该研究提出了一种全新的训练框架，使用生成对抗网络（GAN）和优化过的编码器来实现在完美感知质量下给定比特率的最低均方误差（MSE）畸变。

Jun, 2021

本文研究了多元高斯源在均方误差畸变和分别为 Kullback-Leibler 散度、几何 Jensen-Shannon 散度、平方 Hellinger 距离和平方 Wasserstein-2 距离感知度量下的率失真感知函数（RDPF）的计算。

Nov, 2023

本文基于最小均方误差（MSE）和构造的完美感知解码器之间的输出进行线性插值实现失真和感知质量之间的权衡，提出了两个理论优化的训练框架，并通过实验证明这些框架在实际感知解码中不仅具有理论上的优越性，而且还能产生最先进的性能。

Jun, 2022

该论文研究了采用随机变长编码实现率 - 失真 - 感知函数，进一步探究该理论在失真压缩方面的应用。

Apr, 2021

通过设计自信度基于的特征重建方法和周期性补偿损失，本文提出了一种新颖的高视觉保真度学习视频压缩框架 (HVFVC)，以解决学习视频压缩中的重建问题和优化缺陷，实现了出色的感知质量，并仅需占最新 VVC 标准的 50% 比特率。

Oct, 2023

通过采用 Blau & Michaeli 2018 年提出的感知质量的数学定义，研究了速率、失真和感知之间的三重权衡，我们证明了该三重权衡的几个基本属性，并在一个玩具 MNIST 例子上进行了可视化说明。

Jan, 2019

该论文提出了一种基于 MSE 损失重建网络的可视改善组件，通过引入感知损失函数和对抗性损失函数，可以更好地平衡图像清晰度和对比度。同时，提出了一种语义可解释性评分，可对象地定量评估图像质量。在基于 8 倍下采样的大型心脏 MRI 数据集上的应用表明，该方法相比最新技术，在人类观察者研究和语义可解释性得分上均有显著提高。

Jun, 2018

在大块长度的渐进极限中，我们研究了无记忆源模型的速率失真感知（RDP）权衡。我们的感知度量基于基于编码器输出条件下的源和重构序列的分布之间的离散，这最初是在 [1]，[2] 中提出的。我们考虑编码器和解码器之间没有共享随机性的情况。对于离散无记忆源的情况，我们导出了 RDP 函数的单字母特性，从而解决了在 Blau 和 Michaeli [3] 中引入的边际度量问题（无共享随机性）。我们的实现方案基于在 [4] 中提出的带后验参考映射的有损源编码。对于在平方误差失真度量和平方二次 Wasserstein 感知度量下的连续值源的情况，我们还导出了单字母特性，并表明在解码器中添加噪声机制足以实现最佳表示。对于零感知损失的情况，我们证明了我们的特征与在 [5]，[6] 中推导的边际度量结果有趣地相吻合，并再次证明了可以在最小失真中以 3 dB 的惩罚实现零感知损失。最后，我们将结果特化到高斯源的情况。我们导出了矢量高斯源的 RDP 函数并提出了一种水填充类型的解决方案。我们还部分表征了混合矢量高斯源的 RDP 函数。

Jan, 2024

本文研究估计器的感知 - 失真权衡问题，导出了均方误差失真和 Wasserstein-2 感知指数下的失真 - 感知（DP) 函数的闭式表达式，证明了不论潜在分布如何，DP 函数总是二次的。我们还表明，这些估计器可以从感知质量卓越的 MSE 最小化器和感知质量优良的 MSE 最小化器两个极端处的估计器构建而来。

Jul, 2021

本论文通过将 JND 原则融入学习图像压缩（LC）的训练过程中，提出了三种感知优化方法以及评估结果，证明了 JND 整合对于增强速率 - 失真表现和视觉质量的有效性，相比基线方法，所提出的方法在训练后不增加额外复杂性。

Feb, 2024