Nov, 2018

实用全分辨率学习无损图像压缩

PDF
TL;DR我们提出了第一个实用的学习无损图像压缩系统 L3C，它在压缩方面优于流行的人工编码器 PNG、WebP 和 JPEG 2000。L3C 的核心是一种可完全并行化的分层自适应熵编码概率模型，该模型针对压缩任务进行了端到端的优化。与最近的自回归离散概率模型（如 PixelCNN）相比，我们的方法将图像分布与学习的辅助表示一起建模，而不是仅在 RGB 空间中建模图像分布，并且只需要三个前向传递来预测所有像素的概率，而不是为每个像素分别预测一个。此外，我们发现学习辅助表示至关重要，而且显著优于预定义的辅助表示，如 RGB 金字塔。
learned lossless image compressionl3chierarchical probabilistic modeladaptive entropy codingauxiliary representation
发现论文，激发创造
  • 利用有损压缩进行更好的无损压缩学习

    利用 BPG 算法实现了一种损耗压缩图像的方法，该方法使用卷积神经网络模型对残差进行无损编码，通过与之前的学习方法以及 PNG、WebP、JPEG2000 进行比较，实现最先进的无损全分辨率图像压缩效果。

    Mar, 2020

  • 实时自适应图像压缩

    本文提出了一种基于机器学习的图像有损压缩方法，运行实时且优于所有现有编解码器，其架构为自编码器，具备金字塔分析、自适应编码模块、期望码长的正则化等特点，并通过对抗训练以在极低比特率下提供视觉良好的重建效果。

    May, 2017

  • 基于多级交叉通道熵模型在 DCT 域中实现的实用有损 JPEG 再压缩

    本文介绍了基于深度学习的 JPEG 图像重压缩方法，能够在 DCT 域中进行操作，提出了多级交叉通道熵模型以压缩最具信息量的 Y 分量，在保证无损的前提下实现了 JPEG 图像转码为更节省存储空间的比特流，实验表明该方法在传统 JPEG 重压缩方法（Lepton，JPEG XL 和 CMIX）中表现出最先进的性能。

    Mar, 2022

  • 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

  • 通过端到端学习的深度图像压缩

    使用深度卷积神经网络的有损图像压缩方法，结合感知损失和对抗损失以及逐渐引入量化误差和速率约束的易到难迁移学习实现更好的速率 - 失真优化。在多个数据集中，相比于 BPG，WebP，JPEG2000 和 JPEG，平均达到了 7.81％ - 19.1％的 BD - 率降低。

    Jun, 2018

  • 用于高分辨率、高吞吐率 DNN 训练的加速器友好型无损图像格式

    介绍一个定制化的 L3 图像格式，最大限度地减少 CPU 介入，提高 DNN 训练过程中的数据准备和整体吞吐量

    Aug, 2022

  • 3LC: 分布式机器学习轻量级有效的流量压缩

    本文提出了 3LC，一种新的损耗压缩方案，它通过三个新技术 ——3 值量化、稀疏乘法、四次编码和零运行编码的组合，实现了在保持模型精度的同时，实现了高数据压缩比和高压缩速度，可用于分布式 ML 框架的通信优化。

    Feb, 2018

  • 多尺度渐进统计模型实现无损图像压缩

    本文提出一种多尺度渐进统计模型，兼顾像素级别处理和多尺度处理，能够在不显著降低推理速度的情况下，在两个大型基准数据集上显著优于现有的无损图像压缩方法。

    Aug, 2021

  • HiLLoC：使用分层潜变量模型的无损图像压缩

    本文观察到了完全卷积 VAE 模型在对于 32x32 的 ImageNet 数据集进行训练后不仅可泛化到 64x64，还能很好地扩展到更大的照片，且不需要修改模型。作者使用这种特性将完全卷积模型应用于无损压缩，并展示了一种将基于 VAE 的 Bits-Back with ANS 算法扩展到大型彩色照片的方法并获得了最先进的结果。此外，作者还发布了 Craystack 库，一个开源、方便的概率模型无损压缩原型库，其中包含了所有压缩结果的完整实现。

    Dec, 2019

  • 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