- ICML关于感知有损压缩:感知重构成本及最优训练框架
该研究提出了一种全新的训练框架,使用生成对抗网络(GAN)和优化过的编码器来实现在完美感知质量下给定比特率的最低均方误差(MSE)畸变。
- 一种速率 - 失真 - 感知函数的编码定理
该论文研究了采用随机变长编码实现率 - 失真 - 感知函数,进一步探究该理论在失真压缩方面的应用。
- CVPR通过联合有损图像压缩和残差压缩学习可扩展的 L∞约束无损图像压缩
本文提出了一种新型的联合有损图像和剩余压缩框架,用于学习 l∞约束的接近无损图像压缩,通过有损图像压缩获得原始图像的有损重建,并均匀量化相应的剩余部分以满足给定的紧 l∞误差界限。
- 用相对熵编码图像的潜在表示来压缩图像
提出了一种新的相对熵编码方法 Relative Entropy Coding (REC),可应用于单图像的压缩,并在 Cifar10、ImageNet32 和 Kodak 数据集上进行了实证研究,得到了支持 REC 的实证结果;与之前的 b - 速率失真准确性权衡:JPEG 案例研究
本研究探讨了数字图像处理中的压缩方法对图像失真度和分类准确率的影响,特别是在 JPEG 压缩标准的量化表设计方面进行新的优化,取得了显著的性能提升。
- 普适量化神经压缩
通过实现一种统一的量化方式,消除训练和测试阶段的不匹配,使我们能够使用可完全区分的损失函数学习编码器。当遇到没有关于分布的假设时,这种方法的通用性可能会面临计算上的困难。最后,我们还展示了量化如何通过软量化实现,从而将压缩与无量化桥接起来。
- CVPR失真受限优化下的有损压缩
该研究论文提出在训练损失压缩的端到端学习模型时,使用约束优化方法比传统的 beta-VAE 方法更合适,因为它可以在保持失真率的情况下获取最佳速率,实现点对点模型比较。
- 深层感知压缩
本文探讨了深度学习压缩技术中常用的 MS-SSIM 和 MSE 误差函数与人类感知之间的关系,提出了 Deep Perceptual Compression 技术,通过在深度感知指标和 MS-SSIM 之间进行联合优化,相比先前的学习压缩方 - 通过回声噪声在自编码器中精确实现速率 - 失真
该研究论文介绍了一种新的噪声通道 —— Echo noise,该噪声通道不需要局限于分布假设,具有复杂的编码机制和精确的率规则化,能够在可实现的失真率权衡范围内占据支配地位,并能够在无需训练附加分布转换的情况下优于基于流的方法。
- ICML重新思考无损压缩:速率 - 失真 - 感知之间的权衡
通过采用 Blau & Michaeli 2018 年提出的感知质量的数学定义,研究了速率、失真和感知之间的三重权衡,我们证明了该三重权衡的几个基本属性,并在一个玩具 MNIST 例子上进行了可视化说明。
- 通过减少客户资源需求扩大联邦学习的覆盖范围
采用两种新策略(global model 压缩和 Federated Dropout)和现有压缩方法的结合,可以综合降低联邦学习对服务器到客户端通信的成本高达 14 倍、本地计算量 1.7 倍并在上传通信方面降低 28 倍,同时不降低最终模 - CVPR变形感知图像压缩
本研究提出了一种对几何变形不敏感的误差度量,用于在任何现有的压缩方案中实现最佳压缩,从而在保留图像细节的同时大大提高了多种编解码器的视觉质量。
- 深度特征压缩用于协同目标检测
本论文探讨了在移动设备和云端之间进行特征数据通讯的 “协作智能” 范式,研究了损失压缩特征数据对协作物体检测准确性的影响,并提出了一种策略来提高其在损失特征压缩下的准确性。实验结果表明,采用该策略,通信开销可以降低 70%而不会牺牲准确性。
- 通用深度神经网络压缩
本文研究深度神经网络的权重量化和无损源编码的有损压缩以实现内存有效部署,通过引入通用向量量化和通用源编码,实现了通用的深度神经网络压缩,并尝试运用通用随机格量化方法来随机化神经网络权重,证明该方法在压缩 32 层的 ResNet 和 Ale - ICCV深度生成对抗网络压缩伪影去除
利用生成对抗网络模型和卷积残差网络结构,该论文提出了一种用于去除图像压缩失真的方法,并且该方法在物体检测方面的性能表现优于传统的均方误差和结构相似性优化算法。
- 使用深度卷积网络的语义感知图像压缩
应用深度学习的方法解决在损失图像和视频压缩中提高视觉质量的问题,通过训练一个特定的卷积神经网络,实现对图像语义的理解,并通过对每个对象训练特征的方式生成高质量的压缩图像。
- MMHEVC 基础编码中的卷积神经网络后处理方法
本文提出了一种基于卷积神经网络的后处理算法用于高效视频编码,相较于 HEVC 基线平均比特率减少了 4.6%,并在实现更高的比特率降低,更低的内存成本和更快的计算速度方面优于以前研究的网络。
- ICCV深度卷积网络用于压缩伪影降噪
通过深度卷积网络的成功在超分辨率方面的成功,该论文提出了一种紧凑有效的网络,用于无缝衰减不同类型的压缩伪影,并证明使用传输学习和易于困难学习的思想可以在低级别视觉问题中实现出色的性能。
- 确定性信息瓶颈
本文介绍一种替代信息瓶颈方法(IB)的确定性信息瓶颈(DIB),使用熵来度量压缩,得到硬聚类的解决方案,与 IB 相比,DIB 在 DIB 成本函数上明显优于 IB,并在收敛参数范围内提供计算效率的大幅提升。
- 深度卷积网络降低压缩伪影
该研究提出了一种基于深度卷积网络的紧凑高效方法来无缝地衰减不同压缩引起的复杂压缩伪影,同时展示了在多个现实场景下该方法的优越表现和适用性。