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

基于空间结构和二值图像的模式，本研究提出了一种具有低复杂度和性能保证的无损图像压缩方案，通过学习字典从二值图像中编码，取得了比传统方法、学习方法和专用方案更好的压缩性能。

Jun, 2024

通过联合降噪和压缩的新范式，我们提出了功能性无损图像压缩（Functionally Lossless Image Compression，FLLIC），它对优化降噪图像进行无损压缩（优化可能是任务特定的），虽然不能与有噪输入实现字面上的无损，但旨在实现对潜在无噪原始图像的最佳重建，大量实验证明 FLLIC 在降噪和压缩噪声图像方面具有最先进的性能，并且计算成本更低。

Jan, 2024

我们提出了第一个实用的学习无损图像压缩系统 L3C，它在压缩方面优于流行的人工编码器 PNG、WebP 和 JPEG 2000。L3C 的核心是一种可完全并行化的分层自适应熵编码概率模型，该模型针对压缩任务进行了端到端的优化。与最近的自回归离散概率模型（如 PixelCNN）相比，我们的方法将图像分布与学习的辅助表示一起建模，而不是仅在 RGB 空间中建模图像分布，并且只需要三个前向传递来预测所有像素的概率，而不是为每个像素分别预测一个。此外，我们发现学习辅助表示至关重要，而且显著优于预定义的辅助表示，如 RGB 金字塔。

Nov, 2018

本研究提出了一种基于深度学习的医学图像自动分割算法，通过专为分割设计的机器视觉态度的 3D 图像压缩框架，在保证分割精度的同时，显著提高了压缩比率。

Apr, 2019

远程医疗诊断对于实际医疗系统至关重要，本研究提出了一种面向诊断的医学图像压缩的有效转移学习编码器，通过调整部分策略网络参数以适应医学图像，实验证明仅使用 1 个医学样本，我们的压缩系统可以与 HEVC 参考标准相比节省 47.594% 的比特率，达到 47.594% 的比特率节省。

Oct, 2023

本文为针对使用离散余弦变换进行有损图像压缩的综述，旨在介绍用于全彩色静态图像应用的 JPEG 压缩算法及其各个组成部分。

May, 2014

本文介绍了基于深度学习的 JPEG 图像重压缩方法，能够在 DCT 域中进行操作，提出了多级交叉通道熵模型以压缩最具信息量的 Y 分量，在保证无损的前提下实现了 JPEG 图像转码为更节省存储空间的比特流，实验表明该方法在传统 JPEG 重压缩方法（Lepton，JPEG XL 和 CMIX）中表现出最先进的性能。

Mar, 2022

本论文提出了一种基于深度语义分割的分层图像压缩 (DSSLIC) 框架，通过将输入图像的语义分割映射编码为比特流的基本层，并生成编码为第一个增强层的输入图像的紧凑表示，进而获得图像的粗略重构，并额外编码作为另一种增强层与输入图像的差值，该框架可以在 RGB 域的广泛比特率中在 PSNR 和 MS-SSIM 指标方面优于 H.265/HEVC-based BPG 和其他编解码器，并用于图像搜索和基于对象的自适应图像压缩等多项任务。

Jun, 2018

本文介绍了一种基于深度学习的图像压缩算法 DPICT, 支持精细的渐进式扩展和率失真优先级信息传输，证实了其在传输方面的出色表现。

Dec, 2021