CVPRMar, 2023

基于上下文的三平面编码用于渐进式图像压缩

PDF
TL;DR本文提出了基于上下文的 Trit 平面编码（CTC）算法以实现更紧凑的渐进式压缩，包括基于上下文的速率减小模块、基于上下文的失真减少模块和解码器的重新训练方案，并通过广泛的实验证明在 BD 率上显著优于基线 trit 平面编解码器，只略微增加了时间复杂度。
trit-plane codingimage compressioncontext-basedrate-distortion tradeoffsdecoder retraining
发现论文，激发创造
  • DPICT：使用三层平面的深度渐进式图像压缩

    本文介绍了一种基于深度学习的图像压缩算法 DPICT, 支持精细的渐进式扩展和率失真优先级信息传输，证实了其在传输方面的出色表现。

    Dec, 2021

  • 高效学习图像压缩的棋盘格上下文模型

    本文提出了一个平行化友好的棋盘格上下文模型（CCM），旨在提高可学习的图像压缩过程的效率，其通过重组解码顺序以消除空间位置的限制，实现计算效率的显著改进，在保持近似相同的率失真性能的情况下，实验结果显示它将解码速度提高了 40 倍以上，并且，这是第一个探索平行化友好的空间上下文模型用于学习图像压缩的探索。

    Mar, 2021

  • 基于时间上下文挖掘的学习视频压缩

    本文提出了一种端到端的学习视频压缩方法，利用多尺度时序上下文优化压缩方法，在压缩方案的编解码模块中填充学习到的时序上下文，以丢弃并行运算麻烦的自回归熵模型，实现更实用的解码时间，并将该方案与 H.264、H.265 以及 H.266 的官方参考软件进行比较，在 PSNR 和 MS-SSIM 方面均实现了比官方软件更高的比特率节省。

    Nov, 2021

  • 用于学习图像压缩的通道方向自回归熵模型

    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

  • PlaneTR: 用结构指导的 Transformer 模型进行 3D 平面恢复

    使用基于 Transformers 的神经网络 PlaneTR 从单个图像中同时检测和重构平面。

    Jul, 2021

  • 具有双向上下文分离网络的学习可扩展图像压缩

    本文提出了一种基于深度神经网络的学习可扩展 / 渐进式图像压缩方案，命名为双向上下文分离网络（BCD-Net），并采用位平面分解学习分层表示，并通过双向流来解缠上下文信息以获得更有效的压缩表示。实验证明，与最先进的基于 DNN 的可扩展图像压缩方法相比，我们提出的方案在 PSNR 和 MS-SSIM 度量方面均表现出色，并且在 MS-SSIM 度量方面比传统可扩展图像编解码器的性能更高。

    Dec, 2018

  • 深度上下文视频压缩

    本文提出了一种基于深度上下文视频压缩框架的条件编码方案，通过特征域上下文作为条件来利用高维的上下文，从而在视频质量更高的情况下实现大幅度的比特率节省。

    Sep, 2021

  • TCTrack: 航空跟踪的时间上下文

    本文提出了一种全面利用时间上下文进行航空追踪的框架，名为 TCTrack，该框架在特征提取和相似度图优化方面使用了时间上下文。实验表明，TCTrack 在四个航空追踪基准测试数据集上的效果令人印象深刻，并且在 NVIDIA Jetson AGX Xavier 上实现了高达 27 FPS 的高速。

    Mar, 2022

  • 面向端到端优化的自适应熵模型图像压缩

    本文提出了一种上下文自适应熵模型，用于端到端优化的图像压缩。该模型利用两种上下文，即消耗位上下文和无需消耗位上下文，可更准确地估计每个潜在表示的分布，并提高了压缩性能。实验结果表明，该方法在 PSNR 和 MS-SSIM 指标上优于传统图像编解码器，如 BPG 和 JPEG2000，以及其他以人工神经网络为基础的方法。

    Sep, 2018

  • 深度图像压缩的条件概率模型

    本研究提出了一种基于 3D-CNN 的条件概率模型方法，用于直接建模图像自动编码器隐层表示的熵，从而控制重构误差和信息熵之间的平衡关系，该方法在 MS-SSIM 能力测试中表现优异，成为一种最新的图像压缩系统。

    Jan, 2018