通过实现一种统一的量化方式,消除训练和测试阶段的不匹配,使我们能够使用可完全区分的损失函数学习编码器。当遇到没有关于分布的假设时,这种方法的通用性可能会面临计算上的困难。最后,我们还展示了量化如何通过软量化实现,从而将压缩与无量化桥接起来。
Jun, 2020
基于梯度训练的学习图像压缩中,量化方法的选择对于训练和测试的匹配性和梯度估计的风险存在权衡,本研究提出了一种基于随机均匀退火的方法,通过可调的温度系数来控制权衡,并使用两个巧妙的技巧改进了现有的量化方法,取得了比代表性图像压缩网络上现有方法更好的性能。
Sep, 2023
本研究旨在针对高维信号恢复问题,提出了基于修正线性单元的一比特和均匀多比特量化的凸规划算法,在线性测量过程中添加设计良好的噪声,从而获得最优近似重构保证,并证明了该算法对位坏的鲁棒性。其中,Dirksen 和 Mendelson 对非高斯超平面镶嵌的最新结果作为证明依据。
Nov, 2019
本文介绍了一种基于自适应阈值策略的一比特压缩感知方法,针对二进制测量问题进行了研究,在某些情况下可以实现对稀疏信号的重建。
Jul, 2014
本文旨在研究数据压缩中由于舍入和饱和误差而引起的重构问题,提出了考虑量化和饱和误差的约束条件和加权 l2——l1 范数优化目标函数,采用增广 Lagrange 方法求解得到一个稳健的一致性解。同时,文章还对之前的相关建模方案进行了广泛的计算比较。
Jul, 2012
本研究提出了一类新的凸优化解码器 BPDQ$_p$ 来恢复从均匀量化测量中得到的稀疏信号,证明了在满足扩展的限制等距特性的矩阵中使用 BPDQ$_p$ 可以有效降低重构误差,同时在高斯随机矩阵和均匀量化测量下的表现超过传统的 BPDN 方案。
Feb, 2009
本文主要研究经验最优向量量化器的期望损失的收敛速度,证明了其收敛速度为 O (1/n),并指出连续密度、有界集合上的良好极化分布属于该结果的研究范围内。
Jan, 2012
提出了一种软硬编码的方法用于神经图像压缩,通过先学习一个表达力强的隐变量空间,再采用硬编码方法解决了训练集和测试集不匹配的问题,同时引入加性噪声自适应控制量化粒度,实验结果表明该方法在复杂压缩模型上表现稳定且有效。
Apr, 2021
研究了用于 Exponential Accuracy 的一位 Sigma-Delta 调制器设计中涉及到的最小支持反馈滤波器优化问题,采用正交多项式的理论,通过找到弱化的最优解得到了最优解并将最佳的误差下降率从 0.088 提高到了 0.102。
Jan, 2010
本文提出一种正则化的向量量化框架,通过两种正则化方法有效缓解确定性量化和随机量化所存在的问题,并设计出一种概率对比损失作为更进一步缓解扰动重构目标的标准度量,实验表明该框架在不同的生成模型中表现都比现有的向量量化方法更优。
Mar, 2023