本文介绍了一种新的编解码方法，可以压缩成对立体图像并利用解码器端的相关性附加信息，以更有效地重构图像。该算法利用了交叉注意力模块对齐处理相关特征图，实验验证了其在 KITTI 和 Cityscape 数据集上的优越性能。

Jul, 2022

作者提出了一个基于深度学习的图像压缩神经网络，该网络利用仅仅面向解码器的附加信息，并基于编码器可用的图像和解码器可用的图像是相互关联的这一假设，在训练阶段让网络学习这些关联。然后，在运行时，编码器侧对输入图像进行编码而不知道解码器侧图像的任何信息，然后将其发送到解码器。解码器然后使用编码的输入图像和侧信息图像来重建原始图像。在信息理论中，这个问题称为分布源编码，并且我们讨论了这个技术的几个用例。我们将我们的算法与几个图像压缩算法进行了比较，并展示了添加仅面向解码器的附加信息确实可以改善结果。

Jan, 2020

该研究提出了一种基于条件 VQ-VAE 的框架，能够处理复杂相关性的有损分布式编码，并在多个数据集上取得了明显优于当前最先进方法的效果。

Jun, 2021

该研究使用深度神经网络对图像进行压缩，提出了基于特征向量直接映射信道输入的联合源通道编码方法，提高了端到端准确性，加快编码操作，适用于受电力和时延限制的物联网应用。

Oct, 2019

在低延迟图像传输中，我们考虑了有相关辅助信息只存在于接收方的噪声无线信道（Wyner-Ziv 场景）。我们提出了一种新颖的神经网络架构，在接收方的多个阶段上整合解码器的辅助信息，结果表明该方法在所有信道噪声水平上在各种畸变标准下取得了改进的性能，特别是在低信道信噪比和小带宽比下。

Oct, 2023

论文提出了一种基于深度学习的分布式视频编码架构，通过在解码器中使用有效的辅助信息生成模块，成功利用帧间相关性以提高压缩效率，同时，在编码速度相同的情况下，研究结果优于传统的分布式编码和基于 H.264 标准的压缩方法。

Mar, 2023

本文提出了一种立体图像压缩方法，采用单图像自编码器和参数化跳跃函数进行压缩，并使用条件熵模型对图像代码的概率依赖关系进行建模，实验结果表明，在低码率下与深度单图像压缩相比，第二幅图像的比特率减少了 30-50％，高码率下减少了 10-20％。

Aug, 2019

本文提出一种名为 Deep Semantic Image Compression (DeepSIC) 的概念，提出两种新颖的架构，旨在重构压缩图像并同时生成相应的语义表示。在编码过程中，第一架构通过将一部分比特保留在压缩编码中存储语义表示进行语义分析。第二种在解码过程中使用嵌入到压缩码中的特征映射进行语义分析。通过在公开数据集上进行实验，验证本文的方法，并对所提出技术的优缺点进行了彻底分析。

Jan, 2018

该研究提出了一种基于卷积神经网络的自编码器的无线图像传输联合源和信道编码技术，可提高信噪比和信道带宽性能，在慢 Rayleigh 衰落信道中具有噪声鲁棒特性。

Sep, 2018

本文提出了两种基于深度生成 (deng) 模型的联合源信号编码方案，分别是 InverseJSCC 和 GenerativeJSCC。通过介绍一种基于修改 DeepJSCC 的逆问题方法和一种端到 dalou 训练的 JSCC 方法，本文显示了这些方法在视觉感知质量方面的改进。

Nov, 2022