基于特征融合网络的人机可扩展图像编码
本文介绍了一种新的图像编码方案，其通过利用压缩模型和生成模型共同支持机器视觉和人的视觉感知任务，并使用紧凑边缘映射连接两种视觉模式，实现了对图像特征的重新构建，其提供了有用的证据支持 MPEG VCM（面向机器的视频编码）标准化工作。
Jan, 2020
提出了一种利用视频编解码器中的残差编码能力创建可扩展编解码器的方法，这种方法能够提高现有的可扩展编解码器在机器任务方面的 RD 性能，同时在人类感知方面保持竞争性。
May, 2023
本文提出了一种可扩展的视频编码框架，该框架通过基础层比特流支持机器视觉（特别是物体检测）和增强层比特流支持人类视觉，并且结果表明，该框架在物体检测方面比最先进的视频编解码器节省 13-19％的比特率，同时在人类视觉任务的 MS-SSIM 方面保持有竞争力。
Aug, 2022
我们提出了一种全新的视频编码系统，基于条件编码的概念构建，其基础层支持机器视觉任务，而其增强层支持人类视觉重建，实验证明在基础层上，我们的框架优于现有的学习型视频编码和传统视频编码，并且在增强层上有可比性的性能。
Jul, 2023
利用 StyleGAN 先验，本研究探讨了利用派生的分层表示构建有效的可伸缩编码范式以满足人和机器的需求。通过逐步学习三层编码分层语义表示，构建机器智能和人类视觉感知支持的渐进式范式，并通过分层可伸缩熵转换器降低层间冗余，达到高效压缩目标。通过多任务可扩展率失真目标对提议的方案进行联合优化，证实在面部图像压缩方面，该范式优于最新的可变视频编码 (VVC) 标准，提供了人机协同压缩方面的新见解。
Dec, 2023
本文提出了一种可扩展的图像压缩方案，包括特征表示和纹理表示的基本层和增强层，其通过神经网络进行分析和深层特征重建，可以在视频监控应用中实现优秀的性能表现。而实验证明该框架可以在保证精度和失真率的情况下，比传统的图像压缩方案具有更好的性能。
Mar, 2019
本文提出了一种改进的图像压缩模型，通过改善人类感知和效率，实现了与最先进的端到端学习图像压缩方法和经典方法相竞争的主观效果，并且较少解码时间和提供人性化的压缩，通过经验评估，证明了我们提出的方法在实现优秀性能方面的有效性，与相同主观质量相比，节约了超过 25％的比特率。
May, 2023
本文介绍了一种层次生成式图像压缩模型，该模型支持多任务分析，通过学习感知图像压缩方法提供可压缩的紧凑表示，并实现高分辨率图像重建以及压缩率和感知性能的平衡。实验结果表明，该模型对于 RGB 基于方法可以降低 99.6% 的比特率并实现可比拟的分析结果。
Apr, 2023