随笔分类 - 深度学习
摘要：目录简介引入文章贡献对 DCT 系数残差进行编码比对原始 DCT 系数进行编码更有利于压缩模型框架模型的应用场景null 简介 JPEG图像编码格式由于其简单高效在各种设备和网站上被广泛使用，随着互联网的发展和移动设备的普及大量用户生成的JPEG图像被上传到各社交网站或者储存在个人
阅读全文
摘要：目录优势原理人对亮度信息更为敏感人对高频信号并不敏感 优势 DCT变换可以将高频信号与低频信号分开，从而在压缩时将下三角区域的高频信号进行更充分的压缩(其实就是进行更离散的量化) 原理 人对亮度信息更为敏感 首先将RGB格式转化为YCbCr格式，做DCT变换(这是为了便于分别对亮度和色度分量进行处理
阅读全文
摘要：RD性能： 结合图像重压缩的MLCC模型以及 自编码器中的注意力机制 The Devil Is in the Details: Window-based Attention for Image Compression(全注意力机制 可以换成ViT) Joint Global and Local Hi
阅读全文
摘要：目录简介创新点内容Entropy Coding Using Multistage Context Model模型结构残差邻域注意力块Residual Neighborhood Attention Block RNAB激活函数 高斯误差线性单元激活函数GELU多阶段上下文模型 (MCM)并行解码 简介
阅读全文
摘要：目录简介创新点模型框架信道条件熵模型实验&结果 简介 熵约束自动编码器的熵模型同时使用前向适应和后向适应。 前向自适应利用边信息，可以被有效加入到深度网络中。 后向自适应通常基于每个符号的因果上下文进行预测，这需要串行处理，这妨碍了GPU / TPU的有效利用。 创新点 本文引入两个增强模块，通道调
阅读全文
摘要：目录传统方法的局限性端到端的基于学习的方法熵编码过程 传统方法的局限性 传统的方法基于分割的图像块，会产生伪影。 编码器的各个组件之间依赖关系复杂，难以手动进行整体优化。 单个模块得到较大提升后，模型整体可能不会有太大提高。 端到端的基于学习的方法 对模型整体进行联合优化，对单个组件的改进会影响模型
阅读全文
摘要：目录简介Nvidia驱动和cudatoolKit下载引导检验命令pytorch(最好使用wheel)pycharm添加解释器环境 简介 首先我们要下载的东西包括： anaconda（虚拟环境管理） pycharm(代码 项目编辑器) Nvidia驱动和CUDAtoolKit(CUDA就是由CUDA驱
阅读全文
摘要：通常我们需要去估计某符号出现的条件概率: 例如，在一个评分预测中，我想得到对某个序列的评分的概率。 如图 如果我想知道item4各个标签出现的概率，那么需要先计算item4条件下其他符号出现的概率P(X|item4)以及item
阅读全文
摘要：目录简介创新点模型设置CCCM compressed checkerboard context modelPPCM pipeline parallel context modelShift Context实验设置结果 简介 本文是GuoLina以及HeDailan商汤团队关于重压缩的第二篇论文，这次
阅读全文
摘要：目录简介模型DCT Coefficients Rearrangement 将系数重排Cross-Color Entropy ModelMatrix Context ModelMulti-Level Cross-Channel Entropy Model创新点实验设置训练数据集：测试数据集:训练细节:
阅读全文
摘要：目录简介 简介 JPEG算法首先将RGB源图像转换为YCbCr色彩空间(一个亮度分量(Y)和两个色度分量(Cb和Cr))（RGB图像模式与YCbCr彩色空间的关系见上一篇文章） 大多数JPEG图像采用YCbCr 4:2:0格式，其中Y保持相同的分辨率，而Cb和Cr分量被下采样为其原始分辨率的1/4
阅读全文
摘要：直接对原始图像进行压缩的研究非常成熟，但是对JPEG等服务器上数据进行重压缩的文章似乎很少，其实两者的目的都是去消除图像中的冗余信息。那么似乎我可以在图像压缩研究的基础上，探索如何在二次压缩时消除图像中的冗余信息。 这是第一篇基于深度学习的图像重压缩文章Practical Lear
阅读全文
摘要：目录RGBYUVYCbCr RGB RGB图像具有三个通道R、G、B，分别对应红、绿、蓝三个分量，由三个分量的值决定颜色；通常，会给RGB图像加一个通道alpha，即透明度，于是共有四个分量共同控制颜色。 那么对于一张1920 * 1080的图片，如果采用RGBA编码格式，这一张图片加载到内存并在设
阅读全文
摘要：目录简介原理介绍 简介 先说结论：JPEG中的质量参数允许取1~100间的任意一个整数。质量取得越大，压缩比就越低，压缩后的图像文件占用空间就越大，压缩后的图像与原图的相似度就越高，甚至当质量取100时，JPEG就变成了无损压缩算法。 原理介绍 量化表是固定的，亮度(Y)和色度(Cb、Cr)矩阵需要
阅读全文
摘要：本地图像在上传服务器时，由于所占存储空间比较大，一般会进行压缩上传： 一般分为前端压缩和后端压缩。 前端压缩：在上传之前在客户端的进行压缩，然后再上传。 后端压缩：在服务器端接收到上传的图片后，在服务器端对图片进行压缩。 通常进行先进行前端压缩，然后如果图像仍然太大，则会进行二次压缩。 那么上传时的
阅读全文
摘要：目录安装pytorch环境首先使用conda创建新环境（python和cuda版本根据自己服务器类型选择）然后在新环境安装相应版本的pytoch，（可去官网查找安装命令）https://pytorch.org安装教程遇到的问题下载compressai 安装pytorch环境 首先使用conda创建新
阅读全文
摘要：在安装compressai的时候，想用它自带的setup.py把相应库安装好，但是需要先下载pybind11 下载时遇到如下问题： ERROR: Could not install packages due to an OSError: [Errno 2] No such file or direc
阅读全文
摘要：目录简介创新之处模型结构实验结果 什么是Quantization-Aware量化感知？ 简介 该文章基于VAE提出一种多层次的图像压缩方法 专门设计了用于快速解码(CPU)的QARV网络结构，并为可变速率压缩提出自适应归一化操作。 创新之处 提出了一个算法模型，实现了更快的解码速度和更好的R-D性能
阅读全文
摘要：#开局命令 bash conda activate checkb nohup python examples/train.py -m cheng2020-attn -d/home/user3/compressai/examples/data2 --epochs 400 -lr 1e-4 --batc
阅读全文
摘要：熵模型 论文<VARIATIONAL IMAGE COMPRESSION WITH A SCALE HYPERPRIOR 提出使用超先验，来捕获潜在表示的超先验。 追根溯源发现：在香农的通信理论中给出数学解释 即，使用联合分布比独立分布更优 如果有先验的信息，对后续编码而言其不确定性会更小，从而获得
阅读全文
