Nov, 2020

CompressAI：面向端到端压缩研究的 PyTorch 库和评估平台

PDF
TL;DR介绍了 CompressAI，一个图像和视频端到端压缩编解码器研究、开发和评估平台，提供自定义操作、层、模型和工具，包括预训练模型和评估工具，并与传统编解码器进行比较，使用 Kodak 图像数据集作为测试集，采用 PSNR 和 MS-SSIM 指标对多个端到端压缩模型进行了客观比较，目前实现静态图像压缩，但计划在不久的将来扩展到视频压缩领域。
发现论文，激发创造
  • 实时自适应图像压缩

    本文提出了一种基于机器学习的图像有损压缩方法，运行实时且优于所有现有编解码器，其架构为自编码器，具备金字塔分析、自适应编码模块、期望码长的正则化等特点，并通过对抗训练以在极低比特率下提供视觉良好的重建效果。

    May, 2017

  • 机器端到端优化的图像压缩研究

    本文提出了一种基于神经网络的编解码及任务模型的联合训练方法，用于实现远程机器任务分析的图像压缩，研究表明，进行编解码和任务网络的联合优化可以显著提高任务准确性，在训练和部署的限制下，可以选择性地进行编码器、解码器或任务网络的微调，并仍然实现高于现成解决方案的速率和准确度。

    Nov, 2020

  • 可压缩且可搜索：学习图像压缩的 AI 原生多模态检索系统

    我们提出了一个融合 AI-native 多模式搜索与神经图像压缩的框架，通过使用简单的适配器来提高多模式数据的压缩效率和搜索准确性，实验证明了我们的方法在数字内容、多媒体数据和大数据时代具有可伸缩性和高效性。

    Apr, 2024

  • 安全和性能，何不两全？面向人工智能软件部署的异构攻击下的双目标优化模型压缩

    通过测试驱动的稀疏训练框架 SafeCompress 来解决安全模型压缩问题，具体包括 BMIA-SafeCompress 和 WMIA-SafeCompress 两个实例，以及对黑盒和白盒成员推断攻击同时进行的 MMIA-SafeCompress 实例，实验证明了框架的有效性和通用性。

    Jan, 2024

  • 利用可压特征进行协同智能的多任务学习

    在此研究中，作者介绍了一种新的损失函数，旨在促进 feature 的可压缩性，而不会牺牲多个任务的系统性能，作者称之为压缩友好的丢失函数，实验结果显示，使用这种丢失函数，可以实现约 20％的比特率降低。

    Feb, 2019

  • 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

  • 基于深度学习的显微图像压缩：实证研究

    利用经典和深度学习的图像压缩方法对基于深度学习的图像处理模型进行分析并比较，表明深度学习的压缩技术在 2D 情况下在保持预测准确性的同时显著优于传统方法，并对图像压缩对下游深度学习图像分析模型的影响进行评估。

    Nov, 2023

  • 了解机器学习训练集中无损压缩的有效性

    对机器学习和人工智能在高性能计算中的应用，数据压缩对模型质量的影响以及现代有损压缩方法的优势进行了系统评估，指出了指导将来使用和设计有损压缩器的关键见解。

    Mar, 2024

  • 自压缩神经网络

    本文介绍了一种称为 Self-Compression 的方法，可以移除神经网络中的冗余参数和减少表示权重所需的位数，从而简化网络结构，提高训练和推断效率。作者通过实验证明，使用 Self-Compression 方法可以在只保留网络中 18% 的权重和仅需 3% 的位数的条件下，还能实现浮点数的准确性。

    Jan, 2023

  • 有损压缩用于无损预测

    本文利用无监督目标设计神经压缩器进行图像压缩，以满足具有数据增强特征的所有预测任务的高性能，实现了大幅度节省数据率的效果，同时不会降低下游分类性能。

    Jun, 2021