May, 2023

ProgDTD：使用双尾端下降训练的渐进学习图像压缩

PDF
TL;DR本文介绍的 ProDTD 是一种训练方法，可将非渐进式图像压缩方法转化为渐进式图像压缩方法，适用于基于 CNN 的学习图像压缩模型，不需要额外的参数，并具有定制化的渐进程度。将 ProDTD 应用于 hyperprior 模型，实验结果显示它在 MS-SSIM 和准确性方面表现出与非渐进式及其他先进渐进式模型相当的性能。
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

  • 视觉 Transformer 的自动渐进式学习，用于高效训练

    该论文提出一种自适应的进阶学习自动化方案 (AutoProg)，通过在训练过程中自适应决定模型的生长量、生长位置以及生长方式等策略，从而使得模型的训练能够快速加速，且不会出现性能下降。通过 DeiT 和 VOLO 等模型在 ImageNet 上的大量实验表明，AutoProg 能够将模型的训练加速高达 85.1%。

    Mar, 2022

  • 可变速率图像压缩的视觉提示调优渐进学习

    该研究提出了一种渐进学习范式，用于基于变速器的图像压缩。通过使用层自适应提示模块 (LPM) 提取输入图像和编码器端以及解码器端的隐藏特征的提示信息，并将其作为额外信息输入到预训练的基于变速器的图像压缩模型的 Svin Transformer 层中，从而改变了模型的关注区域和位数的分配，进而改变了模型的目标压缩比。通过与仅优化不同目标比率的多模型方法相比较，详尽实验证明了所提出的方法在参数存储上节约了 80% 的空间，节约了 90% 的数据集。同时，我们的模型在速率失真性能方面胜过了所有当前的可变比特率图像方法，并接近从头开始训练的最先进的固定比特率图像压缩方法。

    Nov, 2023

  • 多尺度渐进统计模型实现无损图像压缩

    本文提出一种多尺度渐进统计模型，兼顾像素级别处理和多尺度处理，能够在不显著降低推理速度的情况下，在两个大型基准数据集上显著优于现有的无损图像压缩方法。

    Aug, 2021

  • 通过条件扩散解码器增强学习图像编解码器的速率失真感知灵活性

    通过使用条件扩散模型，本文展示了它作为解码器时在生成式压缩任务中的良好结果，同时通过采样方法，它们还允许在解码器端基于压缩表示创建新的失真和感知之间的权衡点。

    Mar, 2024

  • 基于时序约束的自适应图像卸载的渐进神经压缩

    通过训练多目标的无限编码器以优化多个压缩比率，并根据可用带宽传输以提高推理性能，提出了一种自适应方法来解决物联网设备资源约束和时间约束下机器学习应用推理性能的问题。

    Oct, 2023

  • 面向内容的学习图像压缩

    本文提出一种内容导向的图像压缩方法，该方法采用不同的策略处理不同类型的图像内容，并在实验中展现出与最先进的端到端图像压缩方法或经典方法相媲美的主观结果。

    Jul, 2022

  • 内存重放与数据压缩结合的持续学习方法

    本文提出了一种基于 DPP 的方法 - 记忆重放数据压缩（MRDC）来提高数据存储量以解决连续学习中过度遗忘过去的问题，并在多个任务上进行了验证，包括自动驾驶物体检测。

    Feb, 2022

  • 渐进式 DNN 压缩：使用 ADMM 实现超高剪枝和量化率的关键

    通过 ADMM（Alternating Direction Methods of Multipliers）方法，本文提出了一种新的基于 DNN 模型的结构压缩框架，实现了在不损失精度的情况下对 Lenet-5，AlexNet 和 ResNet-50 模型分别达到 246x，36x 和 8x 的权重剪枝，并且在 AlexNet（ImageNet）中 61x 的权重剪枝只导致了细微精度下降，还引导出了重要的基于 ResNet 和 MobileNet 模型的权重剪枝结果以及全层次二进制化的 LeNet-5 和 ResNet 等。

    Mar, 2019

  • 学习如何在不改变标准解码器的情况下改善图像压缩

    本文提出了一种用于改善标准 JPEG 编码器的编码性能的学习方法，通过频域预编辑和同时学习 JPEG 量化表和预编辑神经网络可以有效改善 JPEG 的失真压缩性能。

    Sep, 2020