HiLLoC: Lossless Image Compression with Hierarchical Latent Variable Models
University College London（伦敦大学学院）
我们做出了以下惊人的观察：在32 x32 ImageNet上训练的完全卷积VAE模型可以很好地泛化，不仅可以泛化到64 x64，还可以泛化到更大的照片，而模型没有变化。我们使用这个属性，将完全卷积模型应用于无损压缩，展示了一种方法，可以将基于VAE的“Bits-Back with ANS”算法扩展到大型彩色照片的无损压缩，并实现最先进的全尺寸ImageNet图像压缩。我们发布了Craystack，这是一个开源库，用于使用概率模型方便地进行无损压缩原型设计，以及我们所有压缩结果的完整实现。
2019-12-20 cs.CV cs.LG eess.IV
Lossy Image Compression with Quantized Hierarchical VAEs
Nanjing University（南京大学）；Purdue University（普渡大学）
最近的研究表明，变分自编码器（VAE）和率失真理论之间有很强的理论联系。受此启发，我们从生成式建模的角度考虑有损图像压缩问题。从最初为数据（图像）分布建模而设计的ResNet VAE开始，我们使用量化感知的后验和先验来重新设计其潜变量模型，从而在测试时实现轻松的量化和熵编码。随着改进的神经网络架构，我们提出了一个强大而有效的模型，优于以前的方法对自然图像的有损压缩。我们的模型以从粗到细的方式压缩图像，并支持并行编码和解码，从而在GPU上快速执行。代码可在https://github.com/duanzhiihao/lossy-vae上获得。
2023-03-25 cs.CV cs.LG eess.IV
Lossless Image Compression Using a Multi-Scale Progressive Statistical Model
Nokia Technologies（诺基亚科技）；Tampere University（坦佩雷大学）
无损图像压缩是在不允许信息丢失的情况下实现图像存储和传输的重要技术。随着深度学习技术的快速发展，深度神经网络已被用于该领域以实现更高的压缩率。基于逐像素自回归统计模型的方法表现出良好的性能。然而，顺序处理的方式使这些方法在实际中难以应用。最近，多尺度自回归模型已经被提出来解决这个限制。多尺度方法可以有效地使用并行计算系统，并建立实用的系统。然而，这些方法牺牲了压缩性能以换取速度。在本文中，我们提出了一个多尺度渐进统计模型，利用像素的方法和多尺度的方法。我们开发了一种灵活的机制，可以很容易地调整像素的处理顺序。我们提出的方法优于国家的最先进的无损图像压缩方法在两个大的基准数据集上的显着保证金，而不会显着降低推理速度。
2021-08-24 cs.CV cs.LG eess.IV
Lossless Microarray Image Compression by Hardware Array Compactor
微阵列技术是一种新的、强有力的同时监测大量基因表达的工具。每个微阵列实验产生数百个图像。每个数字图像都需要很大的存储空间。因此，这些图像的实时处理和传输需要高效和定制的无损压缩方案。在本文中，我们提供了一个新的架构的无损压缩的微阵列图像。在这种架构中，我们使用了专用的硬件从背景像素的前景分离。通过分离这些像素并使用流水线结构，与其他现有方法相比，实现了更高的无损压缩比。
2023-03-18 cs.CV eess.IV
FLLIC: Functionally Lossless Image Compression
ANGEL Lab, Nanyang Technological University, Singapore（南洋理工大学新加坡分校ANGEL实验室）；School of Computing and Artificial Intelligence, Southwest Jiaotong University, Chengdu, China（西南交通大学计算机与人工智能学院）
本文提出功能无损图像压缩（FLLIC）范式，对最优去噪后的图像进行无损压缩，以突破数学无损压缩的性能壁垒，在联合去噪与压缩任务中取得最先进性能且计算成本更低。
2025-07-22 cs.CV eess.IV
Comparison of Lossless Image Formats
Brno University of Technology（布尔诺理工大学）
近年来，一个装有图像和视频压缩格式的袋子被撕开了。然而，它们中的大多数都集中在有损压缩上，并且仅勉强支持无损模式。在本文中，我将重点介绍无损格式和关键问题：“哪一种是最有效的？“事实证明，FLIF是目前无损图像压缩最有效的格式。这一发现与FLIF开发人员停止其开发转而支持JPEG XL形成鲜明对比。
