CLIC2020
PulseAugur coverage of CLIC2020 — every cluster mentioning CLIC2020 across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
New PICA framework enhances image compression with adaptive multi-agent system
研究人员开发了一种新颖的多智能体框架 PICA，旨在通过将现有编解码器适应不同场景和降级输入来增强图像压缩。该系统利用四个协作智能体——感知（Perception）、改进（Improvement）、编码（Coding）和后编码（After-coding）——来解读用户意图，优化预编码恢复，精炼质量设置，并处理残余伪影。PICA 的智能体 ROI 编码 (AROIC) 允许编解码器无关的区域适应，从而无需重新训练即可自动调度和评估编码计…
-
PerQ 通过逆生成建模重新定义图像压缩
研究人员推出了一种新颖的神经图像压缩方法 PerQ，该方法解决了像素保真度和感知质量之间的权衡问题。PerQ 将感知重建重新定义为逆生成建模，使用一个连接到现有失真优化骨干网络的速率条件流匹配补偿器。该方法可以在不牺牲骨干网络编码性能的情况下实现感知增强。在 Kodak 和 CLIC2020 等标准数据集上的实验表明，PerQ 实现了与生成式编解码器相当的感知质量，同时保持了具有竞争力的 PSNR，并且单个模型支持广泛的比特率范围。
-
AFP-GIC 推动可控生成图像压缩，降低延迟
研究人员开发了用于可控生成图像压缩的自适应融合先验迁移（AFP-GIC）框架，该框架旨在提高极低比特率下的重建质量。AFP-GIC 利用预训练模型的自适应融合先验来指导潜在表示的形成和重建，使其能够在不传输先验本身的情况下合成缺失的细节。与 DC-VIC 等现有最先进的方法相比，这种方法降低了解码器延迟和推理参数数量，同时实现了具有竞争力的性能指标和明显的感知优势。
-
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。