CVPRJul, 2018

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

PDF
TL;DR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。
image compressiondeep learningconvolutional autoencodersgenerative adversarial networkssuper-resolution
发现论文，激发创造
  • 使用深度变分自编码器进行图像超分辨率

    介绍了一种新的 VDVAE-SR 模型，利用预训练 VDVAE 的迁移学习来解决图像超分辨率问题，并与其他同类模型在图像质量指标上具有相当的竞争力。

    Mar, 2022

  • 基于深度卷积自编码器的有损图像压缩

    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。

    Apr, 2018

  • 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

  • 使用 GAN 进行视频增强的超分辨率研究调查

    这篇论文总结了使用深度学习算法，如生成对抗网络，进行超分辨率图像和视频研究的最新进展，提供了改进图像和视频质量的方法，如递归学习、新颖的损失函数、帧率增强和注意力模型集成。这些进展对于增加低分辨率视频的视觉清晰度和质量具有巨大潜力，可应用于监控技术、医学成像等多个领域。此外，这个集合还深入研究了生成对抗网络的更广泛领域，探讨了它们的原理、训练方法以及在各个领域的应用，同时强调了人工智能领域中不断发展和变化的挑战与机遇。

    Dec, 2023

  • 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

  • 极限学习图像压缩的生成对抗网络

    本研究基于生成对抗网络构建了一个图像压缩系统，其中包括编码器、解码器 / 生成器和多尺度鉴别器，并使用全生成式学习压缩目标。模型可合成存储受限的细节，实现在比之前方法失败且出现严重伪影的比特率下，较视觉上令人满意的结果。此外，如果有原始图像的语义标签映射可用，则本方法可以从标签映射中合成出解码后图像的不重要区域，例如街道和树，并相应地减少存储成本。一个用户研究证实，即使使用两倍以上的比特，低比特率下我们的方法都优于现有技术。

    Apr, 2018

  • 使用深度卷积神经网络的压缩图像超分辨率重建

    本文提出了一种基于深度卷积神经网络的端到端训练模型，用于对压缩图像进行超分辨率重建和压缩伪影去除，实验证明该模型在 JPEG 压缩图像上表现出优异的超分辨率性能和比 JPEG 更好的速率 - 失真性能。

    Sep, 2017

  • 生成变分自编码器无监督真实图像超分辨率

    本文提出了基于生成模型的感知图像超分辨率方法，结合变分自编码器实现了联合降噪和超分辨率，使用条件生成对抗网络实现了具有良好视觉效果的图片超分辨率，并通过实验验证了该方法的有效性。

    Apr, 2020

  • 使用生成对抗网络的照片级单图像超分辨率

    本文提出了 SRGAN 框架，通过引入对抗性损失和感知损失函数，成功应用 GAN 进行图像超分辨率，能够生成 4 倍放大因子下的自然真实图像。大量实验和 MOS 测试证明 SRGAN 在视觉效果上具有显著的优势。

    Sep, 2016

  • 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