本文提出了一种基于深度学习模型的视频压缩方法，其中利用神经网络的非线性表征能力和学习基于光流估计获取运动信息并重构当前帧的方法，同时采用两个 auto-encoder 风格的神经网络来压缩相应的运动和残差信息以共同优化所有组件，并通过单一损失函数来一起考虑减少压缩比特数和提高解码视频质量之间的权衡，实验证明该方法在 PSNR 方面优于广泛使用的 H.264 视频编码标准，在 MS-SSIM 方面甚至与最新的标准 H.265 相当。

Nov, 2018

提出了一种新颖的深度神经网络结构，用于在仅在解码器处存在相关图像侧信息时压缩图像，特别地，我们考虑一对立体图像并假设其中一幅图像要被压缩和传输，而另一幅图像仅在解码器处可用，我们的方法利用解码器只有的侧信息进行压缩并得到了比之前工作更好的结果。

Jun, 2021

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

该研究提出了一种基于条件 VQ-VAE 的框架，能够处理复杂相关性的有损分布式编码，并在多个数据集上取得了明显优于当前最先进方法的效果。

Jun, 2021

通过联合训练多个连续帧的压缩表现，充分利用长期时间信息有效地减轻了重构帧中的错误传播。同时，在线编码器更新方案适应不同的视频内容，根据速率失真准则更新编码器参数而不改变解码器，在基准数据集上优于基于学习的视频编解码器。

Mar, 2020

作者提出了一个基于深度学习的图像压缩神经网络，该网络利用仅仅面向解码器的附加信息，并基于编码器可用的图像和解码器可用的图像是相互关联的这一假设，在训练阶段让网络学习这些关联。然后，在运行时，编码器侧对输入图像进行编码而不知道解码器侧图像的任何信息，然后将其发送到解码器。解码器然后使用编码的输入图像和侧信息图像来重建原始图像。在信息理论中，这个问题称为分布源编码，并且我们讨论了这个技术的几个用例。我们将我们的算法与几个图像压缩算法进行了比较，并展示了添加仅面向解码器的附加信息确实可以改善结果。

Jan, 2020

本研究基于分布式源编码理论，以独立编码和联合解码为基础，设计了一种学习型分布式多视角图像编码 (LDMIC) 框架，通过交叉信息传输机制有效捕获全局视角间的相关性，无需考虑几何关系，并表现出显著的优于传统的和基于学习的 MIC 方法，同时具有快速的编码速度。

Jan, 2023

本文提出了一种新的框架，利用视频压缩的低延迟配置和上下文自适应视频融合方法，提高 BasicVSR ++ 方法的质量，已在 NTIRE22 挑战中得到验证，并在定量指标和视觉质量方面与之前的方法相比均有所提高。

Feb, 2023

基于图像动画的视频压缩方法，通过使用预测编码方案和图像动画作为预测器，以及针对实际目标帧的残差编码，有效地提高压缩率，与 HEVC 和 VVC 相比可获得超过 70% 和 30% 的比特率增益。

Jul, 2023

该研究提出了一种基于三种新技术的统一框架，包括通道关注模块、高斯混合模型和解码器侧增强模块，命名为 EDIC，可用于基于学习的图像压缩，并说明该方法优于当前所有先进的图像压缩方法，同时将解码速度提高了超过 150 倍。

Feb, 2020