本文提出了一种基于深度学习的图像压缩架构,利用卷积自编码器的优势达到了更高的编码效率,并利用主成分分析来产生一个更加能量紧凑的表示,实验结果表明,该方法相对于传统的图像编码算法在 Kodak 图像数据库上获得了 13.7%的 BD 速率降低,而且与 JPEG2000 具有类似的复杂度。
Apr, 2018
通过卷积变分自编码器 (CVAE) 进行图像压缩的研究,其能够显著降低传输数据体积并保证安全有损图像重建的品质。
Apr, 2024
本论文研究了基于深度学习方法的图像压缩,以卷积自编码器(CAEs)、生成对抗网络(GANs)、超分辨率(SR)为基础开发了三种压缩结构,进行了全面性能比较。实验结果显示,CAEs 通过提取紧凑的特征比 JPEG 实现了更好的编码效率。GANs 在大压缩比和高主观质量重建方面具有潜在的优势。超分辨率在它们中表现出最佳的速率 - 失真(RD)性能,可与 BPG 相媲美。
Jul, 2018
我们提出了一种新的方法来优化自动编码器实现有损图像压缩,并通过最小的损失改变来改进了深度自动编码器的性能, 从而实现了高分辨率图像的高效和灵活压缩。
Mar, 2017
通过神经网络构建一套高效率图像压缩方法,新架构由编码器、解码器、二值化器和熵编码神经网络组成,可变压缩比率,能在感知度量上对 JPEG 进行改善,并取得了最好的表现。
Aug, 2016
本文介绍了神经压缩的概念及其在数据压缩领域中的应用,首次完整回顾了信息论和计算机视觉的背景知识,并提供了一个文献综述,总结了目前领域内的主要意见和方法。
Feb, 2022
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
本文提出了基于卷积神经网络的图像压缩框架,其中包括用于压缩的紧凑型 CNN 和用于重构压缩图像的重构型 CNN,开发了一种统一的端到端学习算法以有效协同两种 CNN,并与现有的图像编码标准兼容。实验结果表明,所提出的压缩框架大大优于使用现有图像编码标准的多种压缩框架。
Aug, 2017
该论文对学习图像压缩方法进行了全面的文献综述,并提出了一种基于粗到细超先验模型的熵估计和信号重建方法,以提高图像压缩的效率和性能。
Feb, 2020
对机器学习和人工智能在高性能计算中的应用,数据压缩对模型质量的影响以及现代有损压缩方法的优势进行了系统评估,指出了指导将来使用和设计有损压缩器的关键见解。
Mar, 2024