DPICT:使用三层平面的深度渐进式图像压缩
本文提出了基于上下文的 Trit 平面编码(CTC)算法以实现更紧凑的渐进式压缩,包括基于上下文的速率减小模块、基于上下文的失真减少模块和解码器的重新训练方案,并通过广泛的实验证明在 BD 率上显著优于基线 trit 平面编解码器,只略微增加了时间复杂度。
Mar, 2023
通过使用迭代扩散模型进行解码,同时结合全局文本图像描述来提供额外的上下文,我们的模型在极低比特率下能够重建逼真的图像,其视觉质量不仅与以往方法相媲美,而且对比特率的依赖性更低。
Oct, 2023
本文介绍的 ProDTD 是一种训练方法,可将非渐进式图像压缩方法转化为渐进式图像压缩方法,适用于基于 CNN 的学习图像压缩模型,不需要额外的参数,并具有定制化的渐进程度。将 ProDTD 应用于 hyperprior 模型,实验结果显示它在 MS-SSIM 和准确性方面表现出与非渐进式及其他先进渐进式模型相当的性能。
May, 2023
本文提出一个基于深度学习和传统图像编解码器相结合的图像压缩框架并在 Kodak 和 Tecnick 数据集上进行实验,结果表明改进的分层压缩方案比现有方案和传统编解码器都表现更好,在 RGB444 中编码图像,无论在 PSNR 和 MS-SSIM 度量方面在广泛比特率范围内都有优异的表现。
Jul, 2019
使用深度卷积神经网络的有损图像压缩方法,结合感知损失和对抗损失以及逐渐引入量化误差和速率约束的易到难迁移学习实现更好的速率 - 失真优化。在多个数据集中,相比于 BPG,WebP,JPEG2000 和 JPEG,平均达到了 7.81% - 19.1%的 BD - 率降低。
Jun, 2018
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
本论文提出了一种基于循环卷积神经网络的有损图像压缩方法,通过像素权重损失、改进循环神经网络的结构以及自适应位分配算法,成功取得了多项实验成果优于 BPG、WebP、JPEG2000 和 JPEG 等标准方式。
Mar, 2017
本论文提出了一种基于深度语义分割的分层图像压缩 (DSSLIC) 框架,通过将输入图像的语义分割映射编码为比特流的基本层,并生成编码为第一个增强层的输入图像的紧凑表示,进而获得图像的粗略重构,并额外编码作为另一种增强层与输入图像的差值,该框架可以在 RGB 域的广泛比特率中在 PSNR 和 MS-SSIM 指标方面优于 H.265/HEVC-based BPG 和其他编解码器,并用于图像搜索和基于对象的自适应图像压缩等多项任务。
Jun, 2018
本文提出利用传统变换理论引导的超低比特率增强可逆编码网络,实验表明我们的编码器在压缩和重构性能方面优于现有方法。具体而言,我们引入块离散余弦变换来建模特征的稀疏性,并采用传统的 Haar 变换来提高模型的重构性能而不增加比特流成本。
Feb, 2024
本文提出一种名为 Deep Semantic Image Compression (DeepSIC) 的概念,提出两种新颖的架构,旨在重构压缩图像并同时生成相应的语义表示。在编码过程中,第一架构通过将一部分比特保留在压缩编码中存储语义表示进行语义分析。第二种在解码过程中使用嵌入到压缩码中的特征映射进行语义分析。通过在公开数据集上进行实验,验证本文的方法,并对所提出技术的优缺点进行了彻底分析。
Jan, 2018