我们提出了一种端到端学习的图像压缩编解码器，其中分析变换与目标分类任务同时训练。该研究证实，压缩的潜在表示能够以与定制的基于深度神经网络的质量指标相媲美的准确性预测人的感知距离判断。我们进一步研究了各种神经编码器，并展示了将分析变换作为超出质量判断之外的图像任务的感知损失网络的有效性。我们的实验表明，现成的神经编码器在感知建模方面表现出色，无需额外的 VGG 网络。我们期望这项研究能够成为开发语义感知和编码高效的神经编码器的有价值参考。

Jan, 2024

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

本文研究图像压缩对图像分类、目标检测及语义分割等三种视觉识别任务准确性的影响。研究采用传统编解码器及最新的神经压缩方法进行实验，探究压缩比从 0.1 到 2bpp 下的识别准确度。实验发现，在强压缩下，三个任务的识别准确度都会受到显著影响。通过在压缩的训练图像上对识别模型进行微调，可以从一定程度上恢复性能损失。

Apr, 2023

本文提出了一种名为 Discernible Image Compression（DIC）的方法，旨在通过追求外观和感知一致性来生成高质量的压缩图像，并利用经过预训练的 CNN 提取原始和压缩图像的特征，同时最小化特征分布之间的差异，实验结果表明使用该方法压缩的图像可被下游的视觉识别和检测模型良好识别。

Feb, 2020

本文介绍了一种层次生成式图像压缩模型，该模型支持多任务分析，通过学习感知图像压缩方法提供可压缩的紧凑表示，并实现高分辨率图像重建以及压缩率和感知性能的平衡。实验结果表明，该模型对于 RGB 基于方法可以降低 99.6% 的比特率并实现可比拟的分析结果。

Apr, 2023

本文提出了一种基于学习的压缩编解码器，来减少自动驾驶车辆数据的压缩解压缩带来的时延，并且还能用于对图像进行语义分割任务。

Jul, 2023

本文提出一种基于学习的压缩域分类框架，可以在不同比特率下利用压缩域潜在表示执行视觉识别，包括引入轻量级注意模型的新型特征适应模块，它可以自适应地强调和增强提取的逐通道信息的关键特征；还介绍了一种适配训练策略，使用预训练的像素域权重。与使用像素域完全解码的压缩图像以及未压缩图像相比，研究结果表明，提出的压缩域分类模型不仅可以显著优于现有的压缩域分类模型，而且在计算效率方面也可以获得与使用完全解码图像的像素域模型相似的精确度结果。

May, 2023

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

通过评估解码和传递图像的计算成本，本文提出了适用于频域的深度模型的手工制作和数据驱动技术，以降低计算复杂性和参数数量，使其与 RGB 基线模型相似，从而实现计算成本和准确性之间的更好权衡。

Sep, 2023

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