本研究提出了一种基于无条件扩散生成模型的新型有损压缩方法DiffC，该方法仅利用受高斯噪声污染的像素的有效通信来限制所需传输信息，具有压缩比HiFiC更高的性能表现，并提供流式解码支持，并进一步分析了其性能和一些理论界限。

Jun, 2022

本研究基于深度学习和生成对抗网络的图像压缩方法，提出适用于高光谱图像的 HiFiC 空间-谱域压缩模型，并证明其在降低比特率和提高重建质量方面比传统 JPEG 2000 和标准 HiFiC 模型具有更高的压缩效率。

May, 2023

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

人工智能生成内容（AIGC）已经引领了一场新的技术革命，推动了数字内容的获取并推动传统编解码器在性能提升和多样化功能方面的进展，本文全面回顾了生成式视觉压缩的最新进展，展示了在超低码率通信，用户指定的重建/滤波和智能机器分析方面的巨大潜力和有前景的应用。特别是，我们回顾了基于深度生成模型的视觉数据压缩方法，并总结了如何通过生成技术实现紧凑的表示和高保真重建。此外，我们概括了相关的生成式压缩技术用于机器视觉和智能分析。最后，我们讨论了生成式视觉压缩技术面临的基本挑战，并展望了它们未来的研究方向。

Feb, 2024

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

提出了一种新颖的极端图像压缩框架，该框架将压缩VAEs和预训练的文本到图像扩散模型结合在一起，通过潜在特征引导压缩模块进行图像压缩并解码为内容变量，然后利用预训练的扩散模型进一步解码这些内容变量，实验结果表明在极低比特率下，该方法在视觉表现和图像保真度方面优于现有方法。

Apr, 2024

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。

May, 2024

提出了一种可控生成图像压缩框架(Control-GIC)，首次实现了在广泛频谱范围内的精细比特率调整，确保高保真度和通用性压缩。基于VQGAN框架，将图像表示为可变长度代码的序列，通过与局部图像块的信息密度相关联，实现了动态调整代码数量的不同粒度决策，进而实现了理想的压缩速率。实验结果表明，Control-GIC在高度灵活和可控比特率适应性方面表现出优越性能。

Jun, 2024

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

基于深度学习的方法在遥感图像压缩中表现出卓越的性能，本文提出了一种基于码本的遥感图像压缩方法（Code-RSIC），通过引入生成的离散码本，在解码端提供跨图像的相似性先验信息，显著优于传统和基于学习的图像压缩算法的感知质量。

Jul, 2024