本文提出了一种基于机器学习的图像有损压缩方法，运行实时且优于所有现有编解码器，其架构为自编码器，具备金字塔分析、自适应编码模块、期望码长的正则化等特点，并通过对抗训练以在极低比特率下提供视觉良好的重建效果。

May, 2017

我们提出了第一个实用的学习无损图像压缩系统 L3C，它在压缩方面优于流行的人工编码器 PNG、WebP 和 JPEG 2000。L3C 的核心是一种可完全并行化的分层自适应熵编码概率模型，该模型针对压缩任务进行了端到端的优化。与最近的自回归离散概率模型（如 PixelCNN）相比，我们的方法将图像分布与学习的辅助表示一起建模，而不是仅在 RGB 空间中建模图像分布，并且只需要三个前向传递来预测所有像素的概率，而不是为每个像素分别预测一个。此外，我们发现学习辅助表示至关重要，而且显著优于预定义的辅助表示，如 RGB 金字塔。

Nov, 2018

本文利用无监督目标设计神经压缩器进行图像压缩，以满足具有数据增强特征的所有预测任务的高性能，实现了大幅度节省数据率的效果，同时不会降低下游分类性能。

Jun, 2021

我们提出了一种新的方案，以无损的方式重新压缩 JPEG 图像。使用 JPEG 图像作为输入，该算法部分解码信号以获得量化的 DCT 系数，然后以更有效的方式重新压缩它们。

Oct, 2023

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

使用全卷积自编码器结合算术编码实现医学影像的有损压缩，并在公开数据集上进行性能测试，最高压缩比可达 300 倍。

May, 2018

本文介绍了基于深度学习的 JPEG 图像重压缩方法，能够在 DCT 域中进行操作，提出了多级交叉通道熵模型以压缩最具信息量的 Y 分量，在保证无损的前提下实现了 JPEG 图像转码为更节省存储空间的比特流，实验表明该方法在传统 JPEG 重压缩方法（Lepton，JPEG XL 和 CMIX）中表现出最先进的性能。

Mar, 2022

本研究使用 GPT-4V 和 DALL-E3 探索图像压缩的质量 - 压缩性能边界，并通过介绍迭代反射过程改善解码图像，将语义压缩推到 100 μbpp（比 JPEG 小了 10,000 倍）。进一步假设这个 100 μbpp 水平代表标准图像分辨率下语义压缩的一个软限制。

Feb, 2024

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。

Nov, 2016

我们通过人工评比比较了由 MozJPEG、libjpeg-turbo 和我们的新 Jpegli 编码器所编码的 JPEG 图像。当图像质量接近 libjpeg-turbo 的 95 质量时，Jpegli 图像优于 libjpeg-turbo 和 MozJPEG 图像的可能性达到 54%，但仅使用了每像素 2.8 比特，而 libjpeg-turbo 和 MozJPEG 分别使用了 3.8 比特和 3.5 比特。原始评分和源图像可供进一步分析和研究。

Mar, 2024