Nov, 2022

可变速率图像压缩中的潜在表征选择性压缩学习

PDF
TL;DR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。
neural networkimage compressionvariable-rateimportance mapselective compression
发现论文，激发创造
  • 学习内容加权深度图像压缩

    本文提出一种内容加权的编码器 - 解码器模型，配合重要性掩模子网，通过局部自适应的比特率分配和控制方法，有效地进行学习型有损图像压缩，同时通过修剪的卷积神经网络实现对量化编码方法的有损压缩。实验证实该方法可以比深度和传统有损图像压缩方法获得更优成果。

    Apr, 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

  • 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

  • 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

  • 探索压缩图像表示作为感知代理：一项研究

    我们提出了一种端到端学习的图像压缩编解码器，其中分析变换与目标分类任务同时训练。该研究证实，压缩的潜在表示能够以与定制的基于深度神经网络的质量指标相媲美的准确性预测人的感知距离判断。我们进一步研究了各种神经编码器，并展示了将分析变换作为超出质量判断之外的图像任务的感知损失网络的有效性。我们的实验表明，现成的神经编码器在感知建模方面表现出色，无需额外的 VGG 网络。我们期望这项研究能够成为开发语义感知和编码高效的神经编码器的有价值参考。

    Jan, 2024

  • 利用平铺深度网络的空间自适应图像压缩

    用基于深度神经网络的质量敏感位速率自适应算法取代传统神经网络的定长空间位速率压缩算法，通过切块神经网络结构实现空间上下文预测，最终量化定量（PSNR）与定性（主观评估）评价得分优于其他基准模型。

    Feb, 2018

  • 利用循环神经网络进行可变率图像压缩

    本文提出了一种基于卷积 LSTM 神经网络的可变比率图像压缩框架和架构，可以用于压缩缩略图以改善移动设备用户的体验，经测试在 32×32 的缩略图上，与 JPEG、JPEG2000 和 WebP 相比，我们的方法在相同存储大小下提供更好的视觉质量。

    Nov, 2015

  • 基于机器感知的图像压缩：分层生成方法

    本文介绍了一种层次生成式图像压缩模型，该模型支持多任务分析，通过学习感知图像压缩方法提供可压缩的紧凑表示，并实现高分辨率图像重建以及压缩率和感知性能的平衡。实验结果表明，该模型对于 RGB 基于方法可以降低 99.6% 的比特率并实现可比拟的分析结果。

    Apr, 2023

  • 针对神经图像压缩的内容自适应优化

    本研究探讨了内容自适应优化对神经图像压缩表现的影响，介绍了一种迭代过程，该过程使得潜在表示适应特定内容，同时保持网络和预测模型的参数固定。实验结果表明，与特定结构的模型相比，这种方法能够增加速率 - 失真性能，同时不需要额外传输模型参数更新数据，可用于改进预先训练的网络在不同视觉外观或分辨率的不同内容上的表现。

    Jun, 2019

  • 学习卷积网络实现内容加权图像压缩

    本研究提出了一个基于卷积神经网络、内容感知的比特率分配策略及基于二值化的量化方法，使用内容加权重要度图控制压缩率，同时结合 ImageNet 数据库进行端到端优化，实验结果表明本方法在低比特率下比 JPEG 和 JPEG 2000 更优秀，并产生更好的视觉效果。

    Mar, 2017