本文提出了一种基于深度神经网络编码的新方法。通过利用多尺度的运动补偿网络进行大范围运动的估计和补偿，同时采用自适应空时上下文模型进行高效熵编码，采用非局部注意力模块进行特征聚合和激活，通过对多模块的优化和多帧训练策略进行时间误差的最小化，最后将其与其他方法进行比较，证明了在流行的测试序列中，在 PSNR 和 MS-SSIM 失真度量方面均取得了一致的优异性能。

Jul, 2020

提出了一种新颖的多尺度特征压缩方法，并结合可学习的压缩器和多尺度特征融合网络实现端到端的优化，以及轻型编码器的设计。该方法在对象检测中取得了着眼的性能提升，并且在仅保留 0.002-0.003% 未压缩特征数据量的情况下，仍可以实现接近无损的性能。

Jun, 2023

本文提出了一种端到端的学习视频压缩方法，利用多尺度时序上下文优化压缩方法，在压缩方案的编解码模块中填充学习到的时序上下文，以丢弃并行运算麻烦的自回归熵模型，实现更实用的解码时间，并将该方案与 H.264、H.265 以及 H.266 的官方参考软件进行比较，在 PSNR 和 MS-SSIM 方面均实现了比官方软件更高的比特率节省。

Nov, 2021

空间 - 时间变换器 (STT-VC) 是通过整合放松可变形变换器 (RDT)、多粒度预测 (MGP) 模块和基于空间特征分布先验的变换器 (SFD-T) 来提高学习视频压缩 (LVC) 的性能。实验结果表明，该方法相比于现有技术在 BD-Rate 节省上获得了 13.5% 的最佳结果。

Sep, 2023

本研究提出了多模式视频压缩（MMVC）框架，通过深度学习和区块式模式集成选择最佳模式来适应各种动作模式和熵模型，包括 ConvLSTM，光流条件化特征域预测和特征传播，通过对空间块进行时间预测，以最大程度地减少数据的冗余和失真。实验表明，与最先进的视频压缩方案和标准编解码器相比，本方法在 PSNR 和 MS-SSIM 度量方面获得了更好或具有竞争力的结果。

Apr, 2023

该研究提出了一种端到端的学习视频压缩方案，使用多个参考帧来提高数据压缩效率，其中包括运动向量 (MV) 场的计算、残差和 MV 的深度自编码压缩，以及一个利用多个参考帧的 MV 细化网络和残差细化网络。

Apr, 2020

本文提出了 AlphaVC 的压缩算法，采用了几种新的技术来有效地提高压缩性能，包括引入条件 I 帧、像素到特征的运动预测方法和基于概率的熵跳过方法。AlphaVC 在所有常见测试数据集上的 PSNR 和 MSSSIM 指标上均超过了最新的压缩标准 VVC，并且具有非常快的编码和解码速度。

Jul, 2022

本文介绍了一种新型的单流神经视频压缩（SSNVC）框架，通过删除复杂的运动矢量编码解码结构和使用一阶段训练策略，实现了去除特定模块、简化训练流程并提高重构帧质量的目标。实验证明，SSNVC 在多个基准测试中表现出具有最新技术性能，大大简化了压缩过程和训练过程。

Jun, 2024

本文旨在研究视频编码方法中出现的新问题 VCM，提出基于预测模型和生成模型的高级压缩技术，同时可用于人类视觉和机器视觉，以实现可扩展的信号表示。通过条件生成网络学习稀疏运动模式来重建视频帧，同时对高水平视觉任务如动作识别非常有效。实验表明，我们的方法相对传统视频编解码器和高度压缩视频的最新技术有很大改进，为人类和机器视觉提供了有前途的编码信号范例。

Jan, 2020

提出增强神经视频编解码器的上下文多样性，分别从时间和空间维度引入了层次质量模式、基于光流的编码框架以及四叉树分区以增加上下文多样性，实验结果表明，相比现有技术，该编解码器的比特率节省达到 23.5％，并在 PSNR 方面超越了传统编解码器 / ECM 的下一代。

Feb, 2023