MMSep, 2022

通过可逆激活变换实现高保真可变速率图像压缩

PDF
TL;DR本文通过引入 Invertible Activation Transformation (IAT) 模块来解决图片在多次压缩／解压缩操作下质量下降的问题，实现了更好的维护图片保真度的同时，拥有细粒度的压缩率控制并取得了和目前最好的类似学习方法比较时具有可比较的的速率失真性能。
image compressionvariational autoencoderinvertible activation transformationfine variable-rate controlrate-distortion performance
发现论文，激发创造
  • 具有连续速率调整的非对称增益深度图像压缩

    本研究提出了一种基于变分自编码器的不对称增益可变率可学习图像压缩框架（AG-VAE），该框架利用一对增益单元实现了一种连续可变率适应性方法，通过指数插值实现连续率自适应，同时利用不对称高斯熵模型对熵进行更精确的估计。该方法表现优秀，与最先进的学习图像压缩方法相媲美，同时胜过了经典图像编解码器，实验证明增益模块和不对称高斯熵模型的优越性。

    Mar, 2020

  • 带有条件自编码器的可变率深度图像压缩

    该论文提出了一种基于条件自编码器的新型可变速率学习图像压缩框架，在一个网络中进行可变速率图像压缩，并提供拉格朗日乘子和量化 bin 大小两个速率控制参数，实验结果表明该模型提供了更好的率失真权衡。

    Sep, 2019

  • 学习图像压缩中的增强可逆编码技术

    本文提出了一种基于可逆神经网络（INNs）的 Invertible Encoding Network 方法来构建更好的图像空间和潜在特征空间之间的转换，并在 Kodak、CLIC 和 Tecnick 数据集上证明了该方法在高分辨率图像方面优于现有的学习图像压缩方法和压缩标准（包括 VVC (VTM 12.1)）的实验结果。

    Aug, 2021

  • 图像压缩的多尺度增强归一化流

    本文旨在提出一种创新的概念，将分层潜空间应用于增强式归一化流，建立可逆的潜变量模型，以解决许多学习型图像压缩方法的非可逆性问题。经过实验表明，本模型相较于单尺度模型，平均压缩率提高了 7% 以上。

    May, 2023

  • 基于 Transformer 的变率图像压缩与感兴趣区域控制

    本文提出了一种基于 transformer 学习的图像压缩系统，通过使用 prompt generation 网络，支持 RO I 功能，并允许同时实现可变速和 ROI 编码。实验结果表明，该方法优于其他竞争方法。

    May, 2023

  • 插值可变速图像压缩

    本研究提出了一种高效的插值可变率（IVR）网络，通过引入 Interpolation Channel Attention（InterpCA）模块来实现可变率控制，实验结果表明 IVR 网络是第一个在 PSNR 和 Multiscale Structural Similarity（MS-SSIM）方面优于 VTM9.0 的可变率学习方法。

    Sep, 2021

  • 基于 Transformer 的图像压缩

    本文提出了一种基于 Transformer 的图像压缩方法（TIC），使用深度神经网络来分析和压缩输入图像，与最先进的基于卷积神经网络和基于人工编码规则压缩算法相比，该方法具有更少的参数个数，达到了同等性能。

    Nov, 2021

  • 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

  • 可变比特率深度图像压缩与调制自编码器

    通过调节特定速率失真折衷的调节网络，提出了一种适用于深度图像压缩的可变速率压缩机制，可以在保持较低参数数量的情况下实现相同的失真性能。

    Dec, 2019

  • 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