Implicit Dual-domain Convolutional Network for Robust Color Image Compression Artifact Reduction
Zhejiang University（浙江大学）
几种基于双域卷积神经网络的方法在减少图像压缩伪影方面表现出出色的性能。然而，它们在处理彩色图像时会遇到困难，因为灰度图像和彩色图像的压缩过程完全不同。此外，这些方法训练针对每个压缩质量的特定模型，并且需要多个模型来实现不同的压缩质量。为了解决这些问题，我们提出了一个隐式双域卷积网络（IDCN），像素位置标记图和量化表作为输入。具体来说，我们提出了一个提取器校正器框架为基础的双域校正单元（DCU）作为基本组成部分制定的IDCN。为了提高DRU中提取器的性能，引入了一种致密块。隐式双域转换允许IDCN处理具有离散余弦变换（DCT）域先验的彩色图像。IDCN的灵活版本（IDCN-f）被开发用于处理各种压缩质量。在基准数据集上进行的客观和主观评价的实验表明，IDCN优于最先进的方法，IDCN-f具有出色的能力，可以处理各种各样的压缩质量，而性能牺牲很小，并在实际应用中表现出巨大的潜力。
2019-07-24 cs.CV
RQAT-INR: Improved Implicit Neural Image Compression
InterDigital, Inc.（InterDigital公司）
近年来，用于图像和视频压缩的深度变分自编码器已经获得了显著的吸引力，这是由于与几十年之久的传统编解码器（诸如AVC、HEVC或VVC）相比，它们提供有竞争力或更好的压缩率的潜力。然而，由于复杂性和能耗，这些方法离工业实际应用还有很大距离。最近，基于隐式神经表示（INR）的编解码器已经出现，并且在解码时具有比经典方法更低的复杂度和能量使用。然而，他们的表现目前还不能与最先进的方法相提并论。在这项研究中，我们首先表明，基于INR的图像编解码器具有较低的复杂度比基于VAE的方法，然后我们提出了几个改进的基于INR的图像编解码器，并优于基线模型的大幅度。
2023-03-06 cs.CV
ROI-based Deep Image Compression with Implicit Bit Allocation
School of Microelectronics, Tianjin University（天津大学微电子学院）；Hong Kong University of Science and Technology（香港科技大学）
针对现有ROI图像压缩显式比特分配策略限制编码性能的问题，提出含MGFE模块和双解码器的隐式比特分配模型，在COCO2017上率失真性能优于显式方法且背景质量良好。
2025-11-12 cs.CV cs.IT cs.MM
Hyperspectral Image Compression Using Sampling and Implicit Neural Representations
University of Ontario Institute of Technology（安大略理工大学）
本文提出一种基于隐式神经表示的高光谱图像压缩方法，利用正弦激活的多层感知机将像素位置映射为像素强度，并结合窗口大小与采样率的采样策略加速压缩，在多个基准数据集上取得了优于传统和学习型压缩方法的效果。
2023-12-04 cs.CV eess.IV
Dual-Representation Image Compression at Ultra-Low Bitrates via Explicit Semantics and Implicit Textures
Shanghai Jiao Tong University（上海交通大学）；Beijing University of Posts and Telecommunications（北京邮电大学）
本文提出了一种融合显式语义和隐式纹理的图像压缩框架，通过无训练的方式提升超低比特率下的压缩性能。
2026-02-05 cs.CV
Improving Statistical Fidelity for Neural Image Compression with Implicit Local Likelihood Models
Meta AI；Inria（法国国家信息与自动化研究所）
本文针对神经图像压缩中低比特率下重建图像统计失真问题，提出一种以VQ-VAE量化局部表示为条件的非二值判别器，在CLIC2020等数据集上以比HiFiC少30-40%比特数实现相同FID。
2023-08-11 cs.AI cs.CV cs.IT
Streaming Neural Images
Computer Vision Lab, CAIDAS \& IFI, University of W\"urzburg Sony Interactive Entertainment
本文系统分析隐式神经表示在图像压缩中的计算成本、性能不稳定性和鲁棒性等限制因素，并通过实验为傅里叶特征网络和Siren等方法的改进提供见解。
2025-10-14 cs.CV eess.IV
ConceptMoE: Adaptive Token-to-Concept Compression for Implicit Compute Allocation
ByteDance Seed（字节跳动种子）
ConceptMoE通过动态合并语义相似令牌实现隐式计算分配，提升语言和视觉语言任务性能，同时减少计算开销。
