Jul, 2023

基于分层自编码器的大规模高分辨率科学数据有损压缩

PDF
TL;DR我们提出了一个神经网络模型，能够在不牺牲重建质量的情况下，显著压缩大规模科学数据，并在公开的科学基准数据集和高分辨率气候模型数据集上进行了测试，达到了 140 的压缩比和可忽略的重建误差。
lossy compressionautoencoder-based modelsneural networkscientific datareconstruction quality
发现论文，激发创造
  • 基于深度卷积自编码器的有损图像压缩

    本文提出了一种基于深度学习的图像压缩架构，利用卷积自编码器的优势达到了更高的编码效率，并利用主成分分析来产生一个更加能量紧凑的表示，实验结果表明，该方法相对于传统的图像编码算法在 Kodak 图像数据库上获得了 13.7％的 BD 速率降低，而且与 JPEG2000 具有类似的复杂度。

    Apr, 2018

  • 神经多尺度图像压缩

    该研究提出了一种新的损失图像压缩方法，利用自然图像的多尺度特征，通过自编码器和并行多尺度无损编码器提取和编码量化变量来实现快速高保真图像编解码。

    May, 2018

  • 用于遥感中安全有损图像压缩的卷积变分自编码器

    通过卷积变分自编码器 (CVAE) 进行图像压缩的研究，其能够显著降低传输数据体积并保证安全有损图像重建的品质。

    Apr, 2024

  • 科学数据压缩的稀疏 L1 自编码器

    使用高维稀疏特征表达式通过 L1 正则化的自编码器产生的信息丰富潜在空间，可以有效地用于科学数据压缩，解决高性能分布式计算环境下传输、存储和分析的瓶颈问题。

    May, 2024

  • SRN-SZ：基于深度学习的科学错误有界损失压缩与超分辨率神经网络

    本文提出了一种基于深度学习的科学误差边界有损压缩器 SRN-SZ，利用超分辨率神经网络实现分层数据网格扩展模式，相较其他压缩器在相同误差边界下压缩率提高了 75％，在相同峰值信噪比下压缩率提高了 80％。

    Sep, 2023

  • 基于神经网络的太阳图像数据压缩方案

    研究太阳系特别是太阳依赖于每天从太空任务中收集到的数据。本文提出了一种基于神经网络的有损压缩方法，用于 NASA 的数据密集型成像任务，该方法在压缩极紫外（EUV）数据时，在速率失真（RD）性能方面优于当前使用和最先进的编解码器如 JPEG 和 JPEG-2000。

    Nov, 2023

  • 基于压缩自编码器的有损图像压缩

    我们提出了一种新的方法来优化自动编码器实现有损图像压缩，并通过最小的损失改变来改进了深度自动编码器的性能， 从而实现了高分辨率图像的高效和灵活压缩。

    Mar, 2017

  • 变长损失高密度压缩乳腺 X 线图像的全卷积模型

    使用全卷积自编码器结合算术编码实现医学影像的有损压缩，并在公开数据集上进行性能测试，最高压缩比可达 300 倍。

    May, 2018

  • 反馈循环自编码器视频压缩

    本研究提出了一种新的基于已有组件的网络结构用于快速学习视频压缩，针对现有方法的图形概率模型进行了分析并指出了实验评估中观察到的时间一致性和颜色偏移的问题，并提出了解决这些问题的方向。

    Apr, 2020

  • 基于深度自编码器的点云有损几何压缩

    本研究提出了一种通用的基于自编码器的几何点云有损压缩架构，与手工编码器相比，此方法快速适应先前未见过的媒体内容和格式，并实现了可竞争的性能。

    Apr, 2019