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
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
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
摘要：本文介绍了一种新颖的体系结构，该体系结构由 JPEG 文件量化矩阵参数化，可以实现单个模型在多个不同的质量设置上达到比专门针对不同质量设置训练的模型更好的性能。该模型的训练利用了深度神经网络技术，以解决在 JPEG 图像压缩算法中存在的失真纠正问题。
Apr, 2020
本文为针对使用离散余弦变换进行有损图像压缩的综述，旨在介绍用于全彩色静态图像应用的 JPEG 压缩算法及其各个组成部分。
May, 2014
通过使用条件扩散模型，本文展示了它作为解码器时在生成式压缩任务中的良好结果，同时通过采样方法，它们还允许在解码器端基于压缩表示创建新的失真和感知之间的权衡点。
Mar, 2024
本文基于最小均方误差（MSE）和构造的完美感知解码器之间的输出进行线性插值实现失真和感知质量之间的权衡，提出了两个理论优化的训练框架，并通过实验证明这些框架在实际感知解码中不仅具有理论上的优越性，而且还能产生最先进的性能。
Jun, 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
我们提出了一种新的方案，以无损的方式重新压缩 JPEG 图像。使用 JPEG 图像作为输入，该算法部分解码信号以获得量化的 DCT 系数，然后以更有效的方式重新压缩它们。
Oct, 2023