2026-01-29 cs.LG
Unicorn: Unified Neural Image Compression with One Number Reconstruction
Fudan University（复旦大学）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；Hosei University（法政大学）
针对现有有损图像压缩方案的瓶颈，提出Unicorn统一神经图像压缩范式，基于潜在扩散模型构建原型，实现显著比特率降低且压缩比随图像量提升。
2024-12-11 cs.CV eess.IV
An Efficient Implicit Neural Representation Image Codec Based on Mixed Autoregressive Model for Low-Complexity Decoding
Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；Peng Chen Laboratory（鹏城实验室）；Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Huawei Technology（华为技术有限公司）
本文提出混合自回归模型MARM及棋盘式两阶段解码策略，通过高效ARU模块与可调模块比例，在保持低复杂度和图像质量的同时显著加速INR图像编解码器，首次在解码速度与质量上可比肩Hyperprior。
2024-06-07 cs.CV eess.IV
Map-Assisted Remote-Sensing Image Compression at Extremely Low Bitrates
School of Remote Sensing and Information Engineering, Wuhan University（武汉大学遥感信息工程学院）
针对极低码率遥感图像压缩中生成模型重建失真和幻觉问题，本文提出地图辅助生成压缩方法MAGC，通过矢量地图语义引导与两阶段VAE-扩散框架，在感知质量和语义准确性上优于标准编解码器及其他学习方法。
2024-09-03 cs.CV
PaaF: Raising the perceived quality of INR-Based Image Compression
Department of Mathematics and Computer Science, University of Catania（数学与计算机科学系，卡塔尼亚大学）
提出PaaF，一种基于隐式神经表示的图像编解码器，通过改进架构、自适应量化和高效熵编码，在率失真性能和感知质量上超越现有方法。
2026-06-23 cs.CV cs.MM eess.IV
Rapid-INR: Storage Efficient CPU-free DNN Training Using Implicit Neural Representation
School of Electrical and Computer Engineering, Georgia Institute of Technology（佐治亚理工学院电气与计算机工程学院）
本文提出Rapid-INR，利用隐式神经表示将数据集直接存储于GPU以消除CPU通信开销，结合动态剪枝与逐层量化，在保持精度的同时大幅降低内存并提升训练速度。
2024-04-23 cs.AI cs.AR cs.CV
Spatiotemporal Entropy Model is All You Need for Learned Video Compression
Alibaba Group（阿里巴巴集团）
主流视频压缩方法的框架通常由运动预测模块、运动矢量和残差图像压缩模块组成，存在结构复杂和误差传播问题。已经提出了通过用隐式流网络替换运动预测模块来降低复杂度的方法。误差传播感知训练策略也被提出来减轻来自先前解码帧的增量重建误差。虽然这些方法带来了一些改进，但很少关注框架本身。受通过使用单个深度神经网络简化框架来学习图像压缩的成功的启发，很自然地期望通过简单而适当的框架来实现更好的视频压缩性能。因此，我们提出了一个框架，直接压缩原始像素帧（而不是残差图像），其中不需要额外的运动预测模块。相反，熵模型被用来估计时空冗余的潜在空间，而不是像素级，这显着降低了框架的复杂性。具体地说，整个框架是一个压缩模块，由一个统一的自动编码器，产生相同分布的所有帧的潜伏期，和时空熵估计模型，以最小化这些潜伏期的熵。实验结果表明，该方法在多尺度结构相似性（MS-SSIM）度量下优于最新技术（SOTA），在峰值信噪比（PSNR）度量下具有竞争力。
2021-04-13 cs.CV eess.IV
Non-local Attention Optimized Deep Image Compression
Nanjing University（南京大学）；New York University（纽约大学）
该研究提出基于VAE的NLAIC深度图像压缩框架，通过非局部操作与注意力机制捕捉特征相关性并自适应分配比特，结合超先验与空间-通道邻域优化熵编码，在Kodak数据集上多项指标优于现有学习型及传统压缩方法。
2019-04-22 cs.CV eess.IV
COMPASS: High-Efficiency Deep Image Compression with Arbitrary-scale Spatial Scalability
