Aug, 2021

多尺度渐进统计模型实现无损图像压缩

PDF
TL;DR本文提出一种多尺度渐进统计模型，兼顾像素级别处理和多尺度处理，能够在不显著降低推理速度的情况下，在两个大型基准数据集上显著优于现有的无损图像压缩方法。
lossless image compressiondeep neural networksmulti-scale autoregressive modelspixel-wise approachbenchmark datasets
发现论文，激发创造
  • 神经多尺度图像压缩

    该研究提出了一种新的损失图像压缩方法，利用自然图像的多尺度特征，通过自编码器和并行多尺度无损编码器提取和编码量化变量来实现快速高保真图像编解码。

    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

  • 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

  • 基于学习的有损图像压缩：综合调研

    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

  • 端到端优化的图像压缩

    描述一种图像压缩方法，其由非线性分析变换、均匀量化器和非线性合成变换构成，并使用卷积线性滤波器和非线性激活函数的三个连续阶段构建变换，其中联合非线性性选择实现形式的局部增益控制，利用随机梯度下降的变体优化整个模型以实现训练图像数据库的速率失真性能，以及一个连续的代理来引入量化器产生的不连续损失函数，具有比标准 JPEG 和 JPEG2000 压缩方法更好的速率失真性能，并且在所有位率下对所有图像的视觉质量均有显著提高。

    Nov, 2016

  • 有损压缩用于无损预测

    本文利用无监督目标设计神经压缩器进行图像压缩，以满足具有数据增强特征的所有预测任务的高性能，实现了大幅度节省数据率的效果，同时不会降低下游分类性能。

    Jun, 2021

  • L2 后训练模型大小压缩

    通过统一的参数化权重转换和可微分计数器，提出了一个后训练模型大小压缩方法，可以同时进行有损和无损压缩，实现了稳定的 10 倍压缩比和短时间内 20 倍压缩比。

    Aug, 2023

  • 图像压缩的修复学习

    该研究探讨了针对有损图像压缩的深度结构设计，提出了两个基于多级渐进编码器的结构方案并通过实验证实了它们对压缩性能的贡献。其中，学习残差预测和压缩前修复图像 (邻近像素) 以减少存储量的设计选择，能够使压缩文件大小平均降低超过 60％，且保持相似的压缩质量。

    Sep, 2017

  • 利用多级字典进行无损图像压缩：二值图像

    基于空间结构和二值图像的模式，本研究提出了一种具有低复杂度和性能保证的无损图像压缩方案，通过学习字典从二值图像中编码，取得了比传统方法、学习方法和专用方案更好的压缩性能。

    Jun, 2024

  • 基于机器感知的图像压缩：分层生成方法

    本文介绍了一种层次生成式图像压缩模型，该模型支持多任务分析，通过学习感知图像压缩方法提供可压缩的紧凑表示，并实现高分辨率图像重建以及压缩率和感知性能的平衡。实验结果表明，该模型对于 RGB 基于方法可以降低 99.6% 的比特率并实现可比拟的分析结果。

    Apr, 2023