本文提出了一种基于自编码器的神经网络架构,用于压缩组织病理学图像,同时保留原始图像的更密集和更有意义的表征。我们提出了一种简单而新颖的方法来监督压缩神经网络,试验表明,我们的方法可以在保持良好压缩率的同时实现更高的图像分类性能。
May, 2023
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
本研究提出一种基于卷积神经网络的端到端图像压缩框架,通过特征描述神经网络获取低维有效描述,借助标准图像编解码器进一步压缩图像后,再通过后处理神经网络消除失真和压缩留痕,最终通过虚拟编解码器神经网络通过反向传播优化整个系统。实验结果表明该方法在极低比特率下比当前现有算法性能更优。
Dec, 2017
通过自动网络优化技术减少神经图像压缩中解码器的计算复杂度,探索码率失真性能和运行时间性能之间的平衡,提高图像压缩的计算效率。
Dec, 2019
通过将传统 GPU 纹理表示和神经图像压缩技术相结合,我们提出了一种新的纹理集压缩方法,该方法利用卷积编码器捕捉细节信息并采用完全连接网络进行解码,实现了对多通道纹理集的随机访问和支持多分辨率重建。实验结果表明,与传统纹理压缩方法和最新的神经网络方法相比,这种方法获得了更好的结果。
May, 2024
这篇研究论文介绍了一种基于隐式神经表示的自适应压缩工作流,能够高效地压缩生物显微成像的大型图像,并保留下游分析所需的详细信息。
本文系统、全面地回顾了基于神经网络的图像和视频压缩技术的发展现状及未来趋势。特别是,介绍了通过深度学习和 HEVC 框架实现的先进视频编码技术,并回顾了基于神经网络的端到端图像和视频编码框架,展示了他们在生成高效率信号表示结构方面的探索和未来的研究趋势。
Apr, 2019
简介神经网络压缩,分类不同压缩方法,探讨张量分解和概率压缩等技术,研究证明 SVD 和概率压缩或修剪方法最优。
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
本文提出了一种基于深度神经网络(DNN)的 VAE 结构的新型非局部注意力优化和改进的上下文建模图像压缩(NLAIC)算法,采用了非局部网络操作嵌入到编码器和解码器中,通过采用关注机制生成掩码来让特征自适应量化,实现了改进条件熵建模潜在特征,可在实际应用中增加速度、降低内存消耗和减轻实现复杂度的额外增强措施,并在 Kodak 和 CLIC 数据集上取得了与现有方法相比的最新压缩功率效率。
Oct, 2019