CVPRDec, 2021

联合全局和局部分层先验的学习图像压缩

PDF
TL;DR通过 attention 机制，我们提出了一种新的信息变换学习熵模型，能更好地处理图像压缩的全局和局部依赖关系，实验证明该模型取得了优于现有技术的率失真性能，并且没有二次计算复杂度问题。
image compressionlearned entropy modelsconvolutional neural networksglobal and local informationattention mechanism
发现论文，激发创造
  • 使用全局参考学习精准熵模型进行图像压缩

    本研究提出了一种新的图像全局参考模型，能够有效利用局部和全局上下文信息，以提高深度图像压缩的性能表现，并且拥有最先进的速率 - 失真性能，同时还新创了一种平均偏移 GDN 模块。

    Oct, 2020

  • 多环境双超先验神经图像压缩

    提出了基于 Transformer 的非线性变换和包含两个不同超先验的熵模型，通过有效地捕获输入图像的局部和全局信息以及利用远距关系提取长程信息，能够在速率 - 失真性能方面表现优于现有的方法。

    Sep, 2023

  • Entroformer：基于 Transformer 的熵模型学习图像压缩

    提出了一种新型的基于 Transformer 的熵模型（Entroformer），用于在图像压缩中有效地捕获远距离依赖，并通过并行双向上下文模型加速解码进程，实现了最先进的性能。

    Feb, 2022

  • 基于图像的局部熵模型的学习图像压缩

    本文介绍了一种通过加入图像依赖的信息来提高基于人工神经网络的图像压缩方法的性能的方法，并在标准评估数据集上实现了 17.8％的速率降低和 70-98％的在视觉复杂性低的图像上的性能提升。

    May, 2018

  • 联合自回归和分层先验用于学习图像压缩

    通过引入自回归、分层和联合先验，我们提出了一种新的图像压缩模型，取得了目前最先进的压缩效果。

    Sep, 2018

  • 学习基于上下文的非局部熵建模用于图像压缩

    本文提出了基于全局相似性的非局部关注块来进行上下文建模，在熵编码中应用该方法，进而在联合速率失真优化中引导分析转换与合成转换网络的训练，并最终使用 U-Net 块增加转换的宽度，从而在 Kodak 和 Tecnick 数据集上实现了超越现有标准与最新深度图像压缩模型的低失真压缩。

    May, 2020

  • 学习卷积网络实现内容加权图像压缩

    本研究提出了一个基于卷积神经网络、内容感知的比特率分配策略及基于二值化的量化方法，使用内容加权重要度图控制压缩率，同时结合 ImageNet 数据库进行端到端优化，实验结果表明本方法在低比特率下比 JPEG 和 JPEG 2000 更优秀，并产生更好的视觉效果。

    Mar, 2017

  • 一种端到端的图像压缩和质量增强联合学习方案，带有改进的熵最小化

    本文提出了一种新的联合学习模式的图像压缩和质量增强方案 ——JointIQ-Net，通过采用高斯混合模型进行极小化熵模型改进，并进一步利用全局上下文估计潜在表示的概率，实现了编码效率的极大提升，达到了比传统编解码器和以往学习图像压缩方法更好的压缩效果。

    Dec, 2019

  • 深度图像压缩的条件概率模型

    本研究提出了一种基于 3D-CNN 的条件概率模型方法，用于直接建模图像自动编码器隐层表示的熵，从而控制重构误差和信息熵之间的平衡关系，该方法在 MS-SSIM 能力测试中表现优异，成为一种最新的图像压缩系统。

    Jan, 2018

  • 基于因果关系的上下文预测学习图像压缩

    本文提出了一种基于序列解码过程的因果上下文熵预测的概念，以捕捉图像压缩的全局相关性和跨通道关系，同时，采用新的独立注意力模块构建更强的转换网络，实验结果表明，该系统在 Kodak 数据集上的表现优于标准 VVC/H.266 编解码器，达到了最先进的码率失真性能。

    Nov, 2020