我们提出了第一个实用的学习无损图像压缩系统 L3C，它在压缩方面优于流行的人工编码器 PNG、WebP 和 JPEG 2000。L3C 的核心是一种可完全并行化的分层自适应熵编码概率模型，该模型针对压缩任务进行了端到端的优化。与最近的自回归离散概率模型（如 PixelCNN）相比，我们的方法将图像分布与学习的辅助表示一起建模，而不是仅在 RGB 空间中建模图像分布，并且只需要三个前向传递来预测所有像素的概率，而不是为每个像素分别预测一个。此外，我们发现学习辅助表示至关重要，而且显著优于预定义的辅助表示，如 RGB 金字塔。

Nov, 2018

我们提出了一种新的方案，以无损的方式重新压缩 JPEG 图像。使用 JPEG 图像作为输入，该算法部分解码信号以获得量化的 DCT 系数，然后以更有效的方式重新压缩它们。

Oct, 2023

通过学习的量化表和马尔科夫分层变化自动编码器构建的统一有损和无损 JPEG 重新压缩框架，在接近上界的比特率下可以实现任意低的失真。据我们所知，这是填补 JPEG 图像损失和无损重压缩之间差距的第一个学习方法。

Dec, 2023

描述一种图像压缩方法，其由非线性分析变换、均匀量化器和非线性合成变换构成，并使用卷积线性滤波器和非线性激活函数的三个连续阶段构建变换，其中联合非线性性选择实现形式的局部增益控制，利用随机梯度下降的变体优化整个模型以实现训练图像数据库的速率失真性能，以及一个连续的代理来引入量化器产生的不连续损失函数，具有比标准 JPEG 和 JPEG2000 压缩方法更好的速率失真性能，并且在所有位率下对所有图像的视觉质量均有显著提高。

Nov, 2016

本文提出了一种用于改善标准 JPEG 编码器的编码性能的学习方法，通过频域预编辑和同时学习 JPEG 量化表和预编辑神经网络可以有效改善 JPEG 的失真压缩性能。

Sep, 2020

本研究介绍了两种增强技术：通道调节和潜在残差预测，提出了比现有上下文自适应模型更好的网络架构，该模型在最小化串行处理、保持数据完整性等方面都性能更优，在 Kodak 和 Tecnick 图像集上的平均速率提高了 6.7% 和 11.4%。在低比特率下，本研究的模型可使速率提高 18%，比像 BPG 这样的手工工程编解码器提高 25%。

Jul, 2020

通过评估解码和传递图像的计算成本，本文提出了适用于频域的深度模型的手工制作和数据驱动技术，以降低计算复杂性和参数数量，使其与 RGB 基线模型相似，从而实现计算成本和准确性之间的更好权衡。

Sep, 2023

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

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

通过三步联合学习策略，将编码器引导为具有紧凑性、有辨识力的特征，以低频带宽要求传递高分类准确性的特征信息，并通过基于熵的量化和 / 或手动截断实现可调的比特率。

Oct, 2023