KAIST（韩国科学技术院）；ETRI（电子与信息技术研究所）
COMPASS是一种基于深度学习的高效率图像压缩方法，支持任意尺度的空间可扩展性，通过LIFF方法和联合RD损失函数实现高效编码。
2026-01-05 cs.CV eess.IV
On the accuracy of implicit neural representations for cardiovascular anatomies and hemodynamic fields
Department of Applied and Computational Mathematics and Statistics University of Notre Dame（应用与计算数学与统计学系 纽约大学）
本研究评估隐式神经表示在心血管血流动力学压缩和解剖表示中的准确性，实现高压缩比和低误差，SIREN等架构表现最佳。
2025-10-23 cs.LG
Light Field Compression Based on Implicit Neural Representation
University of Science and Technology of China（中国科学技术大学）
针对光场因角度信息带来的数据冗余问题，提出基于隐式神经表示的光场压缩方案，将光场信息隐存于神经网络并结合模型压缩，实现与传统方法相当的率失真性能及更优感知质量。
2024-05-07 cs.CV eess.IV
Soft Knowledge Distillation with Multi-Dimensional Cross-Net Attention for Image Restoration Models Compression
State Key Laboratory of Networking and Switching Technology, BUPT（网络与交换技术国家重点实验室，北京邮电大学）
针对图像复原中Transformer模型计算复杂度高的问题，提出融合多维跨网络注意力的软知识蒸馏策略，结合高斯核特征度量与图像级对比损失，实现模型压缩的同时保留优异复原性能。
2025-01-16 cs.CV
SCI: A Spectrum Concentrated Implicit Neural Compression for Biomedical Data
Tsinghua University（清华大学）
生物医学数据的大量收集和爆炸式增长，需要有效的压缩以实现高效的存储，传输和共享。现成的视觉数据压缩技术已被广泛研究，但针对自然图像/视频定制，因此对具有不同特征和更大多样性的生物医学数据表现出有限的性能。新兴的隐式神经表示（INR）正在获得动力，并表现出很高的承诺，以目标数据特定的方式拟合不同的视觉数据，但到目前为止，一个通用的压缩方案，涵盖不同的生物医学数据是缺席。为了解决这个问题，我们首先推导出一个数学解释的INR的频谱浓度特性和分析洞察力的设计INR为基础的压缩机。此外，我们提出了一个频谱集中隐式神经压缩（SCI），自适应分区的复杂的生物医学数据块匹配INR的集中频谱包络，并设计一个漏斗形的神经网络能够代表每个块与少量的参数。在此基础上，我们在给定的预算下，通过优化进行压缩，并分配可用的参数，具有较高的表示精度。实验表明，SCI的优越性能，以国家的最先进的方法，包括商业压缩机，数据驱动的，和INR为基础的同行对不同的生物医学数据。源代码可以在https://github.com/RichealYoung/ImplicitNeuralCompression.git上找到。
2022-11-23 cs.CV eess.IV
Learning to Compress: Local Rank and Information Compression in Deep Neural Networks
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；New York University（纽约大学）
本文研究深度多层感知机（MLPs）中特征流形的局部秩，证明其在训练后期下降，并揭示了降低表示秩能压缩输入与中间层互信息，从而在特征流形秩与信息瓶颈（IB）理论间建立联系。
2024-10-10 cs.IT cs.LG math.IT
Dynamical Implicit Neural Representations
University of California, Los Angeles（加州大学洛杉矶分校）；Brookhaven National Laboratory（布鲁克海文国家实验室）
动态隐式神经表示通过将特征演化视为连续时间动力学系统，缓解谱偏置问题，提升表达力和泛化能力。
2025-11-26 cs.LG
Deep Implicit Volume Compression
Google（谷歌）
我们描述了一种新的方法，用于压缩截断符号距离场（TSDF）存储在三维体素网格，及其相应的纹理。为了压缩TSDF，我们的方法依赖于端到端训练的基于块的神经网络架构，实现了最先进的率失真权衡。为了防止拓扑错误，我们对TSDF的符号进行有损压缩，这也通过体素大小来上限重建误差。为了压缩相应的纹理，我们设计了一个快速的基于块的UV参数化，生成连贯的纹理图，可以有效地使用现有的视频压缩算法压缩。我们在两个4D性能捕获数据集上展示了我们的算法的性能，与最先进的技术相比，对于相同的失真，将比特率降低了66%，或者对于相同的比特率，将失真降低了50%。
