提出了一种使用非局部神经网络(NL-CSNet)的新型图像压缩感知(CS)框架,利用测量域和多尺度特征域中的非局部自相似先验知识,旨在改善重构质量。
Dec, 2021
本研究旨在通过利用知识蒸馏和神经图像压缩的思想,采用先进的监督压缩方法,使用带有随机瓶颈的教师模型和学生模型,以及可学习的熵编码先验方法来更高效地压缩深度学习的中间特征表示。我们在三个视觉任务上将我们的方法与各种神经图像和特征压缩基线进行比较,并发现我们的方法在保持端到端时延更小的情况下,实现了更好的受监督的率失真性能。我们还展示了学习到的特征表示可以调整为服务于多个下游任务。
Aug, 2021
利用经典和深度学习的图像压缩方法对基于深度学习的图像处理模型进行分析并比较,表明深度学习的压缩技术在 2D 情况下在保持预测准确性的同时显著优于传统方法,并对图像压缩对下游深度学习图像分析模型的影响进行评估。
Nov, 2023
本文提出了一种使用非局部先验的 CS 方法,称为 NL-CS Net,通过学习解决非局部和稀疏正则化优化问题的扩展 Lagrangian 方法的每个阶段来解决现有网络方法的不足,其中重要参数是端对端学习的,并且在自然图像和磁共振成像实验中表现出更好的性能。
May, 2023
本研究通过引入基于噪声的正则项对深度学习模型压缩中的教师 - 学生框架进行扩展,以解决模型存储大小、运行时复杂度和训练时复杂度等问题,实验结果在 CIFAR-10 数据集上表现最佳,表明该方法在深度模型压缩方面有潜力。
Oct, 2016
本研究提出了一种称为 NPC-LV 的学习框架,它可以使用非监督学习中的生成模型来利用数据分布来构建压缩器,并结合少量标记数据进行分类,能够胜过监督方法和半监督学习方法,用于图像分类。
Jun, 2022
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
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
本研究提出了使用新的、由自编码器和四维卷积神经网络组成的两个分支网络结构,深度学习途径来从单个编码的二维图像中恢复高分辨率的四维光场,以实现光场成像的实时视频采集系统的潜力。
Feb, 2018
通过三步联合学习策略,将编码器引导为具有紧凑性、有辨识力的特征,以低频带宽要求传递高分类准确性的特征信息,并通过基于熵的量化和 / 或手动截断实现可调的比特率。
Oct, 2023