Apr, 2024

HybridFlow：融合连续性于掩码码本的极低比特率图像压缩

PDF
TL;DR本文研究了极低比特率下的学习图像压缩（LIC）问题，提出了一种新颖的双流框架 HyrbidFlow，结合了基于连续特征和基于码书的流，以在极低比特率下实现高感知质量和高保真性的图像重建。实验结果表明，与现有的单流基于码书或基于连续特征的 LIC 方法相比，在极低比特率下具有优异的性能。
learned image compressionextreme low bitratesdual-stream frameworkcodebook-based streamcontinuous feature stream
发现论文，激发创造
  • 超低比特率下实现完美真实感的图像压缩

    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

  • 基于块的混合图像压缩算法

    提出了一种基于学习的分块图像压缩框架，引入显式内部预测，使用上下文预测模块以及边界感知后处理模块来解决压缩过程中的问题和缺陷。实验结果表明，在与现有学习图像压缩方法相比，该 LBHIC 编解码器具有更好的性能表现。

    Dec, 2020

  • 混合 Transformer-CNN 结构的学习图像压缩

    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

  • 利用微调后的 VQGAN 模型进行极端图像压缩

    本文提出了一种基于向量量化 (VQ) 的生成模型的图像压缩编码框架，通过学习 VQGAN 模型的码本可实现在潜空间内对连续信息进行高效压缩，从而在极低比特率下实现优质的重构图像。

    Jul, 2023

  • 统一生成和压缩：多阶段变形器在超低比特率图像编码中的应用

    本文介绍了一种新的统一图像生成 - 压缩（UIGC）范式，该范式将生成和压缩过程合并在一起，通过采用矢量量化图像模型和多阶段 Transformer 来利用空间上下文信息建模先验分布，从而在实现熵估计和丢失令牌再生成方面成功使用学习到的先验，实验结果表明该 UIGC 框架在感知质量和人类感知方面优于现有编解码器，在极低比特率场景下（<=0.03 bpp）开创了生成式压缩的新方向。

    Mar, 2024

  • 基于掩码稀疏视觉表示的神经图像压缩

    研究了基于稀疏视觉表示 (SVR) 的神经图像压缩，提出了一种 Masked Adaptive Codebook learning (M-AdaCode) 方法，通过对潜在特征子空间进行掩蔽以平衡比特率和重建质量，在标准 JPEG-AI 数据集上的实验证明了该方法的有效性。

    Sep, 2023

  • 通过可调变换将学得图像编解码器适应屏幕内容

    通过引入参数化和可逆的线性变换，我们的研究提出了一种方法来改善针对屏幕内容图像的学习图像编解码器（LICs）的编码效率，并在不改变基线编解码器操作流的情况下设计了两个神经网络作为预处理器和后处理器，从而帮助增加编码效率并减少编码的伪影。我们的端到端训练方法在屏幕内容图像压缩中相比基线的 LICs 实现了高达 10% 的比特率节省，同时只引入了额外的 1% 参数。

    Feb, 2024

  • 传统转换理论指导的学习图像压缩模型

    本文提出利用传统变换理论引导的超低比特率增强可逆编码网络，实验表明我们的编码器在压缩和重构性能方面优于现有方法。具体而言，我们引入块离散余弦变换来建模特征的稀疏性，并采用传统的 Haar 变换来提高模型的重构性能而不增加比特流成本。

    Feb, 2024

  • 极低比特率图像压缩下的更多掩蔽

    本文提出了一种新颖的双自适应掩膜 (DA-Mask) 方法，该方法结合了贴片结构和纹理分布，在极低比特率下有效压缩图像。同时，该研究还结合预先训练的掩膜自编码器 (MAE) 和 DA-Mask 以及 LIC 网络提出了一种基于贴片图像建模 (MIM) 的掩膜压缩模型 (MCM) ，该方法在 R-D 性能、可视质量和下游应用方面优于最新的同类研究。

    Jun, 2023

  • 基于归一化流的有损图像压缩

    本文介绍了一种使用正则化流技术的深度图像压缩方法，能够在保证低比特率的情况下实现接近无损的质量，相比传统图像压缩方法有更大范围的质量水平，并能够在多次编码后仍能保持一致的质量结果。此为首次探索正则化流用于有损图像压缩的研究成果。

    Aug, 2020