基于块的混合图像压缩算法

Dec, 2020

Learned Block-based Hybrid Image Compression

Yaojun Wu, Xin Li, Zhizheng Zhang, Xin Jin, Zhibo Chen

TL;DR提出了一种基于学习的分块图像压缩框架，引入显式内部预测，使用上下文预测模块以及边界感知后处理模块来解决压缩过程中的问题和缺陷。实验结果表明，在与现有学习图像压缩方法相比，该 LBHIC 编解码器具有更好的性能表现。

Abstract

Recent works on learned image compression perform encoding and decoding processes in a full-resolution manner, resulting in two problems when deployed for practical applications. First, parallel acceleration of the autoregressive entropy model cannot be achieved due to serial decoding.

learned image compression block partition contextual prediction module boundary-aware postprocessing module information prediction

发现论文，激发创造

实用全分辨率学习无损图像压缩

我们提出了第一个实用的学习无损图像压缩系统 L3C，它在压缩方面优于流行的人工编码器 PNG、WebP 和 JPEG 2000。L3C 的核心是一种可完全并行化的分层自适应熵编码概率模型，该模型针对压缩任务进行了端到端的优化。与最近的自回归离散概率模型（如 PixelCNN）相比，我们的方法将图像分布与学习的辅助表示一起建模，而不是仅在 RGB 空间中建模图像分布，并且只需要三个前向传递来预测所有像素的概率，而不是为每个像素分别预测一个。此外，我们发现学习辅助表示至关重要，而且显著优于预定义的辅助表示，如 RGB 金字塔。

Nov, 2018

通过深度学习和传统编解码器优化混合分层图像压缩

本文提出一个基于深度学习和传统图像编解码器相结合的图像压缩框架并在 Kodak 和 Tecnick 数据集上进行实验，结果表明改进的分层压缩方案比现有方案和传统编解码器都表现更好，在 RGB444 中编码图像，无论在 PSNR 和 MS-SSIM 度量方面在广泛比特率范围内都有优异的表现。

Jul, 2019

用于学习图像压缩的通道方向自回归熵模型

本研究介绍了两种增强技术：通道调节和潜在残差预测，提出了比现有上下文自适应模型更好的网络架构，该模型在最小化串行处理、保持数据完整性等方面都性能更优，在 Kodak 和 Tecnick 图像集上的平均速率提高了 6.7% 和 11.4%。在低比特率下，本研究的模型可使速率提高 18%，比像 BPG 这样的手工工程编解码器提高 25%。

Jul, 2020

视频压缩的学习

本文提出了 PixelMotionCNN 的概念，并采用基于学习的框架进行视频压缩，该框架包括迭代分析 / 综合，二值化等组件，实验结果表明该方案与 H.264 编解码器具有相当的性能表现，为未来视频编码的进一步提高压缩效率和功能提供了可能的新方向。

Apr, 2018

基于因果关系的上下文预测学习图像压缩

本文提出了一种基于序列解码过程的因果上下文熵预测的概念，以捕捉图像压缩的全局相关性和跨通道关系，同时，采用新的独立注意力模块构建更强的转换网络，实验结果表明，该系统在 Kodak 数据集上的表现优于标准 VVC/H.266 编解码器，达到了最先进的码率失真性能。

Nov, 2020

高效学习图像压缩的棋盘格上下文模型

本文提出了一个平行化友好的棋盘格上下文模型（CCM），旨在提高可学习的图像压缩过程的效率，其通过重组解码顺序以消除空间位置的限制，实现计算效率的显著改进，在保持近似相同的率失真性能的情况下，实验结果显示它将解码速度提高了 40 倍以上，并且，这是第一个探索平行化友好的空间上下文模型用于学习图像压缩的探索。

Mar, 2021

基于块优化的可变比特率神经图像压缩

本文介绍了一种基于块的端到端自编码器图像压缩系统，其主要贡献包括模拟二值化、多网络可变比特率、熵友好表示、推理阶段代码优化和性能优化归一化层。我们评估并展示了每个贡献的增量性能提高。

May, 2018

多尺度和上下文自适应熵模型用于图像压缩

本文提出了一种端到端可训练的图像压缩框架，采用自回归和分层先验的组合估计每个潜在表示的分布，并使用一种方法将比特率分配到每个图像以最大化 MS-SSIM。

Oct, 2019

具有双向上下文分离网络的学习可扩展图像压缩

本文提出了一种基于深度神经网络的学习可扩展 / 渐进式图像压缩方案，命名为双向上下文分离网络（BCD-Net），并采用位平面分解学习分层表示，并通过双向流来解缠上下文信息以获得更有效的压缩表示。实验证明，与最先进的基于 DNN 的可扩展图像压缩方法相比，我们提出的方案在 PSNR 和 MS-SSIM 度量方面均表现出色，并且在 MS-SSIM 度量方面比传统可扩展图像编解码器的性能更高。

Dec, 2018

混合 Transformer-CNN 结构的学习图像压缩

本文提出了一种高效的并行 Transformer-CNN 混合块，用于将 CNN 的本地建模能力和 Transformer 的非本地建模能力相结合，以提高图像压缩模型的整体架构，并在熵估计模型和注意力模块方面取得了最新进展，实验结果表明，该方法在三个不同分辨率的数据集上均实现了具有创新性的率失真表现.

Mar, 2023