Tag · 3 篇
感知质量优化
分布 高效模型与推理加速1底层视觉与图像复原1生成模型与扩散1
01 02 03
实用学习型图像压缩中真正重要的因素
What Matters in Practical Learned Image Compression
论文把感知质量与端侧运行时延作为联合优化目标，并用数百万骨干网络配置的感知性能神经架构搜索来寻找帕累托前沿，这套「感知指标驱动的 NAS + 时延约束」流程可直接迁移到超分、去噪等底层视觉模型的端侧部署设计。
基于浅层编码器的超低码率感知图像压缩
Ultra-Low Bitrate Perceptual Image Compression with Shallow Encoder
用浅层编码器加单步扩散解码器做非对称极低码率压缩，为边缘设备上的图像传输提供了可复用的「轻编码、重解码」范式，其中双侧特征蒸馏可迁移到其他编码器轻量化场景。
基于视频扩散先验的生成式神经视频压缩
Generative Neural Video Compression via Video Diffusion Prior
把视频扩散 Transformer 的流匹配去噪先验迁移到压缩潜变量的序列级精修上：从解码潜变量而非纯噪声初始化，并学习一个修正项来适配压缩退化，这一「以退化潜变量为起点的少步精修」思路可直接复用于超分、去压缩伪影等低层复原任务。