ICLRNov, 2016

端到端优化的图像压缩

PDF
TL;DR描述一种图像压缩方法，其由非线性分析变换、均匀量化器和非线性合成变换构成，并使用卷积线性滤波器和非线性激活函数的三个连续阶段构建变换，其中联合非线性性选择实现形式的局部增益控制，利用随机梯度下降的变体优化整个模型以实现训练图像数据库的速率失真性能，以及一个连续的代理来引入量化器产生的不连续损失函数，具有比标准 JPEG 和 JPEG2000 压缩方法更好的速率失真性能，并且在所有位率下对所有图像的视觉质量均有显著提高。
image compressionnonlinear transformationconvolutional filtersrate-distortionjpeg
发现论文，激发创造
  • 统一的基于学习的有损和无损的 JPEG 重新压缩

    通过学习的量化表和马尔科夫分层变化自动编码器构建的统一有损和无损 JPEG 重新压缩框架，在接近上界的比特率下可以实现任意低的失真。据我们所知，这是填补 JPEG 图像损失和无损重压缩之间差距的第一个学习方法。

    Dec, 2023

  • 学习卷积网络实现内容加权图像压缩

    本研究提出了一个基于卷积神经网络、内容感知的比特率分配策略及基于二值化的量化方法，使用内容加权重要度图控制压缩率，同时结合 ImageNet 数据库进行端到端优化，实验结果表明本方法在低比特率下比 JPEG 和 JPEG 2000 更优秀，并产生更好的视觉效果。

    Mar, 2017

  • 一种端到端的图像压缩和质量增强联合学习方案，带有改进的熵最小化

    本文提出了一种新的联合学习模式的图像压缩和质量增强方案 ——JointIQ-Net，通过采用高斯混合模型进行极小化熵模型改进，并进一步利用全局上下文估计潜在表示的概率，实现了编码效率的极大提升，达到了比传统编解码器和以往学习图像压缩方法更好的压缩效果。

    Dec, 2019

  • 高保真生成图像压缩

    本文研究了如何将生成敌对网络与学习压缩相结合，得到一种最先进的生成有损压缩系统，并在归一化层、生成器和鉴别器架构、训练策略以及感知损失方面进行了探究。与之前的工作不同的是，我们实现了在广泛的比特率范围内视觉上令人满意的重建，并且，我们的方法可以应用于高分辨率图像。我们在定量上使用各种感知指标和用户研究来评估我们的方法，研究表明，即使使用超过 2 倍的比特率，我们的方法也优于以前的方法。

    Jun, 2020

  • 软硬结合：重新思考神经图像压缩中的量化

    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

  • 基于归一化流的有损图像压缩

    本文介绍了一种使用正则化流技术的深度图像压缩方法，能够在保证低比特率的情况下实现接近无损的质量，相比传统图像压缩方法有更大范围的质量水平，并能够在多次编码后仍能保持一致的质量结果。此为首次探索正则化流用于有损图像压缩的研究成果。

    Aug, 2020

  • 强大的有损压缩技术对于噪声图像

    我们提出的信噪比感知联合解决方案利用局部和非局部特征对图像压缩和去噪进行同时处理，通过设计一个端到端可训练的网络，它包括主编码器分支、引导分支和信噪比感知分支，我们在合成和真实数据集上进行了广泛实验，证明我们的联合解决方案优于现有的最先进方法。

    Mar, 2024

  • 用于有损图像压缩的高效非线性转换

    该研究评估了 Sadam 和 GDN 两种技术在非线性转换编码中的性能表现，结果表明这两种技术可以稳定训练过程并提高逼近未知速率失真最优转换函数的能力，同时作者详细介绍了它们的实现方法并提供开源代码。

    Jan, 2018

  • 面向感知质量的非线性变换编码的端到端优化

    本文介绍了一种通用的框架，用于端到端优化非线性变换编码的速率失真性能，可以使用任何可微分的分析和综合变换与任何可微分的感知度量相结合，例如使用多维本地增益控制构建的线性变换后的编码，通过现代感知度量对失真进行测量以优化大型图像数据库上的编码，相较于固定的（DCT）编码以及为均方误差而优化的线性变换编码，该表示提供了显着的比特率和感知外观的改进。

    Jul, 2016

  • 计算效率高的神经图像压缩

    通过自动网络优化技术减少神经图像压缩中解码器的计算复杂度，探索码率失真性能和运行时间性能之间的平衡，提高图像压缩的计算效率。

    Dec, 2019