基于实验的 JPEG 图像再压缩的分布预测
通过学习的量化表和马尔科夫分层变化自动编码器构建的统一有损和无损 JPEG 重新压缩框架,在接近上界的比特率下可以实现任意低的失真。据我们所知,这是填补 JPEG 图像损失和无损重压缩之间差距的第一个学习方法。
Dec, 2023
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
描述一种图像压缩方法,其由非线性分析变换、均匀量化器和非线性合成变换构成,并使用卷积线性滤波器和非线性激活函数的三个连续阶段构建变换,其中联合非线性性选择实现形式的局部增益控制,利用随机梯度下降的变体优化整个模型以实现训练图像数据库的速率失真性能,以及一个连续的代理来引入量化器产生的不连续损失函数,具有比标准 JPEG 和 JPEG2000 压缩方法更好的速率失真性能,并且在所有位率下对所有图像的视觉质量均有显著提高。
Nov, 2016
基于压缩感知的端到端图像压缩系统,结合传统压缩采样重建、量化和熵编码,可与 JPEG 相媲美,在低码率下表现显著优越。通过研究影响系统性能的参数,我们提出了一种有效的方法来联合控制量化步长和压缩比,以实现在任何给定比特率下达到接近最优的质量。此外,我们的压缩系统可直接用于压缩感知相机,例如单像素相机,构建一种硬件压缩采样系统。
Jun, 2017
本文提出了一种基于机器学习的图像有损压缩方法,运行实时且优于所有现有编解码器,其架构为自编码器,具备金字塔分析、自适应编码模块、期望码长的正则化等特点,并通过对抗训练以在极低比特率下提供视觉良好的重建效果。
May, 2017
我们提出了一种实用的 JPEG 图像解码方法,利用具有连续余弦公式的本地隐式神经表示。我们的模型在不同质量因素下能直接对解压缩的图像进行解码,而无需依赖传统的 JPEG 解码器,从而在灵活的彩色图像 JPEG 伪影去除任务中实现了最先进的性能。
Apr, 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
本文提出了一种用于改善标准 JPEG 编码器的编码性能的学习方法,通过频域预编辑和同时学习 JPEG 量化表和预编辑神经网络可以有效改善 JPEG 的失真压缩性能。
Sep, 2020