本文利用深度学习建立了一个综合考虑多种畸变类型的 JND 模型，并构建了拥有 25 种畸变类型的用于 JND 建模的细到粗的数据集，为此设计了一种基于 Image Quality Assessment (IQA) 的 JND 候选选择方案，并使用众包主观评估进行了精细的 JND 数据的选择。

Mar, 2023

本论文介绍了一种使用众包进行视觉知觉试验的新框架，该框架创建了一个新的 PJND 数据集，KonJND++，由 300 个源图像、JPEG 或 BPG 压缩的图像版本以及每个源图像的平均 43 个 PJND 评级和 129 个 JND 致命区域的自报告位置组成。

Jun, 2023

本论文通过将 JND 原则融入学习图像压缩（LC）的训练过程中，提出了三种感知优化方法以及评估结果，证明了 JND 整合对于增强速率 - 失真表现和视觉质量的有效性，相比基线方法，所提出的方法在训练后不增加额外复杂性。

Feb, 2024

本文提出了一种使用 JND 思想来测量编码图像 / 视频质量的新方法，并构建了一个大规模的基于 JND 的编码视频质量数据集，称为 VideoSet，该数据集已在 IEEE DataPort 中公开发布，对未来的视频编码研究和标准化具有重要意义。

Jan, 2017

我们的研究提出了一种统一的量化噪声校正方案 (QNCD)，旨在减少扩散模型中的量化噪声，消除图像合成中由量化引起的失真。通过消除嵌入到 resblock 模块中的嵌入衍生特征和动态过滤整个去噪过程中的量化偏差积累，我们的方法在 ImageNet 上的 W4A8 和 W8A8 量化设置上实现了无损成果。

Mar, 2024

本文提出了一种新的联合学习模式的图像压缩和质量增强方案 ——JointIQ-Net，通过采用高斯混合模型进行极小化熵模型改进，并进一步利用全局上下文估计潜在表示的概率，实现了编码效率的极大提升，达到了比传统编解码器和以往学习图像压缩方法更好的压缩效果。

Dec, 2019

本文提出一种基于最小可感知差异（MND）概念的框架，来生成对深度学习模型具有攻击能力，同时又具有最小视觉差异的隐私保护对抗性图像。通过引入对感知质量的保护损失，本文的对抗性图像生成方法能够在各项性能指标（如 PSNR、SSIM、MOS 等）上明显地改善性能，并且是首个在 MND 概念基础上实现保护感知质量的隐私保护对抗性图像生成工作。

Jun, 2022

使用对比学习方法的质量感知特征匹配图像质量评估度量 (QFM-IQM)，通过对具有相似语义特征但质量得分不同的图像对进行比较，以自适应地调整上游任务的特征，移除有害特征并通过蒸馏方法提高模型的泛化能力，在 8 个标准 NR-IQA 数据集上实现了优越的性能。

Dec, 2023

本文评估了四种最先进的深度神经网络模型在图像分类方面对模糊、噪声、对比度、JPEG 和 JPEG2000 压缩等五种图像质量扭曲的表现，结果表明现有网络对图像质量扭曲特别是模糊和噪声较为敏感，这为未来开发更具抗图像质量扭曲能力的深度神经网络开展了研究。

Apr, 2016

本文提出动态网络量化框架，依据每个输入帧选择最佳精度以实现高效的视频识别，实验结果显示，在四种具有挑战性的基准数据集上，与现有先进方法相比，该方法提供了显著的计算和内存使用节约，同时保持竞争性能。

Aug, 2021