Jul, 2023

联合分层先验与自适应空间分辨率用于高效神经图像压缩

PDF
TL;DR该研究提出了一种改进的变压器 (Transformers) 自回归先验模型及 ConvNeXt-based 预 / 后处理器，并将其应用于图像压缩，提高了压缩效率和解码复杂度的权衡。
neural image compressiontransformer-based transform codingauto-regressive prior modelcompression efficiencyconvnext-based pre-/post-processor
发现论文，激发创造
  • AICT：自适应图像压缩变压器

    本文介绍了一种自适应图像压缩变压器 (AICT) 框架，结合了更直接有效的 Transformer-based 通道自回归模型和可学习缩放模块。在基准数据集上的实验结果表明，AICT 框架在编解码效率和解码器复杂度之间的平衡方面显著优于 VVC 参考编码器和神经编解码器 SwinT-ChARM。

    Jul, 2023

  • ConvNeXt-ChARM: 基于 ConvNeXt 变换的高效神经图像压缩

    本文介紹了一種基於 ConvNeXt 的轉換編碼框架 ConvNeXt-ChARM，並引入了計算效率高的通道自回歸先驗，以提高圖像質量，並通過對四個廣泛使用的數據集進行實驗結果表明其效果優異。

    Jul, 2023

  • 基于 Transformer 的图像压缩

    本文提出了一种基于 Transformer 的图像压缩方法（TIC），使用深度神经网络来分析和压缩输入图像，与最先进的基于卷积神经网络和基于人工编码规则压缩算法相比，该方法具有更少的参数个数，达到了同等性能。

    Nov, 2021

  • 混合 Transformer-CNN 结构的学习图像压缩

    本文提出了一种高效的并行 Transformer-CNN 混合块，用于将 CNN 的本地建模能力和 Transformer 的非本地建模能力相结合，以提高图像压缩模型的整体架构，并在熵估计模型和注意力模块方面取得了最新进展，实验结果表明，该方法在三个不同分辨率的数据集上均实现了具有创新性的率失真表现.

    Mar, 2023

  • 多环境双超先验神经图像压缩

    提出了基于 Transformer 的非线性变换和包含两个不同超先验的熵模型，通过有效地捕获输入图像的局部和全局信息以及利用远距关系提取长程信息，能够在速率 - 失真性能方面表现优于现有的方法。

    Sep, 2023

  • 联合自回归和分层先验用于学习图像压缩

    通过引入自回归、分层和联合先验，我们提出了一种新的图像压缩模型，取得了目前最先进的压缩效果。

    Sep, 2018

  • 联合全局和局部分层先验的学习图像压缩

    通过 attention 机制，我们提出了一种新的信息变换学习熵模型，能更好地处理图像压缩的全局和局部依赖关系，实验证明该模型取得了优于现有技术的率失真性能，并且没有二次计算复杂度问题。

    Dec, 2021

  • 多尺度和上下文自适应熵模型用于图像压缩

    本文提出了一种端到端可训练的图像压缩框架，采用自回归和分层先验的组合估计每个潜在表示的分布，并使用一种方法将比特率分配到每个图像以最大化 MS-SSIM。

    Oct, 2019

  • 神经图形纹理压缩支持随机访问

    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

  • 用于学习图像压缩的通道方向自回归熵模型

    本研究介绍了两种增强技术：通道调节和潜在残差预测，提出了比现有上下文自适应模型更好的网络架构，该模型在最小化串行处理、保持数据完整性等方面都性能更优，在 Kodak 和 Tecnick 图像集上的平均速率提高了 6.7% 和 11.4%。在低比特率下，本研究的模型可使速率提高 18%，比像 BPG 这样的手工工程编解码器提高 25%。

    Jul, 2020