我们提出了一种新的方法来优化自动编码器实现有损图像压缩，并通过最小的损失改变来改进了深度自动编码器的性能， 从而实现了高分辨率图像的高效和灵活压缩。
Mar, 2017
本文提出了一种基于机器学习的图像有损压缩方法，运行实时且优于所有现有编解码器，其架构为自编码器，具备金字塔分析、自适应编码模块、期望码长的正则化等特点，并通过对抗训练以在极低比特率下提供视觉良好的重建效果。
May, 2017
这篇论文探讨了自动编码器学习图像压缩变换的问题，通过仅仅学习一个变换，在测试时间通过改变量化步长实现不同的速率-失真点，从而获得了可比较的性能，并且节省了大量的训练时间。
Feb, 2018
本文提出了一种基于深度学习的图像压缩架构，利用卷积自编码器的优势达到了更高的编码效率，并利用主成分分析来产生一个更加能量紧凑的表示，实验结果表明，该方法相对于传统的图像编码算法在Kodak图像数据库上获得了13.7％的BD速率降低，而且与JPEG2000具有类似的复杂度。
Apr, 2018
本文介绍了一种基于块的端到端自编码器图像压缩系统，其主要贡献包括模拟二值化、多网络可变比特率、熵友好表示、推理阶段代码优化和性能优化归一化层。我们评估并展示了每个贡献的增量性能提高。
May, 2018
本文提出一种利用深度学习自编码器结构进行有损图像压缩的系统，通过残差块和跳跃连接降低图像像素相关性，使用重要性映射和量化器实现比特分配和比特率控制，该自编码器和重要性网络是联合训练，目的在于满足每像素 0.15 比特的限制条件下，产生具有良好主观质量的重构图像。
Feb, 2019
本研究提出了AutoReCon方法，这是一种基于神经架构搜索的重构方法，通过自动设计生成器结构以实现对预先训练模型重构的效果达到提高数据无关压缩的方法。
May, 2021
本文介绍了一种自适应图像压缩变压器 (AICT) 框架，结合了更直接有效的 Transformer-based 通道自回归模型和可学习缩放模块。在基准数据集上的实验结果表明，AICT 框架在编解码效率和解码器复杂度之间的平衡方面显著优于 VVC 参考编码器和神经编解码器 SwinT-ChARM。
Jul, 2023
这篇论文介绍了一种基于Transformer的图像压缩系统，根据用户的偏好提供可变的图像质量目标，通过引入提示符令牌，使得自适应生成，学习和适应编码和/或解码过程的方法，在可变的质量目标下提高了压缩效果。
Sep, 2023
通过卷积变分自编码器(CVAE)进行图像压缩的研究，其能够显著降低传输数据体积并保证安全有损图像重建的品质。
Apr, 2024