Oct, 2023

面向诊断的高效传统学习医学图像压缩

PDF
TL;DR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。
remote medical diagnosismedical image compressiontransfer learning-based codecdiagnosis accuracymedical data
发现论文，激发创造
  • LDMIC: 基于学习的分布式多视角图像编码

    本研究基于分布式源编码理论，以独立编码和联合解码为基础，设计了一种学习型分布式多视角图像编码 (LDMIC) 框架，通过交叉信息传输机制有效捕获全局视角间的相关性，无需考虑几何关系，并表现出显著的优于传统的和基于学习的 MIC 方法，同时具有快速的编码速度。

    Jan, 2023

  • 机器视觉引导的云端三维医学图像压缩，实现高效传输和准确分割

    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

  • 可辨识图像压缩

    本文提出了一种名为 Discernible Image Compression（DIC）的方法，旨在通过追求外观和感知一致性来生成高质量的压缩图像，并利用经过预训练的 CNN 提取原始和压缩图像的特征，同时最小化特征分布之间的差异，实验结果表明使用该方法压缩的图像可被下游的视觉识别和检测模型良好识别。

    Feb, 2020

  • 高效深度图像压缩的统一端到端框架

    该研究提出了一种基于三种新技术的统一框架，包括通道关注模块、高斯混合模型和解码器侧增强模块，命名为 EDIC，可用于基于学习的图像压缩，并说明该方法优于当前所有先进的图像压缩方法，同时将解码速度提高了超过 150 倍。

    Feb, 2020

  • 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

  • DeepSIC：深度语义图像压缩

    本文提出一种名为 Deep Semantic Image Compression (DeepSIC) 的概念，提出两种新颖的架构，旨在重构压缩图像并同时生成相应的语义表示。在编码过程中，第一架构通过将一部分比特保留在压缩编码中存储语义表示进行语义分析。第二种在解码过程中使用嵌入到压缩码中的特征映射进行语义分析。通过在公开数据集上进行实验，验证本文的方法，并对所提出技术的优缺点进行了彻底分析。

    Jan, 2018

  • 极端学习图像多模态深度网络压缩

    本文提出了一种文字引导图像压缩的多模态机器学习方法，通过使用文本的语义信息来引导图像压缩，以实现更好的压缩性能，包括采用图像 - 文本注意力模块和改进的多模态语义一致性损失函数。实验证明，该方法能够在极低比特率下获得较好的视觉效果，并且即使与最先进的技术相比，其性能也可以相媲美或超越。

    Apr, 2023

  • 基于目标区域学习的机器图像编码

    通过深度学习，我们提出了一种学习对象区域的图像压缩模型，它不需要额外的信息作为输入，并且可以适用于不同的图像识别模型。

    Aug, 2023

  • DSSLIC: 基于深度语义分割的分层图像压缩

    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

  • 通过辅助损失优化编码器提高机器图像编码

    通过辅助损失训练编码器以提升其识别能力和速率失真性能的一种新型学习图像编码方法，相较于传统训练方法，在物体检测和语义分割任务中分别实现了 27.7% 和 20.3% 的 Bjontegaard Delta 速率改进。

    Feb, 2024