2021-06-25 cs.CV eess.IV
Lossless Compression of Mosaic Images with Convolutional Neural Network Prediction
McMaster University（麦克马斯特大学）
我们提出了一个基于CNN的预测无损压缩方案的原始彩色马赛克图像的数码相机。这个专门的应用问题以前没有得到充分研究，但现在变得越来越重要，因为用于图像恢复任务的现代CNN方法（例如，超分辨率、低光照增强、去模糊），必须对原始原始马赛克图像进行操作以获得最佳可能结果。本文的关键创新点是空间-光谱镶嵌模式的高阶非线性CNN预测器。深度学习预测可以更准确地对空间-光谱镶嵌图像中高度复杂的样本依赖性进行建模，从而比现有的图像预测器更彻底地消除统计冗余。实验表明，所提出的CNN预测器实现了前所未有的无损压缩性能的相机原始图像。
2020-01-28 cs.CV eess.IV
Large Language Model for Lossless Image Compression with Visual Prompts
Shanghai Jiao Tong University（上海交通大学）；China Telecommunications Corporation（中国电信集团有限公司）
本文提出一种结合视觉提示的大型语言模型新范式，用于无损图像压缩，通过有损重建作为提示并利用LLM作为熵模型预测残差分布，在多个基准上达到最先进性能，并易扩展到医学和屏幕内容图像。
2025-02-22 cs.CV eess.IV
NeuralLVC: Neural Lossless Video Compression via Masked Diffusion with Temporal Conditioning
Università di Pisa（比萨大学）；Università degli Studi di Firenze（佛罗伦萨大学）
NeuralLVC通过结合掩码扩散与I/P帧架构，实现损失视频压缩，利用时间冗余性，实验表明其在Xiph CIF序列中优于H.264和H.265无损压缩。
2026-09-09 cs.CV eess.IV
Neural Multi-scale Image Compression
The University of Tokyo（东京大学）；Preferred Networks, Inc（优选网络公司）
本研究提出一种新的有损影像压缩方法，利用自然影像的多尺度特性。我们的模型包括两个网络：多尺度有损自动编码器和并行多尺度无损编码器。多尺度有损自动编码器将多尺度图像特征提取到量化变量，并且并行多尺度无损编码器通过并行地对变量进行编码/解码来实现量化变量的快速且准确的无损编码。我们提出的模型在Kodak和RAISE-1 k数据集图像上实现了与最先进模型相当的性能，并且它使用单个GPU和单个CPU进程在70 ms内编码大小为$768 \times 512$的PNG图像，并在大约200 ms内将其解码为高保真图像。
2018-05-16 cs.CV cs.LG stat.ML
Large Language Models for Lossless Image Compression: Next-Pixel Prediction in Language Space is All You Need
City University of Hong Kong（香港城市大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文提出P$^{2}$-LLM，通过像素级先验、上下文学习与语义保持策略增强LLM的下一像素预测能力，使LLM在无损图像压缩上超越现有SOTA编解码器。
2024-11-22 cs.CV eess.IV
Deep Lossless Image Compression via Masked Sampling and Coarse-to-Fine Auto-Regression
Hunan University（湖南大学）；Aixiesheng Corporation（艾克生公司）；University of South China（南华大学）
提出融合有损重建与渐进残差压缩的深度无损图像压缩方法，通过 $T$ 次掩码采样和由粗到细自回归融合多向上下文，在多数据集上取得相当压缩率、更快且更灵活。
2025-03-14 cs.CV eess.IV
Lossless Image Compression Using Multi-level Dictionaries: Binary Images
该研究提出一种基于多级字典的二值图像无损压缩方案，通过学习多尺寸像素模式字典实现编码，在压缩性能上显著优于WebP、现有学习类方案及JBIG2，为低复杂度且有性能保障的无损压缩提供了新思路。
2024-09-11 cs.CV cs.IT cs.LG
