Jul, 2018

基于上下文适应神经网络的图像压缩预测

PDF
TL;DR本文介绍了基于全连接和卷积神经网络的一套神经网络结构，即 Prediction Neural Networks Set（PNNS），用于图像内预测；研究表明，虽然全连接神经网络在预测小块大小的图像时表现良好，但卷积神经网络在复杂纹理的大块上提供更好的预测。将 PNNS 集成到 H.265 编解码器中，可以获得从 1.46％到 5.20％的 PSNR - 率性能提高。与 H.265 内部预测模式不同，PNNS 能够模拟大量复杂的图纹。
发现论文，激发创造
  • 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

  • PixelNet：通向通用像素级架构

    通过采用分层抽样和多尺度特征的方法，优化以卷积预测器为基础的像素级预测问题的神经网络结构，显著提高了模型在低级边缘检测、中级表面法线估计和高级语义分割中的性能.

    Sep, 2016

  • 逐步空间循环神经网络用于局内预测

    本文介绍了一种基于 PS-RNN 的自适应视频编码内部预测的方法，并提出了一种新的损失函数 SATD 来考虑编码的失真和比特率。该方法支持可变块大小的内部预测，相对于 HEVC，能够在相同的重构质量下平均降低 2.5% 的比特率。

    Jul, 2018

  • 视频压缩的学习

    本文提出了 PixelMotionCNN 的概念，并采用基于学习的框架进行视频压缩，该框架包括迭代分析 / 综合，二值化等组件，实验结果表明该方案与 H.264 编解码器具有相当的性能表现，为未来视频编码的进一步提高压缩效率和 功能提供了可能的新方向。

    Apr, 2018

  • 预测编码网络和推理学习：教程和调查

    综述文章介绍了预测编码网络（PCNs），特别将其置于现代机器学习方法中的背景下，并将预测编码（PC）作为一种多功能且有前景的框架，值得机器学习社区进一步研究。

    Jul, 2024

  • 概率像素自适应精细化网络

    通过考虑神经网络对其预测的置信度，提出了概率像素自适应卷积 (PPAC) 的模型，其通过图像向导数据进行滤波，同时将高置信度的像素传递到不可靠区域，从而达到了适用于密集预测任务的图像后处理的效果，应用于光流和语义分割中具有实用价值

    Mar, 2020

  • 面向端到端优化的自适应熵模型图像压缩

    本文提出了一种上下文自适应熵模型，用于端到端优化的图像压缩。该模型利用两种上下文，即消耗位上下文和无需消耗位上下文，可更准确地估计每个潜在表示的分布，并提高了压缩性能。实验结果表明，该方法在 PSNR 和 MS-SSIM 指标上优于传统图像编解码器，如 BPG 和 JPEG2000，以及其他以人工神经网络为基础的方法。

    Sep, 2018

  • PixelNet：以像素为本，由像素表示，为像素服务

    本文提出了从像素边缘检测到表面法线估计到高级语义分割的像素级预测问题的设计原则，通过分层抽样像素来增加多样性，探索复杂的非线性预测器并通过单一的体系结构高效地训练各种像素标记任务，最终在 PASCAL-Context 数据集上的高级语义分割、NYUDv2 深度数据集上的表面法线估计和 BSDS 上的边缘检测任务中达到了最先进的结果。

    Feb, 2017

  • 利用多个神经网络加强视频编码的内部预测

    本文通过使用多个神经网络模式（NM）增强内预测，提出两种集成传统模式（TM）的方案（追加和替换），其中追加方案证明使用七个 NM 比单个 NM 在 HEVC 中能够显着提高编码效率。

    May, 2020

  • 深度预测编码网络在物体识别中的应用

    本研究利用预测编码理论设计了双向、递归的深度预测编码网络，在图像分类中具有较高性能表现，与其单向前馈模型相比，其性能随着递归周期的增加而提高，并逐步准确地识别物体。

    Feb, 2018