本文提出了一种新的压缩原始图像的框架，通过在潜在空间中学习紧凑的表示形式，提高了重建质量、元数据大小和速度；同时，采用改进的熵估计策略的 sRGB 引导上下文模型，可以从全局角度自适应地分配更多的位到重要的图像区域。

Feb, 2023

该文介绍了一种基于元数据的图像重建方法，通过联合学习采样和重建策略，实现了更好的重建效果，适用于计算机视觉等领域。

Jun, 2022

本文提出了一种选择性压缩方法来进行基于深度学习的可变速率图像压缩，该方法通过生成 3D 重要性映射并调整该映射来确定不同目标质量水平的压缩所需的基本表示元素。实验结果表明，该方法可以获得与单独训练的参考压缩模型相当的压缩效率，并可以减少解码时间。

Nov, 2022

本文提出了一种基于生成对抗网络的图像到图像映射方法，用于超光谱自然图像重建，经过定量评估，相对均方根误差降低了 54.0%。

Sep, 2017

本文提出了一种新的计算原始 HDR 数据形成管道并构建了第一个实际的原始 HDR 数据集 RealRaw-HDR，开发了一种轻量级高效的 HDR 模型 RepUNet，通过提出即插即用的运动对齐损失方法，解决了短曝光和长曝光图像之间的动作对齐问题，并在视觉质量和量化指标方面实现了最先进的性能。

Jun, 2023

我们提出了一种端到端学习的图像压缩编解码器，其中分析变换与目标分类任务同时训练。该研究证实，压缩的潜在表示能够以与定制的基于深度神经网络的质量指标相媲美的准确性预测人的感知距离判断。我们进一步研究了各种神经编码器，并展示了将分析变换作为超出质量判断之外的图像任务的感知损失网络的有效性。我们的实验表明，现成的神经编码器在感知建模方面表现出色，无需额外的 VGG 网络。我们期望这项研究能够成为开发语义感知和编码高效的神经编码器的有价值参考。

Jan, 2024

研究了基于稀疏视觉表示 (SVR) 的神经图像压缩，提出了一种 Masked Adaptive Codebook learning (M-AdaCode) 方法，通过对潜在特征子空间进行掩蔽以平衡比特率和重建质量，在标准 JPEG-AI 数据集上的实验证明了该方法的有效性。

Sep, 2023

通过对三个常见的图像恢复应用进行测试，我们发现，训练神经网络时，将 HDR 和 RAW 图像呈现在显示编码的颜色空间中比线性颜色空间更能提供更好的感知均匀性，这种训练策略的微小改变可以显著提高性能，高达 10-15 dB。

Dec, 2023

通过结合 MSE-based 模型和生成模型中感兴趣区域 (ROI) 的优势，我们提出了分层感兴趣区域 (H-ROI) 方法，将图像分为几个前景区域和一个背景区域，以提高包含人脸、文字和复杂纹理的区域的重建效果；进一步，通过通道维度内的非线性映射提出了自适应量化来限制比特率同时保持视觉质量。大量实验证明了我们方法在小脸和文字上以更低的比特率实现了更好的视觉质量，如 HiFiC 的 0.7X 比特和 BPG 的 0.5X 比特。

Mar, 2024

本篇论文提出一种深度神经网络结构来平衡网络延迟、内存使用率、模型参数和重建质量等因素，有效地提高了暗光环境下的图像增强处理，尤其适用于边缘设备如嵌入式系统、监控摄像头、自主机器人和智能手机等。

Nov, 2020