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

通过使用 better calibrated to human perceptual judgments of image quality: the multiscale structural-similarity score (MS-SSIM) 进行训练而不是使用 pixel-wise loss (PL)，提出了更好的 perceptually-optimized methods，已被证明在三种不同的自动编码器中表现更好，可以在图像分类和超分辨率成像方面为计算机视觉带来极大的潜力。

Nov, 2015

本文提出了一种新的端到端可训练模型，用于有损图像压缩。该方法包括几个新颖的组件，其中包括充分的感知相似度度量、图像中的显着性和分层自回归模型。该模型不仅生成视觉效果更好的图像，而且在后续计算机视觉任务（如目标检测和分割）中也具有优越的性能。

Feb, 2020

通过在神经科学中建模感知皮层和生物系统中的高效编码假设，我们重新利用压缩潜在表示来优先考虑语义相关性，同时保留感知距离。我们提出的方法，压缩感知图像补丁相似度（CPIPS），可以从学习的神经编解码器以较低的成本进行计算，并且比基于深度神经网络的感知度量（如 LPIPS 和 DISTS）计算速度显著更快。

Oct, 2023

通过采用深度感知相似度测量（DeePSiM）来代替在图像空间中计算距离，我们的研究表明，此类损失函数能够更好地反映图像的感知相似度，从而减少图像平滑问题，并且在自编码器训练、变分自编码器的修改以及深度卷积网络的反演三种应用场景中表现出令人印象深刻的生成结果。

Feb, 2016

本研究提出了一种对几何变形不敏感的误差度量，用于在任何现有的压缩方案中实现最佳压缩，从而在保留图像细节的同时大大提高了多种编解码器的视觉质量。

Apr, 2018

通过实验发现基于深度学习的图像处理方法中的感知相似度可以对大多数经典感知度量方法取得更加优秀的表现。该结论并不仅仅针对于在 ImageNet 数据集上训练的 VGG 特征，而是适用于训练于不同深度架构和不同的学习方式（监督、自监督、无监督）的特征提取器。

Jan, 2018

我们提出了一种端到端学习的图像压缩编解码器，其中分析变换与目标分类任务同时训练。该研究证实，压缩的潜在表示能够以与定制的基于深度神经网络的质量指标相媲美的准确性预测人的感知距离判断。我们进一步研究了各种神经编码器，并展示了将分析变换作为超出质量判断之外的图像任务的感知损失网络的有效性。我们的实验表明，现成的神经编码器在感知建模方面表现出色，无需额外的 VGG 网络。我们期望这项研究能够成为开发语义感知和编码高效的神经编码器的有价值参考。

Jan, 2024

神经数据压缩中，以机器为导向的压缩方式对于机器感知任务具有可行性，并且与深度相似度度量相关，在机器感知质量的发展中扮演重要角色。

Jan, 2024

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