2020-05-18 cs.CV cs.LG eess.IV
COIN++: Neural Compression Across Modalities
University of Oxford（牛津大学）
神经压缩算法通常基于自动编码器，其需要针对不同数据模态的专用编码器和解码器架构。在本文中，我们提出了COIN++，这是一个神经压缩框架，可以无缝处理各种数据模式。我们的方法基于将数据转换为隐式神经表示，即将坐标（如像素位置）映射到特征（如RGB值）的神经函数。然后，我们不是直接存储隐式神经表示的权重，而是将应用于元学习基础网络的调制存储为数据的压缩代码。我们进一步对这些调制进行编码和熵编码，从而获得较大的压缩增益，同时与基线相比将编码时间减少了两个数量级。我们通过压缩各种数据模式，从图像和音频到医疗和气候数据，实证证明了我们方法的可行性。
2022-12-08 cs.CV cs.LG eess.IV
Implicit Transformer Network for Screen Content Image Continuous Super-Resolution
Tianjin University（天津大学）
如今，由于屏幕共享、远程协作和在线教育的广泛应用，屏幕内容呈爆炸式增长。为了匹配有限的终端带宽，可以对高分辨率（HR）屏幕内容进行下采样和压缩。在接收器侧，HR显示器或用户高度要求低分辨率（LR）屏幕内容图像（SCI）的超分辨率（SR）以放大用于细节观察。然而，图像SR方法主要是针对自然图像设计的，由于非常不同的图像特性以及任意尺度下SCI浏览的要求，因此不能很好地推广到SCI。为此，我们提出了一种新的隐式Transformer超分辨率网络（ITSRN）的SCISR。对于高质量的连续SR在任意比例，在查询坐标的像素值推断从图像特征在关键坐标的建议隐式Transformer和隐式位置编码方案，提出了聚合类似的相邻像素值的查询。我们使用LR和HR SCI对构建了基准SCI 1K和SCI 1K压缩数据集。大量的实验表明，建议ITSRN显着优于几个有竞争力的连续和离散SR方法的压缩和未压缩的SCI。
2021-12-12 cs.CV cs.MM
Resolution-Agnostic Neural Compression for High-Fidelity Portrait Video Conferencing via Implicit Radiance Fields
Shanghai Jiao Tong University（上海交通大学）
本文提出基于隐式辐射场的分辨率无关神经压缩方法，通过动态神经辐射场编码表情特征并以体渲染重建人像，实现超低带宽且高保真的视频会议。
2024-02-26 cs.CV eess.IV
GIViC: Generative Implicit Video Compression
University of Bristol（布里斯托尔大学）
提出GIViC，首个在随机访问配置下超越VTM的基于隐式神经表示的视频编解码器，通过隐式扩散和层级门控线性注意力Transformer，相比VVC VTM、DCVC-FM和NVRC分别节省15.94%、22.46%和8.52%的BD-rate。
2025-03-25 cs.CV eess.IV
A Lightweight Model for Perceptual Image Compression via Implicit Priors
针对感知图像压缩中显式语义先验增加参数与计算开销的问题，提出ICISP轻量方法，通过视觉状态空间、频率调制及DINOv2隐式先验判别器实现高效高质量压缩。
2025-02-19 eess.IV
Implicit Neural Representation for Videos Based on Residual Connection
Graduate School of Fundamental Science and Engineering, Waseda University（早稻田大学基础科学与工程研究院）
针对视频隐式神经表示的帧细节重建不足问题，提出将低分辨率帧作为残差连接的方法，在49个视频的46个样本上PSNR优于现有方法HNeRV。
2024-06-15 cs.CV eess.IV
Immersive Video Compression using Implicit Neural Representations
University of Bristol（布里斯托尔大学）
本文首次将隐式神经表示扩展到多视角视频压缩，提出MV-HiNeRV，通过按视角学习特征网格并共享网络参数，有效利用时空与视角间冗余，在MPEG沉浸式视频测试中相比TMIV实现高达72.33%的编码增益。
2024-02-23 cs.CV eess.IV
Conditional Residual Coding with Explicit-Implicit Temporal Buffering for Learned Video Compression
针对学习型视频压缩中隐式时间缓冲内存占用高的问题，提出显式-隐式混合时间缓冲的条件残差编码方法，在缓冲容量降至两帧等效大小的同时实现优异的2K视频编码性能。
2025-08-03 eess.IV
Rethinking Generative Human Video Coding with Implicit Motion Transformation
Alibaba DAMO Academy & Hupan Laboratory（阿里巴巴达摩院及虎斑实验室）
