Apr, 2019

非局部关注优化的深度图像压缩

PDF
TL;DR本文提出了一种基于自动编码器的新型非局部注意力优化深度图像压缩（NLAIC）框架，该框架将非局部操作嵌入编码器和解码器中，以捕捉局部和全局关联，并应用注意机制生成用于加权图像和超先验特征的掩码，从而根据其重要性隐含地适应不同特征的比特分配。此外，超先验和潜在特征的空间 - 通道邻居被用来改进熵编码。该模型在 Kodak 数据集上的性能优于现有的图像压缩方法，包括基于学习的（例如 Balle2019，Balle2018）和传统的（例如 BPG，JPEG2000，JPEG）图像压缩方法，无论是 PSNR 还是 MS-SSIM 畸变度量。
non-local attentiondeep image compressionauto-encoderhyperpriorentropy coding
发现论文，激发创造
  • 非局部注意力优化及改进上下文建模的神经图像压缩

    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

  • 带有尺度超先验的变分图像压缩

    本研究论文提出并验证了一种使用基于变分自编码器的可端到端训练模型的图像压缩方法，其中使用了超先验来有效地捕获潜在表示中的空间依赖关系，证明该模型在使用 MS-SSIM 指标度量视觉质量时具有最先进的图像压缩性能，并提供了不同失真度指标的不同训练模型之间的定性比较。

    Feb, 2018

  • 基于 Transformer 的图像压缩

    本文提出了一种基于 Transformer 的图像压缩方法（TIC），使用深度神经网络来分析和压缩输入图像，与最先进的基于卷积神经网络和基于人工编码规则压缩算法相比，该方法具有更少的参数个数，达到了同等性能。

    Nov, 2021

  • 图像超分辨率的高效非局部对比度注意力

    本文提出了一种新的高效非局部对比度注意力 (Efficient Non-Local Contrastive Attention, ENLCA)，实现了长距离视觉建模和更多相关非局部特征的利用。通过引入核方法来近似指数函数，达到线性计算复杂度，并通过对比学习从而进一步分离相关和无关特征，证明了 ENLCA 的有效性。

    Jan, 2022

  • 走向概念压缩

    通过引入一种简单的循环变分自编码器结构，我们在图像建模方面取得了显著进展，实现了割裂了关于全局概念信息和底层细节的分离，达到了无监督学习的基石之一。同时，我们通过仅存储关于图像的全局信息，实现了高质量的 ' 概念压缩 '。

    Apr, 2016

  • 联合分层先验与自适应空间分辨率用于高效神经图像压缩

    该研究提出了一种改进的变压器 (Transformers) 自回归先验模型及 ConvNeXt-based 预 / 后处理器，并将其应用于图像压缩，提高了压缩效率和解码复杂度的权衡。

    Jul, 2023

  • 仅使用基于注意力的神经网络进行图像压缩

    本研究探讨了只使用注意力层进行图像压缩的可行性，并在我们的新模型 QPressFormer 中引入了学习的图像查询的概念，通过交叉注意力聚合补丁信息，然后进行量化和编码技术，通过对 Kodak、DIV2K 和 CLIC 数据集进行全面评估，显示了无卷积架构在图像压缩中达到了竞争性的性能。

    Oct, 2023

  • 图像压缩的多尺度增强归一化流

    本文旨在提出一种创新的概念，将分层潜空间应用于增强式归一化流，建立可逆的潜变量模型，以解决许多学习型图像压缩方法的非可逆性问题。经过实验表明，本模型相较于单尺度模型，平均压缩率提高了 7% 以上。

    May, 2023

  • 灵活神经图像压缩的稳健过拟合潜在特征

    神经图像压缩可以通过使用变分自动编码器和随机 Gumbel 退火来优化编码器和解码器容量，从而提高压缩性能。

    Jan, 2024

  • PixelVAE：自然图像的潜变量模型

    这篇论文提出了 PixelVAE，这是一种基于 PixelCNN 的 VAE 模型，可以高效地捕获大型结构和保留压缩的潜在表示，适用于无监督学习的挑战。

    Nov, 2016