Analysis of the Effect of Low-Overhead Lossy Image Compression on the Performance of Visual Crowd Counting for Smart City Applications
Aarhus University（奥胡斯大学）
由遍布智慧城市的摄像头捕获的图像和视频帧通常通过网络传输到服务器，由深度神经网络处理以执行各种任务。原始图像的传输，即，在没有任何形式的压缩的情况下，需要高带宽，并且可能导致拥塞问题和传输延迟。有损图像压缩技术的使用会降低图像的质量，导致精度下降。在本文中，我们分析了应用低开销的有损图像压缩方法对视觉人群计数的准确性的影响，并衡量带宽减少和获得的准确性之间的权衡。
2022-07-20 cs.CV
Effect of Lossy Compression Algorithms on Face Image Quality and Recognition
Hochschule Darmstadt（达姆施塔特应用科学大学）
有损人脸图像压缩会降低图像质量和人脸识别的实用性。这项工作研究了有损图像压缩对最先进的人脸识别模型和多个人脸图像质量评估模型的影响。在特定图像目标尺寸的范围内进行分析。考虑了四种压缩类型，即JPEG，JPEG 2000，缩小的PNG，特别是新的JPEG XL格式。ColorFERET数据库中的正面彩色图像用于感兴趣区域（ROI）变体和肖像变体。我们主要得出结论，JPEG XL允许优越的平均和最坏情况下的人脸识别性能，特别是在较低的目标大小，低于约5kB的ROI变体，而似乎没有关键的优势，在较高的目标大小的压缩类型。现代模型的质量评估与人脸识别性能的压缩效果总体上相关。
2023-02-24 cs.CV
Towards improved lossy image compression: Human image reconstruction with public-domain images
Palo Alto High School（帕洛阿尔托高中）；Monta Vista High School（蒙塔维斯塔高中）；Saint Francis High School（圣弗朗西斯高中）；Stanford University（斯坦福大学）；University of California San Diego（加利福尼亚大学圣迭戈分校）
有损图像压缩已经在诸如RMSE、MS-SSIM等典型损失函数的上下文中被广泛研究。然而，在低比特率下的压缩通常产生不令人满意的结果。此外，大量公共图像数据集的可用性似乎在图像压缩中几乎没有被利用。在这里，我们提出了一个范例，用于引发人类图像重建，以执行有损图像压缩。在这个范例中，一个人向第二个人描述图像，第二个人的任务是使用公共可用的图像和文本指令重建目标图像。然后，人工评分员在Amazon Mechanical Turk平台上对重建结果进行评估，并将其与使用最先进的压缩机WebP获得的重建结果进行比较。我们的研究结果表明，优先考虑语义视觉元素可能是实现图像压缩显着改善的关键，我们的范例可以用来开发一个更以人为中心的损失函数。图像、结果和其他数据可在https://compression.stanford.edu/human-compression上获得
2019-06-25 cs.CV cs.IT cs.MM
Lossy Image Compression with Compressive Autoencoders
Twitter（推特）
我们提出了一种新的方法来优化有损图像压缩的自动编码器的问题。新的媒体格式、不断变化的硬件技术以及多样化的要求和内容类型，都需要比现有编解码器更灵活的压缩算法。自动编码器有可能满足这一需求，但由于压缩损失的固有不可微性，很难直接优化。我们在这里表明，对损失的最小变化足以训练与JPEG 2000竞争的深度自动编码器，并优于最近提出的基于RNN的方法。由于采用了亚像素架构，我们的网络在计算上更加高效，这使得它适用于高分辨率图像。这与以前的自动编码器压缩工作相比，使用较粗糙的近似，较浅的架构，计算昂贵的方法，或专注于小图像。
2017-03-01 cs.CV stat.ML
Lossy and Lossless (L$^2$) Post-training Model Size Compression
Beihang University（北京航空航天大学）；SenseTime Research（商汤科技研究院）
本文提出一种将有损与无损压缩统一结合的训练后模型尺寸压缩方法，通过统一参数化权重变换和可微分计数器优化，实现稳定10倍无损精度压缩及20倍轻微精度损失压缩。
2023-08-08 cs.AI cs.CV
Learned Lossless Compression for JPEG via Frequency-Domain Prediction
Shanghai Jiao Tong University（上海交通大学）
