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

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

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

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

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

本研究提出了一种基于变量量化的控制器，它能动态分配显著通道和微不足道通道的比特率，同时我们提出了一种高斯混合模型量化器，并通过实验证明了我们的方法能够更好地重构图像并取得更好的性能。

Jul, 2020

本文提出了一种基于卷积 LSTM 神经网络的可变比率图像压缩框架和架构，可以用于压缩缩略图以改善移动设备用户的体验，经测试在 32×32 的缩略图上，与 JPEG、JPEG2000 和 WebP 相比，我们的方法在相同存储大小下提供更好的视觉质量。

Nov, 2015

本篇论文提出了一种基于深度学习的可变比特率图像压缩框架，通过采用更多泛化除法归一化（GDN）层和新型的 GDN 残差子网络，在编码器和解码器网络中加以应用，再结合基于随机四舍五入的可扩展量化，实现了同一模型的多比特率操作和学习多比率图像特征，并在实验中获得了比诸如 H.265/HEVC-based BPG 等标准编解码器和最新的学习可变比率方法更好的表现。

Dec, 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