本文探讨了一篇关于使用生成对抗网络（GANs）构建深度图像压缩模型的论文，该模型包括编码器、解码器/生成器和多尺度判别器。研究指出，即使在低比特率下，其方法也优于传统方法，甚至当传统方法使用超过两倍的比特时，其解压缩图像的质量仍然更优。此外，该方法适用于立体和医学图像的压缩。
此学习笔记系列 is focus on a paper called "Generative Adversial Networks for Extreme Learned Image Compression"
文章连接： https://arxiv.org/abs/1804.02958
0. Abstract
整篇文章提出了一个以GANs framework 为基础的deep image compression model which includes an encoder, a decoder/generator and a multi-scale discriminator.
"A user study confirms that for low bitrates, our approach is perferred to state-of-the-art methods, even when they use more than double the bits." 重点在于即使之前的方法用了多于2倍的bits，在深层压缩之后，所解压的图片也没有此方法创造出来的图片效果好！
1. Introduction
1. modern engineered codecs (现代工程编解码器): WebP, JPEG2000, BPG. (最基本的方法)
2. Image compression systems based on deep nerual netowrks (DNNs) （进阶的方法）
Advantage:
Not only achieving competitive compression rates on
最低0.47元/天 解锁文章
1125
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