JPEG图像可以进一步压缩，以增强大规模图像数据集的存储和传输。由于DCT系数和原始像素的分布不同，现有的RGB图像无损压缩器不能很好地转换到JPEG图像。在本文中，我们提出了一个新的框架，学习无损压缩JPEG图像，实现端到端的优化预测解码DCT系数的分布。为了能够在频域中学习，DCT系数被划分为组以利用隐式局部冗余。设计了一种基于权值共享块的类自编码器结构，实现了DCT系数分组的熵建模和先验信息的独立压缩。我们尝试在频域实现JPEG图像的学习无损压缩。实验结果表明，该框架实现了优越的或相当的性能相比，最新的无损压缩机与手工制作的上下文建模的JPEG图像。
2023-03-05 cs.CV cs.LG eess.IV
Lossless White Balance For Improved Lossless CFA Image and Video Compression
Seoul National University of Science and Technology（首尔科学技术大学）；University of Dayton（代顿大学）
彩色滤光片阵列是放置在相机传感器中的像素检测器上的像素大小的滤光片的空间复用。由这种传感器捕获的原始传感器数据的最先进的无损编码技术利用了使用提升方案的空间或交叉颜色相关性。本文提出了一种基于提升的无损白平衡算法。当应用于原始传感器数据时，隐含色度信号的空间带宽减小。我们建议使用这种白平衡作为无损CFA二次采样图像/视频压缩的预处理步骤，提高原始传感器数据的整体编码效率。
2020-09-19 cs.CV eess.IV
End-to-end lossless compression of high precision depth maps guided by pseudo-residual
School of Electronic and Computer Engineering, Shenzhen Graduate School, Peking University（北京大学深圳研究生院电子与计算机工程学院）；Peng Cheng Laboratory（鹏城实验室）
深度图作为表示空间信息的基本数据格式，在信号处理和计算机视觉领域有着广泛的应用。随着激光扫描仪或LiDAR等设备的快速发展，产生了大量高精度的深度图。因此，迫切需要探索一种新的具有更好压缩比的深度图压缩方法。利用广泛的深度学习环境，我们提出了一种基于端到端学习的高精度深度图无损压缩方法。整个过程由两个子过程组成，即深度图的预处理和处理后的深度图的深度无损压缩。深度无损压缩网络由两个子网络组成，称为有损压缩网络和无损压缩网络。我们利用伪残差的概念来指导残差分布的生成，避免引入上下文模型。我们的端到端无损压缩网络在工程编解码器上实现了具有竞争力的性能，并且具有较低的计算成本。
2022-01-10 cs.CV eess.IV
CompaCT: Fractal-Based Heuristic Pixel Segmentation for Lossless Compression of High-Color DICOM Medical Images
Sunset High School（日落高中）
提出CompaCT算法，利用分形像素遍历和分割网格预处理结合增量与熵编码，实现高色彩DICOM图像无损压缩，比行业标准节省37%空间。
2024-11-08 cs.CV eess.IV
A Comprehensive Study and Comparison of Core Technologies for MPEG 3D Point Cloud Compression
Shandong University（山东大学）；The City University of Hong Kong（香港城市大学）
基于点云的3D可视化表示由于其能够以更全面和身临其境的方式展示真实世界而变得越来越流行。然而，在有限的网络带宽下，由于其巨大的数据量，这是非常具有挑战性的传播这种媒体。因此，MPEG发起了点云压缩（PCC）的标准化，并提出了三种模型类别，即，TMC 1、TMC 2和TMC 3。由于TMC 1和TMC 3的3D几何压缩方法相似，因此将TMC 1和TMC 3进一步合并为一个新的平台，即TMC 13。本文首先介绍了3D点云压缩中常用的一些基本技术，然后详细回顾了这些测试模型的编码器架构，最后定量分析了它们在不同情况下的率失真性能以及复杂度（即，无损几何和无损颜色，无损几何和有损颜色，有损几何和有损颜色），使用MPEG推荐的16个基准3D点云。实验结果表明，对于密集点云，TMC 2的编码效率平均最高（尤其是有损几何和有损色彩压缩），而对于稀疏和噪声点云，TMC 13的编码效率最高，且时间复杂度较低。
2019-12-20 cs.CV eess.IV
Does lossy image compression affect racial bias within face recognition?
