使用扩散模型的预测能力，在解码器中将多个神经压缩帧转换为连续的视频帧，以实现极端视频压缩，同时考虑感知质量指标，从低比特率下的位每像素（bpp）为 0.02 开始实现视觉上令人满意的重构，结果表明该方案比 H.264 和 H.265 等标准编解码器在低比特率领域具有更好的效果。

Feb, 2024

本文介绍了一种基于扩散模型的图像压缩方法，它利用特权的端到端解码器模型进行校正，实现了更好的感知质量同时在一定程度上保证了失真。通过建立扩散模型和设计一种将扩散模型与端到端解码器相结合的新方法，我们在理论上分析了编码器端扩散模型的重构过程，并引入了端到端卷积解码器来提供编码器端评分函数近似值的更好传输。实验证明，与以前的感知压缩方法相比，我们的方法在失真和感知方面具有优势。

Apr, 2024

本研究提出了一种基于无条件扩散生成模型的新型有损压缩方法 DiffC，该方法仅利用受高斯噪声污染的像素的有效通信来限制所需传输信息，具有压缩比 HiFiC 更高的性能表现，并提供流式解码支持，并进一步分析了其性能和一些理论界限。

Jun, 2022

利用扩散模型在图像压缩领域具有潜力，能够在极低码率下产生逼真且详细的重建结果。本研究提出了一种将扩散用于去除量化误差，以恢复传输图像潜在信息的去噪方法，相较于之前的方法，我们的方案只需要进行不到 10% 的扩散生成过程，并且无需对扩散模型进行架构更改，能够有效利用基础模型作为强大的先验，并在定量写实度指标上优于之前的方法，同时经验证明我们的重建结果在质量上也得到了最终用户的认可，并且即使其他方法使用两倍的比特率，我们的方案依然具备优势。

Apr, 2024

通过使用迭代扩散模型进行解码，同时结合全局文本图像描述来提供额外的上下文，我们的模型在极低比特率下能够重建逼真的图像，其视觉质量不仅与以往方法相媲美，而且对比特率的依赖性更低。

Oct, 2023

本文提出了一种新的端到端学习的视频编码框架，将图像压缩通过条件编码进行泛化，允许处理同一编码器的帧内和帧间信息，并通过最小化速率失真成本进行训练，无需预训练或代理损失，其灵活性在三种编码配置下得到评估（全帧内、低延迟 P 和随机访问），并且表现出与 HEVC 视频编解码器一样具有竞争性的性能。

Apr, 2021

通过优化失真、真实感和压缩率之间的平衡，生成式压缩方法可以在低比特率下产生详细，逼真的图像。本文提出了一种新方法，训练了一个解码器，能够在失真 - 真实感平衡中生成高质量的实际效果，创造了最新的 state-of-the-art 技术水平。

Dec, 2022

本研究介绍了两种增强技术：通道调节和潜在残差预测，提出了比现有上下文自适应模型更好的网络架构，该模型在最小化串行处理、保持数据完整性等方面都性能更优，在 Kodak 和 Tecnick 图像集上的平均速率提高了 6.7% 和 11.4%。在低比特率下，本研究的模型可使速率提高 18%，比像 BPG 这样的手工工程编解码器提高 25%。

Jul, 2020

我们提出了条件感知质量，即在用户定义的信息上进行的感知质量扩展，并基于理论结果提出了条件感知质量保持压缩的最优框架。实验结果表明，我们的编解码器成功地在所有比特率下保持高感知质量和语义质量，并提供了所需的共同随机性的下界，解决了关于是否应将随机性纳入生成器中进行（条件）感知质量压缩的之前的争论。补充材料中提供了源代码。

Aug, 2023

本文通过使用扩散生成模型，将自编码器与基于分数的解码器相结合的简单但理论上有动机的两阶段方法，实现了在给定比特率时提高视觉质量，并在 FID 分数上跑赢了最先进的方法 PO-ELIC 和 HiFiC。

May, 2023