实体
CLIC2020
CLIC2020
PulseAugur coverage of CLIC2020 — every cluster mentioning CLIC2020 across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新型语言模型推动生成式图像压缩发展
研究人员开发了FLM，这是一种新颖的频率感知语言模型，专为生成式图像压缩而设计。该模型将图像转换为离散的DCT系数序列，然后FLM利用这些序列自回归地预测用于算术编码的token概率。这种方法允许确定性重建，同时显著提高压缩效率，尤其是在低比特率下。实验表明，FLM的性能优于现有方法，在标准数据集上实现了显著的BD-PSNR增益，并通过保持语义保真度和减少块状伪影提供了更好的定性结果。
-
新的SDGIC方法提高了生成图像压缩中的语义一致性
研究人员开发了一种名为SDGIC的新生成图像压缩方法，旨在在超低比特率下保持语义一致性。该框架通过三个不同的引导流解决了生成压缩中的语义歧义问题：文本标题用于全局语义，高度压缩的图像用于视觉细节，以及感知感知语义残差令牌（RSRTs）用于重建特定的语义约束。这些流被集成到双路径条件扩散解码器中，以有效地引导基于扩散的重建过程。实验表明，SDGIC在保持感知质量的同时显著提高了语义一致性，在CLIC2020数据集上AFINE降低了23.4%。
-
新型扩散模型优化图像压缩的权衡
研究人员开发了一种名为双约束扩散图像压缩（DCIC）的新型图像压缩技术。该方法集成了学习型编解码器和基于扩散的解码器，利用失真和幂等性约束来联合优化保真度和感知真实感。DCIC 允许从单个比特流连续调整这两个方面的权衡，与现有方法相比，在保真度和感知质量方面均表现出更优越的性能。