Jun, 2018

DSSLIC: 基于深度语义分割的分层图像压缩

PDF
TL;DR本论文提出了一种基于深度语义分割的分层图像压缩 (DSSLIC) 框架，通过将输入图像的语义分割映射编码为比特流的基本层，并生成编码为第一个增强层的输入图像的紧凑表示，进而获得图像的粗略重构，并额外编码作为另一种增强层与输入图像的差值，该框架可以在 RGB 域的广泛比特率中在 PSNR 和 MS-SSIM 指标方面优于 H.265/HEVC-based BPG 和其他编解码器，并用于图像搜索和基于对象的自适应图像压缩等多项任务。
发现论文，激发创造
  • DeepSIC：深度语义图像压缩

    本文提出一种名为 Deep Semantic Image Compression (DeepSIC) 的概念，提出两种新颖的架构，旨在重构压缩图像并同时生成相应的语义表示。在编码过程中，第一架构通过将一部分比特保留在压缩编码中存储语义表示进行语义分析。第二种在解码过程中使用嵌入到压缩码中的特征映射进行语义分析。通过在公开数据集上进行实验，验证本文的方法，并对所提出技术的优缺点进行了彻底分析。

    Jan, 2018

  • 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

  • 高效深度图像压缩的统一端到端框架

    该研究提出了一种基于三种新技术的统一框架，包括通道关注模块、高斯混合模型和解码器侧增强模块，命名为 EDIC，可用于基于学习的图像压缩，并说明该方法优于当前所有先进的图像压缩方法，同时将解码速度提高了超过 150 倍。

    Feb, 2020

  • SLIC：一种利用结构和颜色的学习型图像编解码器

    通过基于结构和颜色的学习图像编解码器（SLIC），将压缩任务分割为亮度和色度，构建具有新颖的多尺度架构的深度学习模型，通过将不同阶段的特征结合以获取潜在表示。通过各种实验研究和分析，与其他图像编解码器进行比较，通过通道脉冲响应、潜在通道和各种消融研究的可视化，说明了该方法的优势。该模型在 MS-SSIM 和 CIEDE2000 度量标准中相对于其他先进参考编解码器获得了 7.5% 和 4.66% 的比特率增益。

    Jan, 2024

  • 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

  • 深层感知压缩

    本文探讨了深度学习压缩技术中常用的 MS-SSIM 和 MSE 误差函数与人类感知之间的关系，提出了 Deep Perceptual Compression 技术，通过在深度感知指标和 MS-SSIM 之间进行联合优化，相比先前的学习压缩方法和 JPEG-2000 具有更好的视觉效果，并且在目标检测等任务中表现更好。

    Jul, 2019

  • 深度残差学习用于图像压缩

    本研究旨在提高图像压缩效率，并使用深层残差学习网络和亚像素卷积等方法进行探索，最终实验结果显示 Kattolab、Kattolabv2 和 KattolabSSIM 在验证阶段下以合理的复杂度实现了 0.15bpp 下 0.972 的 MS-SSIM 得分。

    Jun, 2019

  • DSIC: 深度立体影像压缩

    本文提出了一种立体图像压缩方法，采用单图像自编码器和参数化跳跃函数进行压缩，并使用条件熵模型对图像代码的概率依赖关系进行建模，实验结果表明，在低码率下与深度单图像压缩相比，第二幅图像的比特率减少了 30-50％，高码率下减少了 10-20％。

    Aug, 2019

  • 深度重建压缩感知显著性骨架引导图像压缩

    提出了 AGDL，一种基于深度学习的双层图像压缩系统，用注意力机制识别感知关键像素，利用压缩感知技术进一步采样，进一步提升重构效果，并在感知感受度图像压缩领域取得了最新的进展。

    Mar, 2021

  • 利用图像的压缩学习表示进行语义分割

    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