Mar, 2024

基于行级注意力的高光谱图像的深度无损和近无损预测编码

PDF
TL;DR本文提出了一种新型预测神经网络 LineRWKV，利用 Transformer 的表示优势和递归神经网络的线性复杂度和递归实现，来压缩航天器上的高光谱图像，并在 HySpecNet-11k 数据集和 PRISMA 图片上进行实验证明了 LineRWKV 是首个在无损和接近无损压缩上优于 CCSDS-123.0-B-2 的深度学习方法，同时具备有望的吞吐量结果。
deep learningcompressionhyperspectral imageslinerwkventropy coding
发现论文，激发创造
  • 太阳影像的多光谱熵约束神经压缩

    提出了一种基于变压器的多光谱神经图像压缩器，通过使用窗口聚合令牌多头自注意力机制捕获跨波长的冗余信息，使用随机平移窗口注意力机制使神经压缩器对输入域的平移不变，展示了该方法在多个波长上比传统压缩算法更好地去相关图像。

    Sep, 2023

  • 利用采样和隐式神经表示的高光谱图像压缩

    基于隐式神经表示的多层感知器网络在高光谱图像压缩中充当压缩编码器，通过对每个像素位置进行评估以重建原始图像，并通过采样方法来降低压缩时间，实验证明该方法在低比特率下比 JPEG、JPEG2000 和 PCA-DCT 实现更好的压缩性能，与学习方法如 PCA+JPEG2000、FPCA+JPEG2000、3D DCT、3D DWT+SVR 以及 WSRC 相比，采样方法也获得了更好的速度和性能。

    Dec, 2023

  • 基于神经网络的太阳图像数据压缩方案

    研究太阳系特别是太阳依赖于每天从太空任务中收集到的数据。本文提出了一种基于神经网络的有损压缩方法，用于 NASA 的数据密集型成像任务，该方法在压缩极紫外（EUV）数据时，在速率失真（RD）性能方面优于当前使用和最先进的编解码器如 JPEG 和 JPEG-2000。

    Nov, 2023

  • 基于层次回归网络的 RGB 图像光谱重建

    本研究提出了一种基于四级分级回归网络和 PixelShuffle 层的高光谱图像重建方法，采用残差密集块来消除实际 RGB 图像的伪影，并采用残差全局块来建立注意机制扩大感知范围，通过 NTIRE 2020 Challenge 比较各种架构和技术，本方法获得了轨道 2 - 实际图像的胜利，并在轨道 1 - 清晰图像上排名第三。

    May, 2020

  • 用于学习图像压缩的通道方向自回归熵模型

    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

  • 透過递归神经网络实施全解析度图像压缩

    通过神经网络构建一套高效率图像压缩方法，新架构由编码器、解码器、二值化器和熵编码神经网络组成，可变压缩比率，能在感知度量上对 JPEG 进行改善，并取得了最好的表现。

    Aug, 2016

  • 稀疏高光谱丰度预测的再生核希尔伯特空间修剪

    通过稀疏性和 Hilbert 空间剪枝，结合最小二乘最小化和最大似然压缩向量方法，实现高光谱测量数据的压缩和重构，相较于传统剪枝和神经网络自编码器，能够减小重构误差并提高压缩效率。

    Aug, 2023

  • 探索压缩图像表示作为感知代理：一项研究

    我们提出了一种端到端学习的图像压缩编解码器，其中分析变换与目标分类任务同时训练。该研究证实，压缩的潜在表示能够以与定制的基于深度神经网络的质量指标相媲美的准确性预测人的感知距离判断。我们进一步研究了各种神经编码器，并展示了将分析变换作为超出质量判断之外的图像任务的感知损失网络的有效性。我们的实验表明，现成的神经编码器在感知建模方面表现出色，无需额外的 VGG 网络。我们期望这项研究能够成为开发语义感知和编码高效的神经编码器的有价值参考。

    Jan, 2024

  • 神经多尺度图像压缩

    该研究提出了一种新的损失图像压缩方法，利用自然图像的多尺度特征，通过自编码器和并行多尺度无损编码器提取和编码量化变量来实现快速高保真图像编解码。

    May, 2018

  • Vision-RWKV：高效可扩展的基于 RWKV 类架构的视觉感知

    本研究介绍了 Vision-RWKV（VRWKV），这是一种从 NLP 领域的 RWKV 模型中修改而来并针对视觉任务进行了必要的改进的模型，它具有较低的空间聚合复杂性，能够高效处理高分辨率图像，无需窗口操作，并具有与 ViT 相媲美的分类性能，更快的速度和更低的内存使用，从而显示了 VRWKV 作为视觉感知任务的更高效替代品的潜力。

    Mar, 2024