CVPRFeb, 2019

基于自编码器的图像压缩算法：由 NCTU 提出的挑战方案描述

PDF
TL;DR本文提出一种利用深度学习自编码器结构进行有损图像压缩的系统，通过残差块和跳跃连接降低图像像素相关性，使用重要性映射和量化器实现比特分配和比特率控制，该自编码器和重要性网络是联合训练，目的在于满足每像素 0.15 比特的限制条件下，产生具有良好主观质量的重构图像。
lossy image compressiondeep-learning autoencoderresidual blocksimportance mapsbitrate control
发现论文，激发创造
  • 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

  • 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

  • 深度图像压缩的条件概率模型

    本研究提出了一种基于 3D-CNN 的条件概率模型方法，用于直接建模图像自动编码器隐层表示的熵，从而控制重构误差和信息熵之间的平衡关系，该方法在 MS-SSIM 能力测试中表现优异，成为一种最新的图像压缩系统。

    Jan, 2018

  • 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

  • 基于块优化的可变比特率神经图像压缩

    本文介绍了一种基于块的端到端自编码器图像压缩系统，其主要贡献包括模拟二值化、多网络可变比特率、熵友好表示、推理阶段代码优化和性能优化归一化层。我们评估并展示了每个贡献的增量性能提高。

    May, 2018

  • 学习内容加权深度图像压缩

    本文提出一种内容加权的编码器 - 解码器模型，配合重要性掩模子网，通过局部自适应的比特率分配和控制方法，有效地进行学习型有损图像压缩，同时通过修剪的卷积神经网络实现对量化编码方法的有损压缩。实验证实该方法可以比深度和传统有损图像压缩方法获得更优成果。

    Apr, 2019

  • 基于压缩自编码器的有损图像压缩

    我们提出了一种新的方法来优化自动编码器实现有损图像压缩，并通过最小的损失改变来改进了深度自动编码器的性能， 从而实现了高分辨率图像的高效和灵活压缩。

    Mar, 2017

  • 多尺度和上下文自适应熵模型用于图像压缩

    本文提出了一种端到端可训练的图像压缩框架，采用自回归和分层先验的组合估计每个潜在表示的分布，并使用一种方法将比特率分配到每个图像以最大化 MS-SSIM。

    Oct, 2019

  • 高保真神经图像压缩的语义集成损失和潜在精炼

    该研究提出了一种改进的神经压缩方法，通过使用复杂的语义集成损失、潜在精细化过程和优化可视保真度的目标，显著提高了神经图像压缩的统计保真度，并在 CLIC2024 验证集上相较于 MS-ILLM 在 FID 指标下实现了 62% 的比特率节省。

    Jan, 2024

  • 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