本文提出了一种基于分区蒙版卷积神经网络 (CNN) 的方法，通过利用编码器生成的分区信息指导质量增强，从而实现了对最先进的视频编码标准高效视频编码 (HECV) 的压缩视频增强。实验结果表明，该方法在基准序列上的 BD 率节省达到 9.76％以上，达到了最先进的性能水平。

May, 2018

本研究提出了一种 QE-CNN 方法来增强 HEVC 视频的质量，该方法通过学习 QE-CNN-I 和 QE-CNN-P 模型分别降低 I 和 P 帧的失真，同时进一步提出了 TQEO 方案来控制 QE-CNN 的计算时间以满足时限要求并最大化质量增强效果。

Sep, 2017

本文提出了一种基于神经网络的视频编码标准 HEVC 的后处理方法，其中包括使用编码器生成的分区信息辅助后处理的分区感知的卷积神经网络（CNN），以及由多个独立的 CNN 组成的自适应切换神经网络（ASN），并提出了迭代训练的过程。实验结果表明，我们提出的方法有效地减少了 HEVC 引入的伪影。

Dec, 2019

该研究旨在利用卷积神经网络及非局部冗余优化视频压缩，达到与预处理去噪 CNN 类似的编码增益，同时只需要约为 1% 的计算复杂度，适用于资源受限的条件下进行视频压缩。

Oct, 2019

提出了一种基于注意力机制的卷积神经网络用于低码率图像压缩的后处理，该后处理模块采用 MAE 和 MS-SSIM 损失训练，在 0.15 比特率下平均 PSNR 最高可达 32.10。

May, 2019

本研究提出一种基于卷积神经网络的端到端图像压缩框架，通过特征描述神经网络获取低维有效描述，借助标准图像编解码器进一步压缩图像后，再通过后处理神经网络消除失真和压缩留痕，最终通过虚拟编解码器神经网络通过反向传播优化整个系统。实验结果表明该方法在极低比特率下比当前现有算法性能更优。

Dec, 2017

本研究提出了一种基于深度学习的方法，用于预测视频编码中的 CU 分区，以降低 HEVC 的复杂度，并在实验中取得了优于现有方法的效果。

Sep, 2017

本文提出了基于卷积神经网络的图像压缩框架，其中包括用于压缩的紧凑型 CNN 和用于重构压缩图像的重构型 CNN，开发了一种统一的端到端学习算法以有效协同两种 CNN，并与现有的图像编码标准兼容。实验结果表明，所提出的压缩框架大大优于使用现有图像编码标准的多种压缩框架。

Aug, 2017

本文提出了一种将后处理方法整合到可伸缩编码方案中以提高解码图像质量的方法，并通过与传统方法的比较验证了其有效性。

May, 2024

本文系统、全面地回顾了基于神经网络的图像和视频压缩技术的发展现状及未来趋势。特别是，介绍了通过深度学习和 HEVC 框架实现的先进视频编码技术，并回顾了基于神经网络的端到端图像和视频编码框架，展示了他们在生成高效率信号表示结构方面的探索和未来的研究趋势。

Apr, 2019