May, 2024

通过可逆神经网络增强遥感图像压缩中的感知质量

PDF
TL;DR通过可逆神经网络，我们提出了 INN-RSIC 方法，用于解码远程感应图像并实现高感知质量，在低比特率下尤为重要。我们采用现有图像压缩算法捕捉压缩失真，并通过 INN 将其编码为一组高斯分布的潜在变量，使解码图像中的压缩失真与真实图像无关。因此，通过利用 INN 的逆映射，我们可以将解码图像以及一组随机重采样的高斯分布变量输入到逆网络中，有效生成感知质量更好的增强图像。我们通过引入量化模块（QM）来缓解格式转换的影响，从而提高框架的泛化能力和增强图像的感知质量。广泛的实验表明，我们的 INN-RSIC 在感知质量方面明显优于现有的传统和基于深度学习的图像压缩方法。
发现论文，激发创造
  • 学习图像压缩中的增强可逆编码技术

    本文提出了一种基于可逆神经网络（INNs）的 Invertible Encoding Network 方法来构建更好的图像空间和潜在特征空间之间的转换，并在 Kodak、CLIC 和 Tecnick 数据集上证明了该方法在高分辨率图像方面优于现有的学习图像压缩方法和压缩标准（包括 VVC (VTM 12.1)）的实验结果。

    Aug, 2021

  • CommIN: 基于 INN 引导的扩散模型的逆问题的语义图像传输

    在这项研究中，我们提出了 CommIN，它将从退化重构中恢复高质量源图像视为一个逆问题，并通过结合可逆神经网络（INN）和扩散模型来实现更好的感知质量。通过实验证明，在极端条件下，我们的 CommIN 在感知质量上显著提高，相比 DeepJSCC 在这方面优于其他逆问题方法。

    Oct, 2023

  • 图像压缩的隐式神经表示

    本文从图像压缩的角度出发，探索了 INRs 的作用，提出了基于 INRs 的全面压缩流水线并进行了广泛的消融研究，结果表明，该方法表现优异，且与专门为图像设计的常用压缩算法竞争力相当，接近基于率失真自编码器的最新学习方法。

    Dec, 2021

  • UniCompress：基于知识蒸馏的多数据医学图像压缩增强

    通过使用一种名为 ``UniCompress'' 的新方法，我们扩展了医学图像压缩领域的 Implicit Neural Representation（INR）网络的压缩能力，该方法首次使用一个 INR 网络压缩多个医学数据块。我们的研究引入了一种新的基于波变换和量化的技术，该技术将频域信息作为先验输入到 INR 网络中，并简化了复杂模型知识以提高压缩比。在 CT 和电子显微镜（EM）数据集的大量测试中，我们证明了 UniCompress 在复杂和高压缩场景中的性能优于传统 INR 方法和商业压缩解决方案。值得注意的是，与现有的 INR 技术相比，UniCompress 在压缩速度上实现了 4 到 5 倍的增加，标志着医学图像压缩领域的重大进展。代码将公开使用。

    May, 2024

  • LDM-RSIC: 探索远程感知图像压缩中的畸变先验与潜在扩散模型

    通过利用潜在扩散模型的失真先验信息，提出了一种基于深度学习的遥感图像压缩方法，该方法利用生成的先验信息，通过增强网络实现对图像的质量提升。

    Jun, 2024

  • 元学习稀疏压缩网络

    本文介绍了一种新的数据表示方法 —— 隐式神经表示法，经过结构优化后，可以对比 JPEG 等传统压缩方法得到更好的压缩效果，并提出了 Meta-Learning 算法在压缩和学习隐式神经表示方面的改进方法，实现了在不同数据模态下的卓越表现。

    May, 2022

  • 隐式神经表示的无模态限制变分压缩

    介绍了一种基于内涵神经表征（INR）的模态不可知神经压缩算法，使用变分压缩的方法优化了 INR 的表征能力，其在多种模态的数据集中表现出色，且在 JPEG 2000、MP3 和 AVC/HEVC 编码技术等领域实现了优于其他 INR 技术的性能。

    Jan, 2023

  • 一种端到端的图像压缩和质量增强联合学习方案，带有改进的熵最小化

    本文提出了一种新的联合学习模式的图像压缩和质量增强方案 ——JointIQ-Net，通过采用高斯混合模型进行极小化熵模型改进，并进一步利用全局上下文估计潜在表示的概率，实现了编码效率的极大提升，达到了比传统编解码器和以往学习图像压缩方法更好的压缩效果。

    Dec, 2019

  • 资源有限设备中的快速隐式神经表示图像编解码器

    通过引入新的混合自回归模型（MARM）和综合网络来显著减少当前 INR 编解码器的解码时间，并提高重建质量，该方法在保持图片质量的同时显著提高计算效率。

    Jan, 2024

  • 一种轻量级的遥感图像分类深度学习模型

    本文研究了远程感应图像分类中的高性能、轻量级的深度学习模型，并通过知识蒸馏将教师引导下的最佳性能模型训练出较少复杂度的学生模型，实现了高性能。经过在 NWPU-RESISC45 基准的大量实验，证明了该方法胜过现有的最佳系统，并有潜力在多种边缘设备上应用。

    Feb, 2023