本文旨在提出一种创新的概念，将分层潜空间应用于增强式归一化流，建立可逆的潜变量模型，以解决许多学习型图像压缩方法的非可逆性问题。经过实验表明，本模型相较于单尺度模型，平均压缩率提高了 7% 以上。

May, 2023

本研究提出了一种名为 NN-VVC 的混合编解码器，结合了 E2E-learned 图像编解码器和传统视频编解码器 (CVC)，在图像和视频编码领域为机器实现高性能。实验证明，该系统在多个数据集和机器视觉任务上较 VVC 实现了高达 - 43.20% 和 - 26.8% 的 Bjøntegaard Delta 速率减小。据我们所知，这是第一篇在多个数据集和多个机器视觉任务上展示了优于 VVC 的混合视频编解码器的研究论文。

Jan, 2024

通过可逆神经网络，我们提出了 INN-RSIC 方法，用于解码远程感应图像并实现高感知质量，在低比特率下尤为重要。我们采用现有图像压缩算法捕捉压缩失真，并通过 INN 将其编码为一组高斯分布的潜在变量，使解码图像中的压缩失真与真实图像无关。因此，通过利用 INN 的逆映射，我们可以将解码图像以及一组随机重采样的高斯分布变量输入到逆网络中，有效生成感知质量更好的增强图像。我们通过引入量化模块（QM）来缓解格式转换的影响，从而提高框架的泛化能力和增强图像的感知质量。广泛的实验表明，我们的 INN-RSIC 在感知质量方面明显优于现有的传统和基于深度学习的图像压缩方法。

May, 2024

本文提出了一种基于 Transformer 的图像压缩方法（TIC），使用深度神经网络来分析和压缩输入图像，与最先进的基于卷积神经网络和基于人工编码规则压缩算法相比，该方法具有更少的参数个数，达到了同等性能。

Nov, 2021

本研究提出一种基于卷积神经网络的端到端图像压缩框架，通过特征描述神经网络获取低维有效描述，借助标准图像编解码器进一步压缩图像后，再通过后处理神经网络消除失真和压缩留痕，最终通过虚拟编解码器神经网络通过反向传播优化整个系统。实验结果表明该方法在极低比特率下比当前现有算法性能更优。

Dec, 2017

该研究提出了一种基于三种新技术的统一框架，包括通道关注模块、高斯混合模型和解码器侧增强模块，命名为 EDIC，可用于基于学习的图像压缩，并说明该方法优于当前所有先进的图像压缩方法，同时将解码速度提高了超过 150 倍。

Feb, 2020

本研究设计了一种基于神经网络的端到端学习的机器目标图像编解码器，通过一系列训练策略，解决了计算机视觉任务损失、图像失真损失和数据率损失之间竞争的问题，并在目标检测和实例分割任务中取得了比 VVC 标准更好的表现，是首个端到端学习的针对机器的图像编解码器。

Aug, 2021

通过引入一种简单的循环变分自编码器结构，我们在图像建模方面取得了显著进展，实现了割裂了关于全局概念信息和底层细节的分离，达到了无监督学习的基石之一。同时，我们通过仅存储关于图像的全局信息，实现了高质量的 ' 概念压缩 '。

Apr, 2016

我们提出了一种端到端学习的图像压缩编解码器，其中分析变换与目标分类任务同时训练。该研究证实，压缩的潜在表示能够以与定制的基于深度神经网络的质量指标相媲美的准确性预测人的感知距离判断。我们进一步研究了各种神经编码器，并展示了将分析变换作为超出质量判断之外的图像任务的感知损失网络的有效性。我们的实验表明，现成的神经编码器在感知建模方面表现出色，无需额外的 VGG 网络。我们期望这项研究能够成为开发语义感知和编码高效的神经编码器的有价值参考。

Jan, 2024

本文研究了利用深度潜变量模型进行有损图像压缩的问题，并提出了迭代推理、离散优化的随机退火以及 bits-back 编码等方法，取得了新的最优表现。

Jun, 2020