- PatchSVD:一种基于非均匀 SVD 的图像压缩算法
一种基于奇异值分解算法的基于区域的有损图像压缩技术 PatchSVD,在图像压缩领域具有优势,与 JPEG 和基于 SVD 的压缩方法相比,PatchSVD 具有可取代的压缩效果和压缩伪影。
- 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。
- 基于 CNN 的图像编码在人类视觉层进行后期处理
本文提出了一种将后处理方法整合到可伸缩编码方案中以提高解码图像质量的方法,并通过与传统方法的比较验证了其有效性。
- 通过可逆神经网络增强遥感图像压缩中的感知质量
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。 - 基于基础扩散模型的有损图像压缩
利用扩散模型在图像压缩领域具有潜力,能够在极低码率下产生逼真且详细的重建结果。本研究提出了一种将扩散用于去除量化误差,以恢复传输图像潜在信息的去噪方法,相较于之前的方法,我们的方案只需要进行不到 10% 的扩散生成过程,并且无需对扩散模型进 - 高效能图像存储:利用超分辨率生成对抗网络实现可持续压缩和减少碳足迹
该研究旨在提出一种将图像压缩技术与超分辨率生成对抗网络结合的基于云存储的图像存储方法,以减少能源和资源消耗,降低碳排放,并通过 PSNR 和 SSIM 度量评估其有效性。同时提供了数学分析来计算能量消耗和碳足迹评估,该提议的数据压缩技术在环 - MM用于遥感中安全有损图像压缩的卷积变分自编码器
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。
- CVPR神经编解码器中基于拉普拉斯的熵模型与模糊扩散合成
我们提出了一种使用非各向同性扩散模型的图像压缩框架,该模型在解码器端引入了一种感知偏差,以生成高质量图像。此外,我们还使用了一种新颖的熵模型来准确建模潜在表示的概率分布,并利用潜在空间中的空间通道相关性来加速熵解码。实验证明,我们的框架在感 - 强大的有损压缩技术对于噪声图像
我们提出的信噪比感知联合解决方案利用局部和非局部特征对图像压缩和去噪进行同时处理,通过设计一个端到端可训练的网络,它包括主编码器分支、引导分支和信噪比感知分支,我们在合成和真实数据集上进行了广泛实验,证明我们的联合解决方案优于现有的最先进方 - 探究图像压缩对于类别增量学习的影响
本论文提出了一种新的框架,通过图像压缩来增强连续机器学习中缓冲区的容量,包括预处理数据压缩步骤和高效的压缩率 / 算法选择方法,通过在 CIFAR-100 和 ImageNet 数据集上进行广泛实验,证明了该方法在连续机器学习环境中显著提高 - 学习的基于提升的变换结构在完全可扩展和可访问的小波图像压缩中的应用探索
通过对多种神经网络与基于 lifting 的小波变换相结合的方式的特性和性能的全面研究,本文提出了一种学习到的类似小波变换,相比 JPEG 2000 在紧凑空间支持下实现了超过 25% 的比特率节省。
- JPEG-AI 验证模型中的比特率匹配算法优化
通过渐进式的算法优化,目前的 JPEG-AI 验证模型在匹配比特率时有了四倍的加速,基本操作点的 BD 率性能提高了 1%,在高操作点,加速增加至六倍。
- ICLR挖掘微比特每像素下语义图像压缩的极限
本研究使用 GPT-4V 和 DALL-E3 探索图像压缩的质量 - 压缩性能边界,并通过介绍迭代反射过程改善解码图像,将语义压缩推到 100 μbpp(比 JPEG 小了 10,000 倍)。进一步假设这个 100 μbpp 水平代表标准 - 学习式图像压缩与文本质量增强
通过使用我们提出的文本逻辑损失函数,在图片压缩中获得显著的文本重建质量提高,其结果显示平均字符错误率 (CER) 下降了 -32.64%,单词错误率 (WER) 下降了 -28.03%,并且我们还提出了适用于评估图像压缩中文本质量的定量指标 - 联合端到端图像压缩和去噪:利用对比学习和多尺度自注意机制
本文提出了一种集成多尺度去噪器的新方法,用于联合图像压缩和去噪。通过强调噪声与干净图像之间的相关性,采用对比学习的方式来提高网络区分噪声与高频信号的能力,实验证明该方法在失真性能和编解码速度方面优于当前的最新技术水平。
- 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。
- 频率导向变换的端到端优化图像压缩
基于频率导向变换的端到端图像压缩模型能够提高图像压缩性能并保持语义相容性。
- 基于 ROI 权重的学习图像压缩与比特分配
我们提出了一种用于图像压缩的方法,通过使用对抗性损失生成逼真的纹理,利用感兴趣区域(ROI)掩码来指导不同区域的位分配,以达到更好的感知质量。
- 逐步特征融合网络用于提升图像质量评估
本论文提出了一种新的图像质量评估框架,采用细粒度网络获取多尺度特征,并设计一种交叉减法块用于在正负图像对内分离和收集信息,从而实现特征空间中的图像比较。实验结果表明,相比目前主流的图像质量评估方法,该网络可以实现更准确的图像质量评估,并在 - 利用采样和隐式神经表示的高光谱图像压缩
基于隐式神经表示的多层感知器网络在高光谱图像压缩中充当压缩编码器,通过对每个像素位置进行评估以重建原始图像,并通过采样方法来降低压缩时间,实验证明该方法在低比特率下比 JPEG、JPEG2000 和 PCA-DCT 实现更好的压缩性能,与学