通过将传统 GPU 纹理表示和神经图像压缩技术相结合，我们提出了一种新的纹理集压缩方法，该方法利用卷积编码器捕捉细节信息并采用完全连接网络进行解码，实现了对多通道纹理集的随机访问和支持多分辨率重建。实验结果表明，与传统纹理压缩方法和最新的神经网络方法相比，这种方法获得了更好的结果。

May, 2024

基于神经材料模型的实时渲染管线，使用硬件压缩纹理格式存储学习特征，在空间和尺度上连续输出材料信息，以降低内存占用和计算开销。

Oct, 2023

提出了一种名为 NeuMIP 的神经方法，用于在不同尺度下表示和渲染各种材料外观，通过神经贴图金字塔与完全连接的网络相结合，实现了对传统贴图金字塔的扩展，同时引入了神经偏移，该方法无需任何镶嵌的监督训练即可呈现具有精细视差效果的材料。

Apr, 2021

近期在文本引导的图像压缩方面的研究取得了巨大潜力，能够增强重构图像的感知质量，但这些方法往往在像素级保真度方面明显降低，限制了它们的实用性。为了填补这一空白，我们开发了一种新的文本引导图像压缩算法，实现了高感知和像素级保真度，该压缩框架主要通过文本自适应编码和联合图像 - 文本损失的训练来利用文本信息。通过这样做，我们避免了基于文本引导生成模型的解码，这种模型以高度生成多样性著称，并有效地利用了文本的语义信息。各种数据集上的实验结果表明，我们的方法在像素级和感知质量方面均可达到较高水平，无论是人类生成的标题还是机器生成的标题。特别地，在与其他基准方法相比的 LPIPS 方面，我们的方法表现出色，并且在使用更加精心生成的标题时，仍有进一步提高的空间。

Mar, 2024

本文提出了一种文字引导图像压缩的多模态机器学习方法，通过使用文本的语义信息来引导图像压缩，以实现更好的压缩性能，包括采用图像 - 文本注意力模块和改进的多模态语义一致性损失函数。实验证明，该方法能够在极低比特率下获得较好的视觉效果，并且即使与最先进的技术相比，其性能也可以相媲美或超越。

Apr, 2023

使用组合神经模型全自动地表示纹理，通过编辑高斯文本在潜在空间中修改纹理，实现了纹理分析、建模和编辑的新技术，拓展了可控纹理的视觉吸引力图像的创作可能性。

Apr, 2024

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

通过自动网络优化技术减少神经图像压缩中解码器的计算复杂度，探索码率失真性能和运行时间性能之间的平衡，提高图像压缩的计算效率。

Dec, 2019

通过纹理引导的特征压缩策略，该研究对机器视觉中的特征和纹理进行了调查和分析，提出了一种基于纹理特征的压缩策略，该策略通过选择性地压缩和传输与视觉任务相关的通道，同时为机器提供高质量的特征数据，并利用特征和纹理图像重建预览图像以支持人类决策。实验结果表明，采用所提出的方法对深层特征进行压缩时表现出了出色的性能。

May, 2024

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