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

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

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

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

提出了 Blur, Noise, and Compression Robust GAN (BNCR-GAN)，它可以在不知道降解参数的情况下直接从退化图像中学习干净图像，同时适用于不可逆降解，例如模糊、压缩和混合。该算法通过掩码架构调整数据驱动的降解强度值，并引入自适应一致性损失来抑制模糊、噪声和压缩组合的不确定性。经过大规模比较研究和广泛分析，我们证明了 BNCR-GAN 的有效性，并证明了其在图像恢复中的适用性。

Mar, 2020

利用生成对抗网络模型和卷积残差网络结构，该论文提出了一种用于去除图像压缩失真的方法，并且该方法在物体检测方面的性能表现优于传统的均方误差和结构相似性优化算法。

Apr, 2017

提出了一种可控生成图像压缩框架 (Control-GIC)，首次实现了在广泛频谱范围内的精细比特率调整，确保高保真度和通用性压缩。基于 VQGAN 框架，将图像表示为可变长度代码的序列，通过与局部图像块的信息密度相关联，实现了动态调整代码数量的不同粒度决策，进而实现了理想的压缩速率。实验结果表明，Control-GIC 在高度灵活和可控比特率适应性方面表现出优越性能。

Jun, 2024

本研究提出了一种新颖的高保真生成对抗网络（GAN）反演框架，可以进行带有图像特定细节（例如背景、外观和照明）的属性编辑，并使用扭曲一致性咨询和自适应扭曲对齐模块来提高反演和编辑质量。

Sep, 2021

近年来，神经网络驱动的图像压缩（NIC）方法备受关注。本文提出了一种可变比率的生成式 NIC 模型，通过多种鉴别器设计和引入新的对抗损失，结合新提出的多真实感技术，用户能够通过单一模型灵活地调整比特率、失真和真实感，实现了极高的可控性并覆盖宽范围的比特率。与已有可变比率生成式 NIC 模型不同的是，本方法在只使用一个模型的情况下，达到或超过最先进的单比率生成式 NIC 模型的性能。

May, 2024

提出了一种利用可微的修剪方法通过超网络压缩 GAN 的方法，实现可控压缩训练，并在多个基准数据集上取得了优异的性能。

Mar, 2024