统一的基于学习的有损和无损的 JPEG 重新压缩
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
我们提出了一种新的方案,以无损的方式重新压缩 JPEG 图像。使用 JPEG 图像作为输入,该算法部分解码信号以获得量化的 DCT 系数,然后以更有效的方式重新压缩它们。
Oct, 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
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
本研究探讨了数字图像处理中的压缩方法对图像失真度和分类准确率的影响,特别是在 JPEG 压缩标准的量化表设计方面进行新的优化,取得了显著的性能提升。
Aug, 2020
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
利用 BPG 算法实现了一种损耗压缩图像的方法,该方法使用卷积神经网络模型对残差进行无损编码,通过与之前的学习方法以及 PNG、WebP、JPEG2000 进行比较,实现最先进的无损全分辨率图像压缩效果。
Mar, 2020
本文提出了一种新型的联合有损图像和剩余压缩框架,用于学习 l∞约束的接近无损图像压缩,通过有损图像压缩获得原始图像的有损重建,并均匀量化相应的剩余部分以满足给定的紧 l∞误差界限。
Mar, 2021