关键词deep image compression
搜索结果 - 8
- 传统转换理论指导的学习图像压缩模型
本文提出利用传统变换理论引导的超低比特率增强可逆编码网络,实验表明我们的编码器在压缩和重构性能方面优于现有方法。具体而言,我们引入块离散余弦变换来建模特征的稀疏性,并采用传统的 Haar 变换来提高模型的重构性能而不增加比特流成本。
- 利用合作的跨模态侧面信息的知觉图像压缩
本文介绍一种利用文本引导辅助信息的创新深度图像压缩方法,通过预测语义掩码,将文本和图像特征融合,设计了条件生成对抗网络以改进重建图像的感知质量,并在四个数据集和十个图像质量评估指标下证明了该方法在速率感知性能和语义失真方面的优越结果。
- AAAI特征域多尺度块匹配学习的分布式图像压缩
采用多尺度特征域补丁匹配(MSFDPM)模块来充分利用分布式图像压缩模型中的附加信息,从而比图像域中的补丁匹配方法(Ayzik 和 Avidan 2020)更好地解决了视差问题,并提高了约 20% 的压缩率。
- 深度图像压缩中的跨通道上下文模型
本文提出了一种交叉通道上下文模型,用于在深度图像压缩中的潜在变量。与传统的 2D mask 卷积只能捕捉空间上下文不同,在局部上下文中,加入交叉通道上下文可以更好地留存邻近通道的信息。
- 使用全局参考学习精准熵模型进行图像压缩
本研究提出了一种新的图像全局参考模型,能够有效利用局部和全局上下文信息,以提高深度图像压缩的性能表现,并且拥有最先进的速率 - 失真性能,同时还新创了一种平均偏移 GDN 模块。
- IJCAI用于深度图像压缩的通道级变量量化网络
本研究提出了一种基于变量量化的控制器,它能动态分配显著通道和微不足道通道的比特率,同时我们提出了一种高斯混合模型量化器,并通过实验证明了我们的方法能够更好地重构图像并取得更好的性能。
- 使用解码器侧信息的深度图像压缩
作者提出了一个基于深度学习的图像压缩神经网络,该网络利用仅仅面向解码器的附加信息,并基于编码器可用的图像和解码器可用的图像是相互关联的这一假设,在训练阶段让网络学习这些关联。然后,在运行时,编码器侧对输入图像进行编码而不知道解码器侧图像的任 - 非局部关注优化的深度图像压缩
本文提出了一种基于自动编码器的新型非局部注意力优化深度图像压缩(NLAIC)框架,该框架将非局部操作嵌入编码器和解码器中,以捕捉局部和全局关联,并应用注意机制生成用于加权图像和超先验特征的掩码,从而根据其重要性隐含地适应不同特征的比特分配。