- ICML神经 NeRF 压缩
该论文提出了一种针对基于网格的 NeRF 模型的效率压缩方法,使用非线性变换编码范式和神经压缩对模型的特征网格进行压缩,引入重要性加权的失真率目标和利用掩蔽机制的稀疏熵模型以利用潜在特征网格的空间不均匀性,实验证明该方法在基于网格的 NeR - 加速相对熵编码的空间分割
使用空间分割减少运行时间的相对熵编码(REC)算法可成功处理具有三倍于先前方法的 KL 散度,并将压缩率与先前方法相比提高了约 5-15%,显著改善了神经压缩中的 REC 方法的实用性。
- 利用格码变换在神经压缩中接近速率失真限制
深度学习压缩方法中,通过在潜变量空间中使用晶格量化而非标量量化能够实现对向量量化的最优恢复,提高了一次性编码性能和块编码效果。
- 基于隐式辐射场的适用于高保真头像视频会议的分辨率无关的神经压缩
提出了一种基于神经辐射场的新型低带宽神经压缩方法,用于高保真人像视频会议,该方法利用隐式辐射场实现了高保真的表情特征重建,具有低带宽和高分辨率重建的特点。
- 高保真神经图像压缩的语义集成损失和潜在精炼
该研究提出了一种改进的神经压缩方法,通过使用复杂的语义集成损失、潜在精细化过程和优化可视保真度的目标,显著提高了神经图像压缩的统计保真度,并在 CLIC2024 验证集上相较于 MS-ILLM 在 FID 指标下实现了 62% 的比特率节省 - C3: 单图像或视频的高性能低复杂度神经压缩
C3 是一种神经压缩方法,通过对每个图像或视频进行过度拟合从而获得强大的率失真性能,其解码复杂度与其他具有相似率失真性能的神经模型相比可降低一个数量级。C3 在 COOL-CHIC 的基础上进行改进,并且还开发了将 C3 应用于视频的新方法 - 基于时序约束的自适应图像卸载的渐进神经压缩
通过训练多目标的无限编码器以优化多个压缩比率,并根据可用带宽传输以提高推理性能,提出了一种自适应方法来解决物联网设备资源约束和时间约束下机器学习应用推理性能的问题。
- ECNR: 高效压缩的时间变动容积数据神经表示
本文介绍了一种高效的压缩神经表示(ECNR)解决方案,通过多尺度结构和深度压缩策略,改进了 neurcomp 以处理大规模时变数据集,结果表明 ECNR 是一种有前景的科学数据压缩替代方法。
- 神经压缩潜在表示的图像数据隐藏
我们提出了一个端到端的学习图像数据隐藏框架,通过在通用神经压缩器的潜在表示中嵌入和提取秘密信息。通过结合我们提出的消息编码器和解码器以及感知损失函数,我们的方法同时实现了高质量和高比特准确性的图像。与现有技术相比,我们的框架在压缩领域提供了 - 材质纹理的随机访问神经压缩
本篇论文提出一种新的神经压缩技术,旨在解决由纹理数据增加所引起的存储和内存需求问题;该方法可实现低比特率压缩,同时达到更好的图像质量,支持实时解压,具有与 GPU 上的块纹理压缩类似的随机存取性能,并使用自定义训练实现实际的压缩速度。
- 视觉识别模型对图像压缩是否具有鲁棒性?
本文研究图像压缩对图像分类、目标检测及语义分割等三种视觉识别任务准确性的影响。研究采用传统编解码器及最新的神经压缩方法进行实验,探究压缩比从 0.1 到 2bpp 下的识别准确度。实验发现,在强压缩下,三个任务的识别准确度都会受到显著影响。 - 隐式神经表示的无模态限制变分压缩
介绍了一种基于内涵神经表征(INR)的模态不可知神经压缩算法,使用变分压缩的方法优化了 INR 的表征能力,其在多种模态的数据集中表现出色,且在 JPEG 2000、MP3 和 AVC/HEVC 编码技术等领域实现了优于其他 INR 技术的 - 神经数据压缩简介
本文介绍了神经压缩的概念及其在数据压缩领域中的应用,首次完整回顾了信息论和计算机视觉的背景知识,并提供了一个文献综述,总结了目前领域内的主要意见和方法。
- COIN++:跨模态神经压缩
COIN++ 提供了一种神经压缩框架,它基于将数据转换为隐式神经表示,并利用元学习的基网络来存储应用于数据的调制,从而实现大量压缩收益并降低编码时间。
- iFlow: 通过统一编码器实现数值反转流的高效无损压缩
本文介绍了使用归一化流实现高效无损压缩的新方法 iFlow, 该方法基于模块化缩放变换提出了一系列数值可逆流变换,同时引入了 Uniform Base Conversion System(UBCS)实现快速均匀分布编码,iFlow 实现了最 - 样本通信算法
提出了两种新的编码方案,分别是基于有序随机编码(ORC)的编码方案和使用抖动量化的混合编码方案,用于有效传输噪声数据并降低编码成本。
- 随机编码器的优点
本文提供了一个基于玩具模型的例子,表明随机编码器在完美的感知质量范围内可能会显著优于最佳确定性编码器。