针对生成式人体视频编码中显式运动指导易导致重建失真、运动不准的问题，提出基于隐式运动变换的范式，将人体信号转为紧凑视觉特征并转化为隐式运动指导，实现高效压缩与高保真合成。
2025-06-12 cs.CV eess.IV
UniCompress: Enhancing Multi-Data Medical Image Compression with Knowledge Distillation
Tsinghua University（清华大学）；University of Science and Technology of China（中国科学技术大学）；Hospital（301医院）
UniCompress首次用单个隐式神经表示网络压缩多个医学图像块，结合小波变换、量化码本和知识蒸馏，在CT和EM数据集上超越传统INR及HEVC，压缩速度提升4至5倍。
2024-05-27 cs.CV cs.LG eess.IV
High-Fidelity Video Compression based on Invertible Neural Transform and Implicit Conditioning
Visual Information Lab, University of Bristol, UK（布里斯托大学视觉信息实验室）
提出InnVC，一种基于可逆神经网络和隐式条件场的视频编解码器，通过保持可逆主变换路径并解耦相关内容和细节，在高质量区域实现显著性能提升。
2026-06-15 cs.CV cs.MM eess.IV
LotteryCodec: Searching the Implicit Representation in a Random Network for Low-Complexity Image Compression
本研究提出并验证彩票编解码器假设，据此构建LotteryCodec方法，通过过拟合二值掩码、共享随机初始化网络及回退调制机制，实现优于VTM的单图像压缩性能，还可通过调掩码比例适配不同设备需求。
2025-09-03 cs.IT eess.IV math.IT
NERV++: An Enhanced Implicit Neural Video Representation
Univ Rennes（雷恩大学）；INSA Rennes（雷恩国立应用科学学院）；CNRS（法国国家科学研究中心）；Technology Innovation Institute（技术创新研究院）
本文提出增强型隐式神经视频表示NeRV++，通过SCRBs、上采样块与双线性跳跃连接提升率失真性能，并在多个数据集上取得接近自编码器编码的竞争力结果。
2024-02-28 cs.CV eess.IV
Neural Stereo Video Compression with Hybrid Disparity Compensation
University of Electronic Science and Technology of China（电子科技大学）；The University of Newcastle（纽卡斯尔大学）
本文提出混合视差补偿策略，结合显式像素位移与隐式交叉注意力机制，提升立体视频压缩性能。
2026-06-29 cs.CV eess.IV
Implicit Neural Multiple Description for DNA-based data storage
CNRS（法国国家科学研究中心）；I3S laboratory（I3S实验室）
本文提出了一种基于神经网络的DNA数据存储新型压缩方案与多重描述编码技术，有效应对存储与生物操作中的错误挑战，在压缩率和抗噪性上优于现有方法。
2023-09-13 cs.AI cs.LG eess.IV
Mixed-granularity Implicit Representation for Continuous Hyperspectral Compressive Reconstruction
针对 CASSI 高光谱压缩重建受固定分辨率限制的问题，提出 MGIR 框架，利用多尺度隐式编码、局部特征聚合与坐标解码实现任意空间-光谱分辨率重建。
2025-03-17 cs.CV eess.IV
Improved Positional Encoding for Implicit Neural Representation based Compact Data Representation
InterDigital, Inc.（InterDigital公司）
提出一种具有更多频率基的新颖位置编码方法，在不增加复杂度的情况下提升隐式神经表示的重建质量，并在压缩和新视角合成任务中取得显著性能提升。
2023-11-10 cs.CV cs.LG eess.IV
A Novel Implicit Neural Representation for Volume Data
Bournemouth University（伯恩茅斯大学）；National Center for Computer Animation（国家计算机动画中心）；Faculty of Media and Communication（媒体与传播学院）
提出一种结合Lanczos下采样、SIREN网络和SRDenseNet的新型隐式神经表示，用于压缩体积医学图像，在提高压缩率和训练速度的同时降低GPU内存消耗。
2024-03-13 cs.CV eess.IV
