所述的解码装置，其特征在于，所述处理器进一步用于：通过所述第二通信链路接收所述神经网络模型的部分模型参数或全部模型参数。104.根据权利要求81至103中任一项所述的解码装置，其特征在于，所述第一通信链路和/或所述第二通信链路是从以下一种或多种链路中选择的：基于无线局域网协议的链路、基于移动通信协议的链路、基于以太网协议的链路。
105.一种编码装置，其特征在于，包括：处理器和存储器，该存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行如权利要求1至28中任一项所述的方法。106.一种解码装置，其特征在于，包括：处理器和存储器，该存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行如权利要求29至52中任一项所述的方法。107.一种计算机可读存储介质，其特征在于，包括用于执行权利要求1至28中任一项所述的编码方法的指令。108.一种计算机可读存储介质，其特征在于，包括用于执行权利要求29至52中任一项所述的解码方法的指令。

技术总结
本申请提供一种编码方法、解码方法和编码装置、解码装置，包括：利用基于神经网络的编码技术对待编码图像进行编码，以获得所述待编码图像的码流；通过第一通信链路传输所述待编码图像的码流；通过第二通信链路传输所述基于神经网络的编码技术所包含的神经网络模型的模型参数。本申请提供的方案，可以很好地解决神经网络模型的模型参数的管理和传输问题；而且缓解了码流的比特消耗；此外，还可以降低由于有模型参数的管理和传输需求对低时延传输的挑战。挑战。挑战。


技术研发人员：周焰 郑萧桢
受保护的技术使用者：深圳市大疆创新科技有限公司
技术研发日：2020.12.04
技术公布日：2022/7/10