图像压缩
文章平均质量分 94
大笨钟47
这个作者很懒,什么都没留下…
展开
-
2021 Image Compression with Recurrent Neural Network and Generalized Divisive Normalization
概要该文提出了两种有效的新编解码块:采用卷积层和Generalized Divisive Normalization(GDN)的分析(analysis)和合成块(synthesis)。该文的网络利用pixel RNN方法进行量化。此外,为了改进整个网络,我们使用LSTM细胞对残差图像进行编码,以减少不必要的信息。1. 网络结构下图给出了两块图像压缩的总体体系结构:每个输入(image patch)首先被传递到分析(analysis)编码器块,以丰富图像表示。类似地,合成(synthesis)-解码原创 2022-04-05 19:51:25 · 4045 阅读 · 0 评论 -
Generative Adversarial Networks for Extreme Learned Image Compression-2019
1. 2019然而,深度压缩系统通常针对传统的失真指标进行了优化,如峰值信噪比(PSNR)或多尺度结构相似度(MS-SSIM)[45]。对于非常低的比特率(低于每像素0.1位(bpp)),保留完整的图像内容变得不可能,这些失真指标失去了意义,因为它们倾向于像素级保留局部(高熵)结构,而不是保留纹理和全局结构。概要在本文中,我们提出了一个原则的全分辨率GAN压缩框架,并使用它来实现一个极端的图像压缩系统(目标比特率低于0.1bpp)。此外,与之前的工作相比,我们提供了在全分辨率图像压缩的背景下,这种框架原创 2022-03-18 10:23:27 · 475 阅读 · 0 评论 -
2019_Generative Adversarial Networks for Extreme Learned Image Compression
2019然而,深度压缩系统通常针对传统的失真指标进行了优化,如峰值信噪比(PSNR)或多尺度结构相似度(MS-SSIM)。对于非常低的比特率(低于每像素0.1位(bpp)),保留完整的图像内容变得不可能,这些失真指标失去了意义,因为它们倾向于像素级保留局部(高熵)结构,而不是保留纹理和全局结构。概要在本文中,我们提出了一个原则的全分辨率GAN压缩框架,并使用它来实现一个极端的图像压缩系统(目标比特率低于0.1bpp)。此外,与之前的工作相比,我们提供了在全分辨率图像压缩的背景下,这种框架的第一个彻底的原创 2022-03-13 23:34:38 · 3857 阅读 · 0 评论 -
2016:Variable rate image compression with recurrent neural networks
概要 该文提出了一个可变速率图像压缩的通用框架和一种基于卷积和反卷积LSTM递归网络的新架构。(不需要针对每个速率单独进行训练)应用场景适用于低分辨率图像的压缩及可变码率。1. Variable Rate Compression ArchitectureEncoder: function E. 以一个图像补丁作为输入,并生成一个编码后的vector(encoded representation)Binaryization: function B. 由一个二值化函数B来处理编码后的vec原创 2022-03-13 14:52:42 · 445 阅读 · 2 评论 -
基于RNN的可变速率图像压缩
概要 该文提出了一个可变速率图像压缩的通用框架和一种基于卷积和反卷积LSTM递归网络的新架构。(不需要针对每个速率单独进行训练)1. Variable Rate Compression ArchitectureEncoder: function E. 以一个图像补丁作为输入,并生成一个编码后的vector(encoded representation)Binaryization: function B. 由一个二值化函数B来处理编码后的vectorDecoder: fuction D.原创 2022-03-11 13:10:44 · 1557 阅读 · 0 评论