Durham University（杜伦大学）
是-本研究调查了常见的有损图像压缩对人脸识别算法的影响，关于受试者的种族特征。我们采用最近提出的基于种族表型的偏差分析方法来衡量不同水平的有损压缩的影响，在种族表型类别。此外，我们确定了识别性能的色度子采样和种族相关表型之间的关系。先前的工作研究了有损JPEG压缩算法对当代人脸识别性能的影响。然而，在这种影响如何随不同种族相关的交叉群体而变化以及这种影响的原因方面存在差距。通过广泛的实验设置，我们证明了常见的有损图像压缩方法对特定种族表型类别的面部识别性能有更明显的负面影响，如较深的肤色（高达34.55%）。此外，在压缩过程中去除色度子采样提高了受压缩影响的所有表型类别的错误匹配率（高达15.95%），包括较深的肤色，宽鼻子，大嘴唇和单眼眼睛类别。此外，我们概述的特点，可能是由于这种现象的根本原因的有损压缩算法，如JPEG。
2022-08-16 cs.CV cs.CY cs.LG
Lossy Compression with Pretrained Diffusion Models
Portland State University（波特兰州立大学）
该研究提出简单替代方案首次完整实现DiffC算法，将其应用于多款预训练扩散模型，无需额外训练即可在超低比特率下达到与前沿生成式压缩方法相当的性能，且压缩解压耗时不足10秒。
2025-01-16 cs.CV eess.IV
The Effect of Lossy Compression on 3D Medical Images Segmentation with Deep Learning
National Research Nuclear University MEPhI（国家研究型核大学MEPhI）；Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究所）；Artificial Intelligence Research Institute (AIRI)（人工智能研究所（AIRI））
本研究探讨了有损压缩对3D医学图像深度学习分割的影响，利用多个CT和MRI数据集证明高达20倍的压缩不影响DNN分割质量，且压缩与未压缩数据间的模型预测无质量下降。
2024-09-25 cs.CV eess.IV
L3C-Stereo: Lossless Compression for Stereo Images
Nankai University（南开大学）；RIKEN（理化学研究所）；Skolkovo Institute of Science and Technology（斯科尔科沃科学技术学院）；Hangzhou Dianzi University（杭州电子科技大学）；Nicolaus Copernicus University（哥白尼大学）；NVIDIA Corporation（英伟达公司）
大量的自动驾驶任务需要高清立体图像，这需要大量的存储空间。有效地执行无损压缩已成为一个实际问题。通常，很难对每个像素进行精确的概率估计。为了解决这个问题，我们提出了L3 C-Stereo，这是一种多尺度无损压缩模型，由两个主要模块组成：翘曲模块和概率估计模块。变形模块利用来自同一域的两个视图特征图来生成视差图，该视差图用于重建右视图，以便提高右视图的概率估计的置信度。概率估计模块为自适应算术编码提供逐像素逻辑混合分布。在实验中，我们的方法优于手工制作的压缩方法和基于学习的方法在所有三个数据集上使用。然后，我们表明，一个更好的最大视差可以导致更好的压缩效果。此外，由于我们的模型的压缩属性，它自然地生成一个可接受的质量的视差图为后续的立体任务。
2021-08-21 cs.CV eess.IV
Integer Discrete Flows and Lossless Compression
UvA-Bosch Delta Lab（阿姆斯特丹大学-博世德尔塔实验室）；University of Amsterdam（阿姆斯特丹大学）；Google（谷歌）
无损压缩方法使用统计模型来缩短数据的预期表示大小而不丢失信息。在这种情况下，基于流的模型是有吸引力的，因为它们允许精确的似然优化，这相当于最小化每个消息的预期比特数。然而，传统的流假设连续数据，这可能导致在量化以用于压缩时的重构误差。出于这个原因，我们为有序离散数据引入了一个基于流的生成模型，称为离散流（IDF）：一个双射整数映射，可以学习高维数据的丰富转换。作为IDFs的构建模块，我们引入了一个灵活的转换层，称为整数离散耦合。我们的实验表明，IDFs与其他基于流的生成模型具有竞争力。此外，我们证明了基于IDF的压缩在CIFAR10、ImageNet32和ImageNet64上实现了最先进的无损压缩率。据我们所知，这是第一个使用可逆神经网络的无损压缩方法。
2019-12-06 cs.CV cs.LG stat.ML
UniPCGC: Towards Practical Point Cloud Geometry Compression via an Efficient Unified Approach
Peng Cheng Laboratory（鹏城实验室）
针对现有基于学习的点云压缩方法复杂度高、模式有限、不支持可变码率的问题，提出统一轻量框架UniPCGC，通过UELC和VRCM模块实现多模式支持，无损、有损压缩性能均优于现有最优方法。
2025-03-24 cs.AI cs.CV eess.IV
Octree-based Learned Point Cloud Geometry Compression: A Lossy Perspective
School of Electronic and Computer Engineering, Shenzhen Graduate School, Peking University（北京大学深圳研究生院电子与计算机工程学院）
