本研究探讨了数字图像处理中的压缩方法对图像失真度和分类准确率的影响，特别是在JPEG压缩标准的量化表设计方面进行新的优化，取得了显著的性能提升。

Aug, 2020

介绍了CompressAI，一个图像和视频端到端压缩编解码器研究、开发和评估平台，提供自定义操作、层、模型和工具，包括预训练模型和评估工具，并与传统编解码器进行比较，使用Kodak图像数据集作为测试集，采用PSNR和MS-SSIM指标对多个端到端压缩模型进行了客观比较，目前实现静态图像压缩，但计划在不久的将来扩展到视频压缩领域。

Nov, 2020

我们提出了一种新颖的方法，在保留修改后的JPEG图像和恢复的新视图的感知保真度的同时，在单个JPEG图像中嵌入新视图。我们采用了多平面图像（MPI）的流行新视图合成表示。我们的模型首先将32个MPI层（共128个通道）编码成一个3通道JPEG图像，可以解码MPI以渲染新视图，每像素具有1024位的嵌入容量。我们对公共数据集进行了实验，使用不同的新视图合成方法，结果表明所提出的方法可以从略微修改的JPEG图像中恢复高保真度的新视图。此外，我们的方法对JPEG压缩、颜色调整和裁剪具有鲁棒性。我们的源代码将公开。

Aug, 2021

本文介绍了基于深度学习的JPEG图像重压缩方法，能够在DCT域中进行操作，提出了多级交叉通道熵模型以压缩最具信息量的Y分量，在保证无损的前提下实现了JPEG图像转码为更节省存储空间的比特流，实验表明该方法在传统JPEG重压缩方法（Lepton，JPEG XL和CMIX）中表现出最先进的性能。

Mar, 2022

本文提出一种基于鲁棒JPEG解码器和两阶段补偿与对齐框架的方法，来恢复受比特流错误影响的JPEG图像。通过两个阶段实现块状图像颜色补偿和对齐，并利用缩略图等方式进行优化，最终在三个数据集上取得较好的效果。

Apr, 2023

本论文介绍了一种使用众包进行视觉知觉试验的新框架，该框架创建了一个新的 PJND 数据集，KonJND++，由 300 个源图像、JPEG 或 BPG 压缩的图像版本以及每个源图像的平均 43 个 PJND 评级和 129 个 JND 致命区域的自报告位置组成。

Jun, 2023

本文综述了现有的不同iable JPEG方法，并发现之前方法忽略的关键细节。我们提出了一种新的不可分类的JPEG方法，解决了之前方法的局限性。在评估和分析方面，我们的方法在前后向性能上优于现有方法。此外，我们进行了大量的消融实验来评估关键设计选择。我们的方法优于最近的方法，平均PSNR值提高了3.47 dB，在强压缩率下，我们甚至可以将PSNR提高9.51 dB。我们的方法还在对抗攻击方面表现出有效的梯度逼近能力。

Sep, 2023

我们提出了一种新的方案，以无损的方式重新压缩JPEG图像。使用JPEG图像作为输入，该算法部分解码信号以获得量化的DCT系数，然后以更有效的方式重新压缩它们。

Oct, 2023

通过学习的量化表和马尔科夫分层变化自动编码器构建的统一有损和无损JPEG重新压缩框架，在接近上界的比特率下可以实现任意低的失真。据我们所知，这是填补JPEG图像损失和无损重压缩之间差距的第一个学习方法。

Dec, 2023

该研究讨论了使用生成图像模型检测人工内容的紧迫性，并指出当前的数据集中存在与JPEG压缩和图像大小相关的偏差。研究还展示了去除这些偏差对JPEG压缩的鲁棒性和评估检测器的不同生成器间性能的显著影响，其中ResNet50和Swin-T检测器在GenImage数据集上的不同生成器间性能提高了超过11个百分点，达到了最先进的结果。

Mar, 2024