IJCAIJul, 2020

用于深度图像压缩的通道级变量量化网络

PDF
TL;DR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。
deep image compressionquantizationneural networkgaussian mixture modelvariable bitrates
发现论文，激发创造
  • 多目标优化和量化重构偏移的可变速率学习图像压缩

    通过在预训练的单速率压缩模型上进行后训练，本研究提出了三种改进方法，包括多目标优化、引入量化 - 重建偏移和使用变速率量化。在三个著名的图像压缩模型上实施这些算法后，实现了可变速率压缩，且与训练多个模型相比，压缩性能几乎没有或只有微小的损失。

    Feb, 2024

  • 学习卷积网络实现内容加权图像压缩

    本研究提出了一个基于卷积神经网络、内容感知的比特率分配策略及基于二值化的量化方法，使用内容加权重要度图控制压缩率，同时结合 ImageNet 数据库进行端到端优化，实验结果表明本方法在低比特率下比 JPEG 和 JPEG 2000 更优秀，并产生更好的视觉效果。

    Mar, 2017

  • 增强学习图像压缩的通道特征去相关

    通过充分利用现有的深度神经网络容量，本研究提出了一种改进压缩的方法，通过引导潜在特征学习更丰富和多样化的特征来实现更好的重构效果，并将通道相关的特征去相关损失集成到优化过程中，实验证明该方法在两种传统压缩方法上提高了压缩性能，没有增加额外的复杂性，可以作为类似方法的即插即用的优化方案。

    Mar, 2024

  • 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

  • 学习内容加权深度图像压缩

    本文提出一种内容加权的编码器 - 解码器模型，配合重要性掩模子网，通过局部自适应的比特率分配和控制方法，有效地进行学习型有损图像压缩，同时通过修剪的卷积神经网络实现对量化编码方法的有损压缩。实验证实该方法可以比深度和传统有损图像压缩方法获得更优成果。

    Apr, 2019

  • 使用单级和多级量化的深度神经网络压缩

    本文提出了两种新的网络量化方法，即高位量化的单层网络量化（SLQ）和极低位量化（三元）的多层网络量化（MLQ），两种方法均在有效利用深度信息方面表现出色。

    Mar, 2018

  • 带有条件自编码器的可变率深度图像压缩

    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

  • 利用平铺深度网络的空间自适应图像压缩

    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

  • 用于多天线信道量化的比特级优化神经网络

    通过开发具有位级量化性能优势的联合卷积残差网络（JCResNet），我们提出了一种基于深度学习的 CSI 量化方法，以从多输入多输出（MIMO）信道特征提取和恢复角度来帮助降低 CSI 反馈的开销并提高性能。实验证明，我们提出的方法显著提高了性能。

    Sep, 2019

  • DAQ: 深度图像超分辨率网络通道分布感知量化

    提出了一种基于分布感知的量化方案（DAQ）用于超低精度的训练无需的神经网络量化，可以减少图像超分辨率的计算成本，并超越目前最先进的图像超分辨率网络。

    Dec, 2020