该研究提出使用神经网络辅助的额外 lifting 步骤来增强传统小波变换中的 lifting 步骤。这些额外的步骤减少了小波子频带中的冗余性（尤其是混淆信息），同时提高了降低分辨率后重建图像的视觉质量。通过将该方法应用于 JPEG 2000 图像编码标准中，我们的方法能够在广泛的比特率范围内实现高达 17.4% 的平均 BD 比特率节省，同时保持 JPEG 2000 的质量和分辨率可扩展特性。

Mar, 2024

本研究提出一种通过检测对称性和压缩神经模型的简单有效技术，来加速各种图形神经网络的计算，如分子分类和知识库完 意。

Jul, 2020

本文提出一种采用多分辨率分析和波形表示的、深度神经网络的设计方法，以提升卷积神经网络的可解释性，并在图像分类任务中取得竞争性的准确性。

Dec, 2019

基于神经网络的图像编码已经取得了迅猛发展，本文介绍了一种新的基于类小波转换的端到端图像编码框架 ——iWaveV3，它包括诸多新特性，并在客观质量上实现了最先进的压缩效率，在感知质量上具有很强的竞争力。因此，iWaveV3 被选定作为开发基于神经网络的图像编码 IEEE 标准的候选方案。

Mar, 2024

本文提出了一种新的 HS-CNN 框架，名为 LiftHS-CNN，其采用可学习的 lifting 结构来学习自适应的球面小波用于汇聚和反汇聚，以实现更高效的层次化特征学习。

May, 2022

本文提出了一种高效的并行 Transformer-CNN 混合块，用于将 CNN 的本地建模能力和 Transformer 的非本地建模能力相结合，以提高图像压缩模型的整体架构，并在熵估计模型和注意力模块方面取得了最新进展，实验结果表明，该方法在三个不同分辨率的数据集上均实现了具有创新性的率失真表现.

Mar, 2023

本文提出了一种新颖的全局压缩深度神经网络框架，通过使用低秩分解的方法在达到所需的整体压缩率的同时，对每层进行全面分析确定最佳的每层压缩比率，并利用等奇特展开定理和最优化算法来得到我们的解决方案。我们的实验表明，我们的方法在各种网络和数据集上优于现有的低秩压缩方法。

Jul, 2021

利用 LayerCollapse 方法进行适应性模型压缩，通过消除网络中的非线性并将两个连续的全连接层合并为单个线性变换，同时减少层数和参数数量，提高模型效率；引入压缩感知正则化器，根据数据集质量和模型表现压缩模型，减少过拟合；实验证明 LayerCollapse 在多个细粒度分类基准测试中实现有效的压缩和正则化，最高在训练后压缩 74% 但准确度损失最小；与知识蒸馏方法对比，在 ImageNet 数据集上计算效率提高五倍，整体准确度提高 8%。

Nov, 2023

介绍一种新颖的深度网络架构，实现了完整的特征点处理流程，包括检测、方向估计和特征描述，并展示了其在多个基准数据集上超过现有方法的性能表现，同时不需要重新训练。

Mar, 2016

本文提出了一种选择性压缩方法来进行基于深度学习的可变速率图像压缩，该方法通过生成 3D 重要性映射并调整该映射来确定不同目标质量水平的压缩所需的基本表示元素。实验结果表明，该方法可以获得与单独训练的参考压缩模型相当的压缩效率，并可以减少解码时间。

Nov, 2022