本文提出一种基于语义分割概率图的空间特征变换（SFT）层，能有效恢复语义类匹配的纹理特征，使得卷积神经网络（CNN）进行单图像超分辨率（SR）重建更具真实性和视觉感受性。

Apr, 2018

本文提出了一种选择性压缩方法来进行基于深度学习的可变速率图像压缩，该方法通过生成 3D 重要性映射并调整该映射来确定不同目标质量水平的压缩所需的基本表示元素。实验结果表明，该方法可以获得与单独训练的参考压缩模型相当的压缩效率，并可以减少解码时间。

Nov, 2022

用基于深度神经网络的质量敏感位速率自适应算法取代传统神经网络的定长空间位速率压缩算法，通过切块神经网络结构实现空间上下文预测，最终量化定量（PSNR）与定性（主观评估）评价得分优于其他基准模型。

Feb, 2018

本文提出了一种基于 transformer 学习的图像压缩系统，通过使用 prompt generation 网络，支持 RO I 功能，并允许同时实现可变速和 ROI 编码。实验结果表明，该方法优于其他竞争方法。

May, 2023

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

本文提出了一种可扩展的图像压缩方案，包括特征表示和纹理表示的基本层和增强层，其通过神经网络进行分析和深层特征重建，可以在视频监控应用中实现优秀的性能表现。而实验证明该框架可以在保证精度和失真率的情况下，比传统的图像压缩方案具有更好的性能。

Mar, 2019

本文提出了一种基于 Frequency-Transformer 的压缩视频超分辨率方法，通过在空间、时间、频率域进行自注意力机制，有效地提取并转移高质量纹理进行视频帧增强和恢复。实验结果表明，该方法在两个广泛使用的视频超分辨率基准测试中均表现优于现有技术，并且在无损和有损视频上均具有明显的视觉优势。

Aug, 2022

该研究提出了一种渐进学习范式，用于基于变速器的图像压缩。通过使用层自适应提示模块 (LPM) 提取输入图像和编码器端以及解码器端的隐藏特征的提示信息，并将其作为额外信息输入到预训练的基于变速器的图像压缩模型的 Svin Transformer 层中，从而改变了模型的关注区域和位数的分配，进而改变了模型的目标压缩比。通过与仅优化不同目标比率的多模型方法相比较，详尽实验证明了所提出的方法在参数存储上节约了 80% 的空间，节约了 90% 的数据集。同时，我们的模型在速率失真性能方面胜过了所有当前的可变比特率图像方法，并接近从头开始训练的最先进的固定比特率图像压缩方法。

Nov, 2023

通过在预训练的单速率压缩模型上进行后训练，本研究提出了三种改进方法，包括多目标优化、引入量化 - 重建偏移和使用变速率量化。在三个著名的图像压缩模型上实施这些算法后，实现了可变速率压缩，且与训练多个模型相比，压缩性能几乎没有或只有微小的损失。

Feb, 2024

本文通过引入 Invertible Activation Transformation (IAT) 模块来解决图片在多次压缩／解压缩操作下质量下降的问题，实现了更好的维护图片保真度的同时，拥有细粒度的压缩率控制并取得了和目前最好的类似学习方法比较时具有可比较的的速率失真性能。

Sep, 2022