AAAISep, 2022

SCI: 一种专注于谱的隐式神经压缩方法，用于生物医学数据

PDF
TL;DRSCI is a tailored compression method for diverse biomedical data, based on adaptive partitioning and INR's concentrated spectrum envelop, with superior performance to state-of-the-art methods, implemented via optimization.
发现论文，激发创造
  • 生物显微图像压缩的隐式神经图像场

    这篇研究论文介绍了一种基于隐式神经表示的自适应压缩工作流，能够高效地压缩生物显微成像的大型图像，并保留下游分析所需的详细信息。

    May, 2024

  • 高效存储大规模四维功能性磁共振成像的紧凑隐式神经表示

    该研究论文提出了一种针对功能磁共振成像（fMRI）数据的压缩新模式，基于隐式神经表示（INR），通过去除时间序列中的各种冗余，包括空间相关建模、分解可重用的神经激活模式以及描述区域间相似性的适当初始化和非线性融合，成功结合了 fMRI 数据的独特特征，并在公开数据集上的实验结果表明了该方法的有效性，在传统图像质量评估指标和 fMRI 下游任务中超过了最先进的算法。该论文为在低带宽和高保真度下共享海量 fMRI 数据铺平了道路。

    Nov, 2023

  • UniCompress：基于知识蒸馏的多数据医学图像压缩增强

    通过使用一种名为 ``UniCompress'' 的新方法，我们扩展了医学图像压缩领域的 Implicit Neural Representation（INR）网络的压缩能力，该方法首次使用一个 INR 网络压缩多个医学数据块。我们的研究引入了一种新的基于波变换和量化的技术，该技术将频域信息作为先验输入到 INR 网络中，并简化了复杂模型知识以提高压缩比。在 CT 和电子显微镜（EM）数据集的大量测试中，我们证明了 UniCompress 在复杂和高压缩场景中的性能优于传统 INR 方法和商业压缩解决方案。值得注意的是，与现有的 INR 技术相比，UniCompress 在压缩速度上实现了 4 到 5 倍的增加，标志着医学图像压缩领域的重大进展。代码将公开使用。

    May, 2024

  • 隐式神经表示的无模态限制变分压缩

    介绍了一种基于内涵神经表征（INR）的模态不可知神经压缩算法，使用变分压缩的方法优化了 INR 的表征能力，其在多种模态的数据集中表现出色，且在 JPEG 2000、MP3 和 AVC/HEVC 编码技术等领域实现了优于其他 INR 技术的性能。

    Jan, 2023

  • 基于排名最小化的瞬间压缩成像

    通过利用所需信号的高维结构来提高快照压缩成像 (Snapshot compressive imaging, SCI) 的重建质量，本文通过构建联合模型将视频 / 高光谱帧的非局部自相似性和秩极小化方法与 SCI 传感过程相结合，提出交替最小化算法来解决这个非凸问题，并在 SCI 的采样过程中进行特殊结构的研究，以解决 SCI 重建中的计算和内存问题。仿真和实测结果均表明，与目前最先进的算法相比，我们提出的算法可以显著地提高重建质量。

    Jul, 2018

  • 一种新的体数据隐式神经表示

    提出了一种新的隐式神经表示压缩方法，利用 Lanczos 降采样方案、SIREN 深度网络和 SRDenseNet 高分辨率方案，实现了高压缩比和良好的图像重建质量，同时降低了训练时间和 GPU 内存成本。

    Mar, 2024

  • 元学习稀疏压缩网络

    本文介绍了一种新的数据表示方法 —— 隐式神经表示法，经过结构优化后，可以对比 JPEG 等传统压缩方法得到更好的压缩效果，并提出了 Meta-Learning 算法在压缩和学习隐式神经表示方面的改进方法，实现了在不同数据模态下的卓越表现。

    May, 2022

  • 二值光谱压缩成像

    本文提出了一种适用于资源有限的移动设备的高效 HSI 修复方法 —— 二值化光谱重分布网络（BiSRNet），其通过将基础模型二值化并使用可缩放的双曲正切函数来逼近符号函数的方式来重新分配 HSI 表现，并使用四个二值卷积模块来解决尺寸不匹配问题，证明了其优于现有的二值化方法，且与全精度算法达到相当的性能水平。

    May, 2023

  • 混合专家隐式神经压缩模型

    用深度神经网络中参数对数据进行压缩的隐式神经表示（INR）是一种有前景的数据压缩技术，提出了一种基于专家组混合理论的新型隐式神经压缩方法 MoEC，通过自动分配 INR 给场景中的 3D 点，可以自适应地找到最佳分区并在海量多样的生物医学数据上实现了与现有方法相比的最新研究成果。

    Dec, 2023

  • TINC：基于树结构的隐式神经压缩

    本文提出了一种基于树形结构的隐式神经网络压缩技术（TINC），利用多层感知机（MLPs）来适应局部区域，组织成树形结构来共享参数，以提高数据压缩效率并消除局部和非局部冗余。实验表明 TINC 在 INR 数据压缩方面具有很高的灵活性和可扩展性，并比商业工具和其他深度学习方法表现更好。

    Nov, 2022