本文针对图像压缩中的深度学习方法进行了研究，提出了一种基于变速率编码器和解码器的分析和合成块，利用卷积层和广义除法归一化 (GDN)，并使用像素 RNN 方法进行量化。实验结果表明，所提出的可变速率框架结构，能够优于现有方法和标准图像编解码器，如 George 和 JPEG 等。

Sep, 2021

本文研究了如何将生成敌对网络与学习压缩相结合，得到一种最先进的生成有损压缩系统，并在归一化层、生成器和鉴别器架构、训练策略以及感知损失方面进行了探究。与之前的工作不同的是，我们实现了在广泛的比特率范围内视觉上令人满意的重建，并且，我们的方法可以应用于高分辨率图像。我们在定量上使用各种感知指标和用户研究来评估我们的方法，研究表明，即使使用超过 2 倍的比特率，我们的方法也优于以前的方法。

Jun, 2020

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

该论文提出了一种基于条件自编码器的新型可变速率学习图像压缩框架，在一个网络中进行可变速率图像压缩，并提供拉格朗日乘子和量化 bin 大小两个速率控制参数，实验结果表明该模型提供了更好的率失真权衡。

Sep, 2019

本研究提出了一种基于变量量化的控制器，它能动态分配显著通道和微不足道通道的比特率，同时我们提出了一种高斯混合模型量化器，并通过实验证明了我们的方法能够更好地重构图像并取得更好的性能。

Jul, 2020

本文提出了一种选择性压缩方法来进行基于深度学习的可变速率图像压缩，该方法通过生成 3D 重要性映射并调整该映射来确定不同目标质量水平的压缩所需的基本表示元素。实验结果表明，该方法可以获得与单独训练的参考压缩模型相当的压缩效率，并可以减少解码时间。

Nov, 2022

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

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

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