端到端图像压缩
文章平均质量分 92
大笨钟47
这个作者很懒,什么都没留下…
展开
-
紧凑的深度特征表示
压缩特征编码原创 2022-06-17 17:28:19 · 1295 阅读 · 0 评论 -
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 · 4028 阅读 · 0 评论 -
Improving Compression Artifact Reduction via End-to-End Learning of Side Information-2020
概要:该文提出通过传输side信息来减弱基于神经网络压缩方法的伪影。6.1 应用场景:该文的工作是初步的探索端到端学习边信息的压缩,为得到增强的解码信息提供了借鉴。6.2 关键设计思路:边信息是由编码器通过分析原始图像和压缩图像之间的差别而获得的伪影描述符。在解码器中,接收到的描述符作为后处理神经网络的附加输入。同时为了降低传输开销,在速率失真约束下,通过端到端学习对整个模型进行了联合优化。模型架构6.2.1 Artifact Decriptor Extraction下图为所设计的Arti原创 2022-03-30 22:17:36 · 1721 阅读 · 0 评论 -
IMAGE CODING FOR MACHINES: AN END-TO-END LEARNED APPROACH 2021
1.1 摘要在本文中,我们提出了一种基于神经网络(NN)的、基于端到端学习的机器的图像编解码器。特别地,我们提出了一套训练策略,以解决平衡竞争损失函数的微妙问题,如计算机视觉任务损失、图像失真损失和速率损失。我们的实验结果表明,我们的基于nn的编解码器在目标检测和实例分割任务上优于最先进的通用视频编码(VVC)标准,分别实现了-37.87%和-32.90%的bd率增益。以下游任务为主导的编解码系统1.2 模型我们提出了一种针对任务性能(ICM)系统的图像编码,而不是像素域保真度。我们的编解码器包括一原创 2022-03-30 14:56:57 · 2946 阅读 · 0 评论