本文提出了一种基于深度学习的图像压缩架构，利用卷积自编码器的优势达到了更高的编码效率，并利用主成分分析来产生一个更加能量紧凑的表示，实验结果表明，该方法相对于传统的图像编码算法在 Kodak 图像数据库上获得了 13.7％的 BD 速率降低，而且与 JPEG2000 具有类似的复杂度。

Apr, 2018

通过调节特定速率失真折衷的调节网络，提出了一种适用于深度图像压缩的可变速率压缩机制，可以在保持较低参数数量的情况下实现相同的失真性能。

Dec, 2019

我们提出了一种新的方法来优化自动编码器实现有损图像压缩，并通过最小的损失改变来改进了深度自动编码器的性能， 从而实现了高分辨率图像的高效和灵活压缩。

Mar, 2017

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

本研究提出了一种基于 3D-CNN 的条件概率模型方法，用于直接建模图像自动编码器隐层表示的熵，从而控制重构误差和信息熵之间的平衡关系，该方法在 MS-SSIM 能力测试中表现优异，成为一种最新的图像压缩系统。

Jan, 2018

本论文研究了基于深度学习方法的图像压缩，以卷积自编码器（CAEs）、生成对抗网络（GANs）、超分辨率（SR）为基础开发了三种压缩结构，进行了全面性能比较。实验结果显示，CAEs 通过提取紧凑的特征比 JPEG 实现了更好的编码效率。GANs 在大压缩比和高主观质量重建方面具有潜在的优势。超分辨率在它们中表现出最佳的速率 - 失真（RD）性能，可与 BPG 相媲美。

Jul, 2018

本论文介绍了近年来利用机器学习架构进行图像压缩的技术与方法，主要包括自编码器、卷积神经网络、生成对抗网络等，并探讨了该领域仍需解决的问题。

Jan, 2022

通过自动网络优化技术减少神经图像压缩中解码器的计算复杂度，探索码率失真性能和运行时间性能之间的平衡，提高图像压缩的计算效率。

Dec, 2019

本文提出了一种基于深度生成模型的视频压缩方法，采用三维自编码器和自回归先验以最小化速率失真损失，实现编码效果优于现有的基于运动补偿或插值的视频压缩网络，并且在设计选择和压缩技术方面进行了系统评估和扩展，包括语义压缩、自适应压缩和多模态压缩，以便在非标准成像传感器捕获的多个模态数据上实现联合压缩。

Aug, 2019

本研究提出了一种基于变分自编码器的不对称增益可变率可学习图像压缩框架（AG-VAE），该框架利用一对增益单元实现了一种连续可变率适应性方法，通过指数插值实现连续率自适应，同时利用不对称高斯熵模型对熵进行更精确的估计。该方法表现优秀，与最先进的学习图像压缩方法相媲美，同时胜过了经典图像编解码器，实验证明增益模块和不对称高斯熵模型的优越性。

Mar, 2020