Dec, 2017

基于深度卷积神经网络学习虚拟编解码器用于图像压缩

PDF
TL;DR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。
convolutional neural networkimage compressionquantization functionvirtual codec neural networkgradient back-propagation
发现论文，激发创造
  • 基于卷积神经网络的端到端压缩框架

    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

  • 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

  • 利用简化 CNN 对视频编码中的非局部冗余进行提升

    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

  • 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

  • 利用平铺深度网络的空间自适应图像压缩

    用基于深度神经网络的质量敏感位速率自适应算法取代传统神经网络的定长空间位速率压缩算法，通过切块神经网络结构实现空间上下文预测，最终量化定量（PSNR）与定性（主观评估）评价得分优于其他基准模型。

    Feb, 2018

  • 机器图像编码：一种端到端学习方法

    本研究设计了一种基于神经网络的端到端学习的机器目标图像编解码器，通过一系列训练策略，解决了计算机视觉任务损失、图像失真损失和数据率损失之间竞争的问题，并在目标检测和实例分割任务中取得了比 VVC 标准更好的表现，是首个端到端学习的针对机器的图像编解码器。

    Aug, 2021

  • 学习如何在不改变标准解码器的情况下改善图像压缩

    本文提出了一种用于改善标准 JPEG 编码器的编码性能的学习方法，通过频域预编辑和同时学习 JPEG 量化表和预编辑神经网络可以有效改善 JPEG 的失真压缩性能。

    Sep, 2020

  • 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

  • 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