描述一种图像压缩方法，其由非线性分析变换、均匀量化器和非线性合成变换构成，并使用卷积线性滤波器和非线性激活函数的三个连续阶段构建变换，其中联合非线性性选择实现形式的局部增益控制，利用随机梯度下降的变体优化整个模型以实现训练图像数据库的速率失真性能，以及一个连续的代理来引入量化器产生的不连续损失函数，具有比标准 JPEG 和 JPEG2000 压缩方法更好的速率失真性能，并且在所有位率下对所有图像的视觉质量均有显著提高。

Nov, 2016

通过 attention 机制，我们提出了一种新的信息变换学习熵模型，能更好地处理图像压缩的全局和局部依赖关系，实验证明该模型取得了优于现有技术的率失真性能，并且没有二次计算复杂度问题。

Dec, 2021

为了在低光图像中同时实现更高的压缩率和更好的增强性能，我们提出了一个新的图像压缩框架，并对低光图像增强进行联合优化。实验结果表明，我们提出的联合优化框架相对于现有的 “压缩后增强” 或 “增强后压缩” 顺序解决方案，在低光图像中实现了显着的改进。

May, 2023

本文提出了一种上下文自适应熵模型，用于端到端优化的图像压缩。该模型利用两种上下文，即消耗位上下文和无需消耗位上下文，可更准确地估计每个潜在表示的分布，并提高了压缩性能。实验结果表明，该方法在 PSNR 和 MS-SSIM 指标上优于传统图像编解码器，如 BPG 和 JPEG2000，以及其他以人工神经网络为基础的方法。

Sep, 2018

我们提出的信噪比感知联合解决方案利用局部和非局部特征对图像压缩和去噪进行同时处理，通过设计一个端到端可训练的网络，它包括主编码器分支、引导分支和信噪比感知分支，我们在合成和真实数据集上进行了广泛实验，证明我们的联合解决方案优于现有的最先进方法。

Mar, 2024

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

本文提出了一种采用离散化高斯混合似然函数来参数化潜在代码分布的方法，并结合最近的注意力模块将其纳入网络架构中以增强性能。实验结果表明，我们提出的方法在 Kodak 和高分辨率数据集上都实现了最先进的性能，在 PSNR 方面与最新压缩标准 Versatile Video Coding（VVC）实现了可比较的性能，并且在经过 MS-SSIM 优化后，我们的方法生成了更加视觉上愉悦的结果。

Jan, 2020

基于压缩感知的端到端图像压缩系统，结合传统压缩采样重建、量化和熵编码，可与 JPEG 相媲美，在低码率下表现显著优越。通过研究影响系统性能的参数，我们提出了一种有效的方法来联合控制量化步长和压缩比，以实现在任何给定比特率下达到接近最优的质量。此外，我们的压缩系统可直接用于压缩感知相机，例如单像素相机，构建一种硬件压缩采样系统。

Jun, 2017

本文提出了一种基于可逆神经网络（INNs）的 Invertible Encoding Network 方法来构建更好的图像空间和潜在特征空间之间的转换，并在 Kodak、CLIC 和 Tecnick 数据集上证明了该方法在高分辨率图像方面优于现有的学习图像压缩方法和压缩标准（包括 VVC (VTM 12.1)）的实验结果。

Aug, 2021

通过学习的量化表和马尔科夫分层变化自动编码器构建的统一有损和无损 JPEG 重新压缩框架，在接近上界的比特率下可以实现任意低的失真。据我们所知，这是填补 JPEG 图像损失和无损重压缩之间差距的第一个学习方法。

Dec, 2023