CVPRMar, 2022

用于高效神经图像压缩的统一多元高斯混合

PDF
TL;DR研究提出了一种新的矢量先验方法，采用多元高斯混合进行建模，并利用概率向量量化有效地近似平均值，从而实现更好的码率失真性能和达到实时高质量变分图像压缩的能力。
variational image compressionlatent variablesvectorized priormultivariate gaussian mixtureprobabilistic vector quantization
发现论文，激发创造
  • 变分贝叶斯量化

    我们提出了一种新颖的算法来量化训练模型中的连续潜在表达式，该算法适用于深度概率模型，可以实现数据和模型压缩，并且可以基于后验不确定性使用自适应量化精度来实现可变的码率失真折衷，实验证明了所提出的算法的有效性。

    Feb, 2020

  • 带有尺度超先验的变分图像压缩

    本研究论文提出并验证了一种使用基于变分自编码器的可端到端训练模型的图像压缩方法，其中使用了超先验来有效地捕获潜在表示中的空间依赖关系，证明该模型在使用 MS-SSIM 指标度量视觉质量时具有最先进的图像压缩性能，并提供了不同失真度指标的不同训练模型之间的定性比较。

    Feb, 2018

  • 使用离散化高斯混合似然和注意力模块的图片学习压缩

    本文提出了一种采用离散化高斯混合似然函数来参数化潜在代码分布的方法，并结合最近的注意力模块将其纳入网络架构中以增强性能。实验结果表明，我们提出的方法在 Kodak 和高分辨率数据集上都实现了最先进的性能，在 PSNR 方面与最新压缩标准 Versatile Video Coding（VVC）实现了可比较的性能，并且在经过 MS-SSIM 优化后，我们的方法生成了更加视觉上愉悦的结果。

    Jan, 2020

  • 大规模贝叶斯压缩感知中的高效变分推断

    本研究使用贝叶斯压缩感知框架从概率学的角度研究了重尾先验下的线性模型，并借助基于随机场的 Perturb-and-MAP 算法提出了一种高效的方法近似估计高斯方差，实现对完整后验分布的捕捉及模型参数的学习并通过实验在图像去模糊中得到了良好效果。

    Jul, 2011

  • 灵活神经图像压缩的稳健过拟合潜在特征

    神经图像压缩可以通过使用变分自动编码器和随机 Gumbel 退火来优化编码器和解码器容量，从而提高压缩性能。

    Jan, 2024

  • 基于贝叶斯隐式神经表达的压缩

    本文提出了一种基于变分贝叶斯神经网络的数据压缩方法，并使用相对熵编码代替量化和熵编码以优化 $eta$-ELBO 的速率失真性能，同时通过迭代算法学习先验权重分布并采用渐进式细化过程来有效提高压缩性能。实验证明，该方法在图像和音频压缩方面具有强大的性能，同时仍保持简洁。

    May, 2023

  • 混合先验生成模型的文档哈希

    本文提出了两种混合先验生成模型以产生高质量文件哈希码，实验结果显示这些方法在几个基准数据集上比现有方法表现出更好的性能，特别是使用 Bernoulli 混合先验的方法。

    Aug, 2019

  • 广义嵌套潜在变量模型在风力涡轮机场景中的应用于失真编码

    通过神经网络进行速率失真优化在压缩效率和图像质量方面取得了有竞争力的结果。本文通过设计具有马尔科夫链结构的广义 L 级嵌套生成模型扩展了这一概念。我们的实验评估是在风力涡轮机场景上进行的，以研究其在视觉检查中的应用。

    Jun, 2024

  • 可变速率图像压缩中的潜在表征选择性压缩学习

    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

  • 多目标优化和量化重构偏移的可变速率学习图像压缩

    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