本文提出针对不同点云的有损压缩方法，针对物体点云改进叶节点压缩，针对LiDAR点云提出变率控制方法，实验显示方法在物体点云上表现更优，在LiDAR点云上实现约1%的比特误差。
2026-03-30 cs.CV
Compression for Better: A General and Stable Lossless Compression Framework
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Peng Cheng Laboratory（鹏城实验室）；Tsinghua University（清华大学）
本文提出LLC框架，通过总微分界定压缩邻域和边界，实现无损模型压缩，提升效率并保持性能。
2025-12-23 cs.AI cs.CV
PILC: Practical Image Lossless Compression with an End-to-end GPU Oriented Neural Framework
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；Tsinghua University（清华大学）
基于生成模型的图像无损压缩算法在提高压缩比方面取得了巨大的成功。然而，即使使用最先进的AI加速芯片，它们中的大多数的吞吐量也不到1 MB/s，这使得它们无法用于大多数实际应用，这些应用通常需要100 MB/s。在本文中，我们提出了PILC，一个端到端的图像无损压缩框架，实现200 MB/s的压缩和解压缩与一个NVIDIA Tesla V100 GPU，10倍的速度比以前最有效的。为了获得这个结果，我们首先开发了一个AI编解码器，它结合了自回归模型和VQ-VAE，在轻量级设置中表现良好，然后我们设计了一个低复杂度的熵编码器，与我们的编解码器工作得很好。实验表明，在多个数据集上，我们的框架比PNG压缩效果好30%。我们相信这是将AI压缩推向商业用途的重要一步。
2022-06-10 cs.CV cs.IT eess.IV
Lost in Compression: the Impact of Lossy Image Compression on Variable Size Object Detection within Infrared Imagery
Durham University（杜伦大学）
有损图像压缩策略通过将数据编码为简化形式，可以更有效地存储和传输数据。这对于在存储设备较少的环境中使用较大的数据集进行培训至关重要。然而，这种压缩可能导致深度卷积神经网络（CNN）架构的性能严重下降，即使在应用温和压缩并且所得到的压缩图像在视觉上是相同的情况下。在这项工作中，我们应用有损JPEG压缩方法与六个离散的增加压缩水平{95，75，50，15，10，5}的红外波段（热）图像。我们的研究定量评估了有损压缩水平的增加对不同目标检测架构（级联RCNN，FSAF和可变形DETR）的性能的影响，这些架构相对于数据集中存在的不同大小的对象。当在未压缩数据上进行训练和评估时，我们在FLIR数据集上使用Cascade R-CNN实现了0.823的最大平均精度（mAP），优于之前的工作。在所有三种CNN架构中，有损压缩的影响在更高的压缩级别（15、10、5）下更极端。然而，在有损压缩图像上重新训练模型显着改善了所有三个CNN模型的性能，平均增量为~76%（在更高的压缩级别5）。此外，我们证明了相对于压缩水平的不同对象区域{小，小，中，大}的相对灵敏度。我们发现，微小的物体比中型和大型物体对压缩更敏感。总体而言，Cascade R-CNN在大多数对象区域类别中达到了最大mAP。
2022-05-16 cs.AI cs.CV
Lossless SIMD Compression of LiDAR Range and Attribute Scan Sequences
ComplexIQ；Carnegie Mellon University（卡内基梅隆大学）
随着LiDAR传感器变得无处不在，对高效LiDAR数据压缩算法的需求增加。现代激光雷达每小时产生千兆字节的扫描数据，通常用于计算、带宽和存储资源有限的应用。我们提出了一种快速，无损压缩算法的激光雷达范围和属性扫描序列，包括多次返回范围，信号，反射率，和环境红外。我们的算法-被称为“Jiffy”-实现了大量的压缩，利用时空冗余和稀疏。速度是通过最大限度地使用单指令多数据（SIMD）指令来实现的。在自动驾驶、基础设施监控、无人机检测和手持地图基准测试中，Jiffy算法始终能够压缩竞争对手的无损编解码器，同时在单核上以超过65 M点/秒的速度运行。在典型的自动驾驶汽车用例中，单线程Jiffy以每秒500多次扫描的速度实现了厘米精度范围扫描的6倍压缩。为了确保可重复性和可采用性，该软件作为开源库免费提供。
2023-02-28 cs.CV cs.RO
Multi-Scale Architectures Matter: On the Adversarial Robustness of Flow-based Lossless Compression
作为一种概率建模技术，基于流的模型在无损压缩领域\cite{idf,idf++,lbb,ivpf,iflow}，.与其他深度生成模型（例如，自回归（VAE）\cite{bitswap,hilloc,pixelcnn++,pixelsnail}显式地对数据分布概率进行建模，基于流的模型由于其出色的概率密度估计和令人满意的推理速度而表现得更好。在基于流的模型中，多尺度结构提供了一条从浅层到输出层的捷径，显著降低了计算复杂性，避免了增加更多层时的性能下降。这对于构建一个先进的基于流的可学习双射映射是必不可少的。此外，在实际的压缩任务的模型设计的轻量级要求表明，流与多尺度架构实现编码复杂性和压缩效率之间的最佳权衡。
2022-08-26 cs.CV cs.IT math.IT
