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

本文提出了一种改进的图像压缩模型，通过改善人类感知和效率，实现了与最先进的端到端学习图像压缩方法和经典方法相竞争的主观效果，并且较少解码时间和提供人性化的压缩，通过经验评估，证明了我们提出的方法在实现优秀性能方面的有效性，与相同主观质量相比，节约了超过 25％的比特率。

May, 2023

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

通过引入一种非二元鉴别器，该鉴别器是通过 VQ-VAE 自编码器获得的量化局部图像表示进行调整的，本文在 CLIC2020、DIV2K 和 Kodak 数据集上的评估表明，我们的鉴别器比最先进的 HiFiC 模型更有效地联合优化失真（例如，PSNR）和统计保真度（例如，FID）。在 CLIC2020 测试集上，我们获得与 HiFiC 相同的 FID，但比 HiFiC 少了 30-40％的比特。

Jan, 2023

PO-ELIC 提出了一种感知导向的高效学习图像编码模型，通过采用对抗性训练技术，包括铰链形式的对抗损失、Charbonnier 式损失和样式损失，进一步提高学习图像压缩技术的感知品质，在更低的比特率下提供了与 HiFiC 相当的感知品质。

May, 2022

本文利用无监督目标设计神经压缩器进行图像压缩，以满足具有数据增强特征的所有预测任务的高性能，实现了大幅度节省数据率的效果，同时不会降低下游分类性能。

Jun, 2021

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

本论文旨在研究如何对学习图像压缩进行不可察觉攻击，并使用基于 Frobenius 范数的损失函数和不可察觉性约束在 Kodak 数据集上进行实验，表明了该方法的有效性并提供了未来设计防御策略的建议。

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

该研究提出了一种改进的神经压缩方法，通过使用复杂的语义集成损失、潜在精细化过程和优化可视保真度的目标，显著提高了神经图像压缩的统计保真度，并在 CLIC2024 验证集上相较于 MS-ILLM 在 FID 指标下实现了 62% 的比特率节省。

Jan, 2024