Jan, 2024

SLIC：一种利用结构和颜色的学习型图像编解码器

PDF
TL;DR通过基于结构和颜色的学习图像编解码器（SLIC），将压缩任务分割为亮度和色度，构建具有新颖的多尺度架构的深度学习模型，通过将不同阶段的特征结合以获取潜在表示。通过各种实验研究和分析，与其他图像编解码器进行比较，通过通道脉冲响应、潜在通道和各种消融研究的可视化，说明了该方法的优势。该模型在 MS-SSIM 和 CIEDE2000 度量标准中相对于其他先进参考编解码器获得了 7.5% 和 4.66% 的比特率增益。
发现论文，激发创造
  • 图像压缩的色彩学习

    本文提出了一种新的基于深度学习的图像压缩模型，该模型将图像压缩任务分解为从亮度通道学习结构信息和从色度通道学习颜色的两个子任务。利用 CIEDE2000 优化颜色保真度，并展示了该模型的优点和性能比较。此外，还对潜在通道脉冲响应进行了可视化和分析。

    Jun, 2023

  • 关于学习图像压缩中颜色空间效应的研究

    通过使用 YUV、LAB 和 RGB 颜色空间之间的比较以及它们对学习图像压缩的影响，我们报告了通过在不同数据集上进行实验对 SLIC 模型进行评估，并将结果与最先进的图像编解码器进行比较。

    Jun, 2024

  • SLIC: 基于自适应变换的自我调节学习图像压缩算法，具有大尺度接受域

    提出了一种新的基于动态深度卷积的转换模块，称为 Self-Conditioned Adaptive Transform with Large-Scale Receptive Fields for Learned Image Compression (SLIC)，它在图像压缩中取得了令人瞩目的性能表现，可将可压缩性降低 6.35%。

    Apr, 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

  • ELIC: 带有不均匀分组空间 - 通道上下文自适应编码的高效学习图像压缩

    本文提出了一种基于不均匀通道条件自适应编码的图像压缩算法，并通过该算法结合现有的上下文模型，提出了一种空间 - 通道上下文自适应模型，用于提高编码性能，同时保持了运行速度，同时还提出了一种高效的模型 ELIC，达到了最先进的速度和压缩能力。

    Mar, 2022

  • PO-ELIC: 感知导向的高效学习图像编码

    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

  • 实用全分辨率学习无损图像压缩

    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

  • 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

  • 基于自编码器的图像压缩算法：由 NCTU 提出的挑战方案描述

    本文提出一种利用深度学习自编码器结构进行有损图像压缩的系统，通过残差块和跳跃连接降低图像像素相关性，使用重要性映射和量化器实现比特分配和比特率控制，该自编码器和重要性网络是联合训练，目的在于满足每像素 0.15 比特的限制条件下，产生具有良好主观质量的重构图像。

    Feb, 2019

  • SLIC: 基于迭代聚类的人类动作视频自监督学习

    通过使用迭代聚类对人体动作视频中的类似视频实例进行分组，以改进传统的爬虫视（intra-video）正样本采样，以使用聚类分配的伪标签进行样本较难的正样本和负样本的采用，SLIC 在人体动作视频中实现了优于国家视频检索基线的性能。

    Jun, 2022