Apr, 2018

基于深度卷积自编码器的有损图像压缩

PDF
TL;DR本文提出了一种基于深度学习的图像压缩架构，利用卷积自编码器的优势达到了更高的编码效率，并利用主成分分析来产生一个更加能量紧凑的表示，实验结果表明，该方法相对于传统的图像编码算法在 Kodak 图像数据库上获得了 13.7％的 BD 速率降低，而且与 JPEG2000 具有类似的复杂度。
发现论文，激发创造
  • 基于学习的有损图像压缩：综合调研

    本论文介绍了近年来利用机器学习架构进行图像压缩的技术与方法，主要包括自编码器、卷积神经网络、生成对抗网络等，并探讨了该领域仍需解决的问题。

    Jan, 2022

  • 用于遥感中安全有损图像压缩的卷积变分自编码器

    通过卷积变分自编码器 (CVAE) 进行图像压缩的研究，其能够显著降低传输数据体积并保证安全有损图像重建的品质。

    Apr, 2024

  • 基于压缩自编码器的有损图像压缩

    我们提出了一种新的方法来优化自动编码器实现有损图像压缩，并通过最小的损失改变来改进了深度自动编码器的性能， 从而实现了高分辨率图像的高效和灵活压缩。

    Mar, 2017

  • 实用神经图像压缩的可裁剪压缩自编码器

    提出了一种基于 SlimCAEs 的神经图像压缩模型，该模型能够在不同能力下共同优化速率和失真，并且在多个方面表现出卓越的性能，在实际图像压缩中具有很高的灵活性。

    Mar, 2021

  • 神经多尺度图像压缩

    该研究提出了一种新的损失图像压缩方法，利用自然图像的多尺度特征，通过自编码器和并行多尺度无损编码器提取和编码量化变量来实现快速高保真图像编解码。

    May, 2018

  • 基于分层自编码器的大规模高分辨率科学数据有损压缩

    我们提出了一个神经网络模型，能够在不牺牲重建质量的情况下，显著压缩大规模科学数据，并在公开的科学基准数据集和高分辨率气候模型数据集上进行了测试，达到了 140 的压缩比和可忽略的重建误差。

    Jul, 2023

  • 卷积自编码器、生成对抗网络和超分辨率在图像压缩方面性能比较

    本论文研究了基于深度学习方法的图像压缩，以卷积自编码器（CAEs）、生成对抗网络（GANs）、超分辨率（SR）为基础开发了三种压缩结构，进行了全面性能比较。实验结果显示，CAEs 通过提取紧凑的特征比 JPEG 实现了更好的编码效率。GANs 在大压缩比和高主观质量重建方面具有潜在的优势。超分辨率在它们中表现出最佳的速率 - 失真（RD）性能，可与 BPG 相媲美。

    Jul, 2018

  • 基于自编码器的图像压缩算法：由 NCTU 提出的挑战方案描述

    本文提出一种利用深度学习自编码器结构进行有损图像压缩的系统，通过残差块和跳跃连接降低图像像素相关性，使用重要性映射和量化器实现比特分配和比特率控制，该自编码器和重要性网络是联合训练，目的在于满足每像素 0.15 比特的限制条件下，产生具有良好主观质量的重构图像。

    Feb, 2019

  • 通过码率失真自编码器实现视频压缩

    本文提出了一种基于深度生成模型的视频压缩方法，采用三维自编码器和自回归先验以最小化速率失真损失，实现编码效果优于现有的基于运动补偿或插值的视频压缩网络，并且在设计选择和压缩技术方面进行了系统评估和扩展，包括语义压缩、自适应压缩和多模态压缩，以便在非标准成像传感器捕获的多个模态数据上实现联合压缩。

    Aug, 2019

  • 通过进化搜索利用标准卷积自编码器的潜力进行图像修复

    本研究采用进化算法来搜索优化简单的卷积自编码器，用其进行图像恢复任务，无需采用对抗训练和复杂的损失函数，实验结果在 CelebA 和 SVHN 数据集上表现出色。

    Mar, 2018