通过在神经科学中建模感知皮层和生物系统中的高效编码假设，我们重新利用压缩潜在表示来优先考虑语义相关性，同时保留感知距离。我们提出的方法，压缩感知图像补丁相似度（CPIPS），可以从学习的神经编解码器以较低的成本进行计算，并且比基于深度神经网络的感知度量（如 LPIPS 和 DISTS）计算速度显著更快。

Oct, 2023

本文利用无监督目标设计神经压缩器进行图像压缩，以满足具有数据增强特征的所有预测任务的高性能，实现了大幅度节省数据率的效果，同时不会降低下游分类性能。

Jun, 2021

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

研究合作智能的新范式，提出了一种简单有效的接近无损的深度特征压缩器，在移动和云端之间分配网络以最小化系统的总能耗和 / 或延迟，同时探讨深度特征数据与自然图像数据之间的差异，并建议从压缩的深层特征中重建输入图像的方法，以补充深度模型所执行的推断。

Apr, 2018

本文提出了一种改进的图像压缩模型，通过改善人类感知和效率，实现了与最先进的端到端学习图像压缩方法和经典方法相竞争的主观效果，并且较少解码时间和提供人性化的压缩，通过经验评估，证明了我们提出的方法在实现优秀性能方面的有效性，与相同主观质量相比，节约了超过 25％的比特率。

May, 2023

本文研究图像压缩对图像分类、目标检测及语义分割等三种视觉识别任务准确性的影响。研究采用传统编解码器及最新的神经压缩方法进行实验，探究压缩比从 0.1 到 2bpp 下的识别准确度。实验发现，在强压缩下，三个任务的识别准确度都会受到显著影响。通过在压缩的训练图像上对识别模型进行微调，可以从一定程度上恢复性能损失。

Apr, 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

该论文提出了一种有效的人脸超分辨率恢复方法，称为 EIPNet，采用轻量级边缘块和身份信息来最小化变形。该方法还定义了身份损失函数来保留 SR 图像的身份信息，提供了 LCE 方法来分别推断 SR 图像中的亮度和颜色信息，并使网络能够在 RGB 和 YUV 两个颜色空间中反映 SR 图像与它们的 Ground Truth 之间的差异。大量实验证明，该网络在两个具有挑战性的数据集 CelebA 和 VGGFace2 上表现优于最先进的方法。

Aug, 2020

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

该研究探讨了针对有损图像压缩的深度结构设计，提出了两个基于多级渐进编码器的结构方案并通过实验证实了它们对压缩性能的贡献。其中，学习残差预测和压缩前修复图像 (邻近像素) 以减少存储量的设计选择，能够使压缩文件大小平均降低超过 60％，且保持相似的压缩质量。

Sep, 2017