失真受限优化下的有损压缩
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
在有损图像压缩中,我们提出了一种 Rate-Distortion-Classification (RDC) 模型,用于优化速率、失真和分类准确性之间的权衡,从而将图像压缩与视觉分析相结合,为实际应用中的端到端图像压缩技术铺平了道路。
May, 2024
通过采用 Blau & Michaeli 2018 年提出的感知质量的数学定义,研究了速率、失真和感知之间的三重权衡,我们证明了该三重权衡的几个基本属性,并在一个玩具 MNIST 例子上进行了可视化说明。
Jan, 2019
本文提出并研究了分布保持有损压缩问题,旨在优化速率失真间的平衡,使重建样本符合训练数据的分布,并通过采用 Wasserstein GAN 和 Wasserstein 自编码器的组合等方法,进行了理论和实证分析。
May, 2018
本文提出了一种称为多速率 VAE(MR-VAE)的计算有效的框架,其可以在单次训练运行中学习与各种 $\beta$ 相应的最佳参数,通过使用超网络显式地公式让 $\beta$ 映射到最佳参数,并且 MR-VAE 可以构建速率 - 失真曲线,无需额外训练,并且可以在较少的超参数调整下部署。
Dec, 2022
本文研究深度神经网络模型压缩技术,提出了基于速率失真理论的压缩架构以及优化剪枝和量化技术,理论上证明了该架构对于一层 ReLU 神经网络最优,实验证明该方法在压缩 - 精度平衡上显著优于基线方法。
Oct, 2018
通过优化失真、真实感和压缩率之间的平衡,生成式压缩方法可以在低比特率下产生详细,逼真的图像。本文提出了一种新方法,训练了一个解码器,能够在失真 - 真实感平衡中生成高质量的实际效果,创造了最新的 state-of-the-art 技术水平。
Dec, 2022
通过我们的速率 - 失真计算(RDC)研究,我们展示了虽然浮点运算(FLOPs)和运行时间对于准确地比较神经压缩方法都是不足够的,但我们还是找到了一种新型神经压缩架构,其在计算要求和 RD 性能之间具有最佳的实证权衡。
Sep, 2023
此论文研究了层次化变分自编码器中速率 / 失真权衡的问题,并提出了一个通用类别的推理模型,可以将解码速度分成各层的贡献,从而可以独立调节。我们根据下游任务的理论性能作为各个层速率的函数推导了理论界限,并在大规模实验中验证了我们的理论发现,这为从事者在一个给定应用程序中目标速率空间提供了指导。
Feb, 2023