Mar, 2024

基于神经网络的提升步骤，以改善 JPEG 2000 中的完全可扩展有损图像压缩

PDF
TL;DR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。
wavelet transformneural networkaliasingreconstructed imagesjpeg 2000
发现论文，激发创造
  • 学习的基于提升的变换结构在完全可扩展和可访问的小波图像压缩中的应用探索

    通过对多种神经网络与基于 lifting 的小波变换相结合的方式的特性和性能的全面研究，本文提出了一种学习到的类似小波变换，相比 JPEG 2000 在紧凑空间支持下实现了超过 25% 的比特率节省。

    Feb, 2024

  • 端到端优化的图像压缩

    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

  • Weightless：深度神经网络压缩的有损权重编码

    提出一种名为 Weightless 的新颖方案，其基于 Bloomier 过滤器并结合传统压缩技术，在不影响模型准确性的前提下，可以将深度神经网络的内存占用降低至原来的 1/496，较现有技术获得了 1.51 倍的提升。

    Nov, 2017

  • 基于小波样变换技术的神经网络图像编码提案响应

    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

  • 通过联合有损图像压缩和残差压缩学习可扩展的 L∞约束无损图像压缩

    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

  • 利用简化 CNN 对视频编码中的非局部冗余进行提升

    该研究旨在利用卷积神经网络及非局部冗余优化视频压缩，达到与预处理去噪 CNN 类似的编码增益，同时只需要约为 1% 的计算复杂度，适用于资源受限的条件下进行视频压缩。

    Oct, 2019

  • 通过深度学习和传统编解码器优化混合分层图像压缩

    本文提出一个基于深度学习和传统图像编解码器相结合的图像压缩框架并在 Kodak 和 Tecnick 数据集上进行实验，结果表明改进的分层压缩方案比现有方案和传统编解码器都表现更好，在 RGB444 中编码图像，无论在 PSNR 和 MS-SSIM 度量方面在广泛比特率范围内都有优异的表现。

    Jul, 2019

  • DWT-CompCNN: 高吞吐量 JPEG2000 压缩文档的深度图像分类网络

    本研究提出了一种名为 DWT-CompCNN 的基于深度学习的模型，使用高通量 JPEG 2000（HTJ2K）算法压缩文档，并从中提取离散小波系数，从而在压缩域中高效准确的对文档进行分类。实验表明该模型在时间和空间上的效率更高，而且能够取得更好的分类效果。

    Jun, 2023

  • 基于重新训练的深度神经网络迭代权重量化

    本文提出了一种迭代的量化技术，将权重量化和完整精度权重的重新训练结合起来，以达到高压缩比和减少量化损失，同时证明该方法能够有效地利用剪枝等其他模型压缩技术，实现在 PTB 数据集上使用 1-bit 量化重量的 LSTM 模型，减少了硬件资源需求但不会降低准确性。

    May, 2018

  • 通过端到端的 JND 优化实现的感知学习图像压缩

    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