MS-ILLM
PulseAugur coverage of MS-ILLM — every cluster mentioning MS-ILLM across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
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。
-
PULSE 图像压缩通过人机 LLM 协作实现低延迟 CPU 解码
研究人员开发了 PULSE，一种专为单线程 CPU 高效解码而设计的新型图像压缩方法。该系统采用超低复杂度神经网络接收器和整数线性 CDF 预测器，实现位精确熵编码。通过涉及人机 LLM 协作的代理演化过程，PULSE 在单 CPU 线程上实现了 126 毫秒内 1080p 图像的低延迟解码，并且在感知优化后，其压缩性能可与 HM 和 MS-ILLM 等成熟编解码器相媲美。
-
ProGIC 提供轻量级、渐进式图像压缩
研究人员开发了一种新的生成图像压缩方法 ProGIC，该方法使用残差向量量化来实现渐进式、轻量级压缩。这种方法允许粗略到精细的重建和渐进式比特流，从而可以通过部分数据进行预览。ProGIC 在压缩性能上与现有方法相当，同时在速度和效率方面有显著改进，使其适合在各种设备上实际部署。
-
新的图像压缩方法移除熵编码以获得更快的性能
研究人员开发了一种名为EF-LIC的新型学习图像压缩方法，该方法无需传统的熵编码。通过无约束向量量化和上下文条件自回归变换，消除了统计和相关冗余，从而显著降低了编码延迟。实验表明，EF-LIC在实现与现有方法相当的压缩性能的同时，提供了显著的速度提升，编码速度提升超过3倍，解码速度提升5倍。