Aug, 2017

基于卷积神经网络的端到端压缩框架

PDF
TL;DR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。
deep learningconvolutional neural networksimage compressionend-to-end learninghigh-quality reconstruction
发现论文，激发创造
  • 基于深度卷积神经网络学习虚拟编解码器用于图像压缩

    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

  • 机器端到端优化的图像压缩研究

    本文提出了一种基于神经网络的编解码及任务模型的联合训练方法，用于实现远程机器任务分析的图像压缩，研究表明，进行编解码和任务网络的联合优化可以显著提高任务准确性，在训练和部署的限制下，可以选择性地进行编码器、解码器或任务网络的微调，并仍然实现高于现成解决方案的速率和准确度。

    Nov, 2020

  • 基于神经网络的图像和视频压缩技术综述

    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

  • 通过深度学习和传统编解码器优化混合分层图像压缩

    本文提出一个基于深度学习和传统图像编解码器相结合的图像压缩框架并在 Kodak 和 Tecnick 数据集上进行实验，结果表明改进的分层压缩方案比现有方案和传统编解码器都表现更好，在 RGB444 中编码图像，无论在 PSNR 和 MS-SSIM 度量方面在广泛比特率范围内都有优异的表现。

    Jul, 2019

  • 使用深度卷积网络的语义感知图像压缩

    应用深度学习的方法解决在损失图像和视频压缩中提高视觉质量的问题，通过训练一个特定的卷积神经网络，实现对图像语义的理解，并通过对每个对象训练特征的方式生成高质量的压缩图像。

    Dec, 2016

  • 基于 CNN 编码器 - 解码器框架的压缩图像字幕生成

    我们的项目旨在通过开发结合卷积神经网络（CNN）和编码 - 解码模型的自动图像字幕架构来解决图像字幕的挑战。我们还进行了性能比较，研究了多种预训练 CNN 模型的性能变化，并探索了频率正则化技术在压缩 “AlexNet” 和 “EfficientNetB0” 模型方面的整合，旨在在更节省资源的同时保持模型的有效性。

    Apr, 2024

  • 辅助编解码器网络的增强标准兼容图像压缩框架

    本文提出了一种基于辅助编码器网络 (ACNs) 的通用影像压缩框架，该框架旨在通过改进紧凑表示和后处理网络的学习来提高编码效率，并证明了该框架在 JPEG 和 HEVC 标准下的通用性能优于现有技术。

    Sep, 2020

  • DeepN-JPEG：一种基于 JPEG 的深度神经网络有利的图像压缩框架

    本研究开发了一种基于人类视觉和深层神经网络架构的图像压缩框架 DeepN-JPEG 来降低智能物联网系统中数据存储和传输开销，并通过实验证明该方法能够在保持图像识别准确性的同时，实现高达 JPEG 的 3.5 倍的压缩率，具有在基于 DNN 智能物联网系统设计中提升存储和能量效率的巨大潜力。

    Mar, 2018

  • 压缩链：组合压缩卷积神经网络的系统方法

    卷积神经网络模型压缩是一项重要研究，通过量化、修剪和知识蒸馏等方法可以显著降低计算成本并保持准确性。

    Mar, 2024

  • 通过端到端学习的深度图像压缩

    使用深度卷积神经网络的有损图像压缩方法，结合感知损失和对抗损失以及逐渐引入量化误差和速率约束的易到难迁移学习实现更好的速率 - 失真优化。在多个数据集中，相比于 BPG，WebP，JPEG2000 和 JPEG，平均达到了 7.81％ - 19.1％的 BD - 率降低。

    Jun, 2018