CVPRJan, 2020

使用离散化高斯混合似然和注意力模块的图片学习压缩

PDF
TL;DR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。
image compressionlearned compression methodsentropy modelsgaussian mixture likelihoodsattention modules
发现论文，激发创造
  • 用离散化的高斯 - 拉普拉斯 - 逻辑混合模型和连接残差模块学习图像压缩

    该论文介绍了一种更灵活的离散化高斯 - 拉普拉斯 - 逻辑混合模型（GLLMM）和串联残差块（CRB）用于深度学习图像压缩，它比传统方法和最新的标准 Versatile Video Coding（VVC）在 PSNR 和 MS-SSIM 度量中效果更好。

    Jul, 2021

  • 高保真生成图像压缩

    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

  • 端到端有损图像压缩学习：一个基准

    该论文对学习图像压缩方法进行了全面的文献综述，并提出了一种基于粗到细超先验模型的熵估计和信号重建方法，以提高图像压缩的效率和性能。

    Feb, 2020

  • 一种端到端的图像压缩和质量增强联合学习方案，带有改进的熵最小化

    本文提出了一种新的联合学习模式的图像压缩和质量增强方案 ——JointIQ-Net，通过采用高斯混合模型进行极小化熵模型改进，并进一步利用全局上下文估计潜在表示的概率，实现了编码效率的极大提升，达到了比传统编解码器和以往学习图像压缩方法更好的压缩效果。

    Dec, 2019

  • 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

  • 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

  • 利用隐式局部似然模型提高神经图像压缩的统计保真度

    通过引入一种非二元鉴别器，该鉴别器是通过 VQ-VAE 自编码器获得的量化局部图像表示进行调整的，本文在 CLIC2020、DIV2K 和 Kodak 数据集上的评估表明，我们的鉴别器比最先进的 HiFiC 模型更有效地联合优化失真（例如，PSNR）和统计保真度（例如，FID）。在 CLIC2020 测试集上，我们获得与 HiFiC 相同的 FID，但比 HiFiC 少了 30-40％的比特。

    Jan, 2023

  • 联合全局和局部分层先验的学习图像压缩

    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

  • 可变速率图像压缩中的潜在表征选择性压缩学习

    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

  • 使用全局参考学习精准熵模型进行图像压缩

    本研究提出了一种新的图像全局参考模型，能够有效利用局部和全局上下文信息，以提高深度图像压缩的性能表现，并且拥有最先进的速率 - 失真性能，同时还新创了一种平均偏移 GDN 模块。

    Oct, 2020