Breaking the Barriers of One-to-One Usage of Implicit Neural Representation in Image Compression: A Linear Combination Approach with Performance Guarantees
本工作提出一种线性组合方法，用单个隐式神经表示网络表示多幅图像，突破一对一使用限制，在Kodak、ImageNet和CIFAR-10上验证了性能，匹配BPG并保持任意分辨率重建。
2024-09-19 eess.IV
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
A Compact Implicit Neural Representation for Efficient Storage of Massive 4D Functional Magnetic Resonance Imaging
Tsinghua University（清华大学）
提出一种基于INR的fMRI压缩范式，通过空间相关建模、激活模式分解及非线性融合去除时序冗余，在图像质量与下游任务上超越现有方法。
2024-02-29 cs.CV eess.IV
NeRV: Neural Representations for Videos
University of Maryland, College Park（马里兰大学学院市分校）；Facebook AI
我们提出了一种新的视频神经表示（NeRV），它在神经网络中编码视频。与将视频视为帧序列的传统表示不同，我们将视频表示为以帧索引为输入的神经网络。给定帧索引，NeRV输出相应的RGB图像。NeRV中的视频编码是简单地将神经网络拟合到视频帧，解码过程是简单的前馈操作。作为一种图像级隐式表示，NeRV输出整个图像，与像素级隐式表示相比，显示出更高的效率，编码速度提高了25倍至70倍，解码速度提高了38倍至132倍，同时实现了更好的视频质量。有了这样的表示，我们可以将视频视为神经网络，简化了几个与视频相关的任务。例如，传统的视频压缩方法受到专门为该任务设计的长而复杂的流水线的限制。相比之下，使用NeRV，我们可以使用任何神经网络压缩方法作为视频压缩的代理，并实现与传统的基于帧的视频压缩方法（H. 264，HEVC \etc）相当的性能。除了压缩，我们还展示了NeRV在视频去噪方面的推广。源代码和预训练模型可以在https://github.com/haochen-rye/NeRV.git上找到。
2021-10-26 cs.CV eess.IV
GaussianImage: 1000 FPS Image Representation and Compression by 2D Gaussian Splatting
The Hong Kong University of Science and Technology（香港科技大学）；SenseTime Research（商汤科技研究院）；Beijing Institute of Technology（北京理工大学）；Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院）；The Chinese University of Hong Kong（香港中文大学）；Shanghai Jiaotong University（上海交通大学）
针对隐式神经表示依赖高GPU资源的问题，提出基于2D高斯泼溅的GaussianImage范式，内存占用更低、拟合与渲染速度更快，结合矢量量化的编解码器率失真性能媲美同类方法且解码速度达约2000 FPS。
2024-07-09 cs.AI cs.CV cs.MM
Fine-Grained Motion Compression and Selective Temporal Fusion for Neural B-Frame Video Coding
Department of Computer Science, City University of Hong Kong（城市大学计算机科学系）；School of Data Science, Lingnan University（岭南大学数据科学学院）；Bytedance（字节跳动）
本文提出细粒度运动压缩与选择性时间融合方法，提升神经B帧视频编码性能，实现平均BD速率降低10%并优于H.266/VVC。
2026-02-23 cs.CV eess.IV
HybridGS: High-Efficiency Gaussian Splatting Data Compression using Dual-Channel Sparse Representation and Point Cloud Encoder
Qualcomm（高通公司）
HybridGS提出结合紧凑生成与标准化点云编码的3DGS压缩框架，通过双通道稀疏表示和码率控制，在保持重建质量的同时显著提升编解码速度。
2025-05-03 cs.CV eess.IV
Releasing the Parameter Latency of Neural Representation for High-Efficiency Video Compression
University of Chinese Academy of Sciences（中国科学院大学）；Bytedance Inc.（字节跳动公司）
本文针对隐式神经表示视频压缩中参数存储潜力未被充分利用的问题，提出通过加深网络实现参数重用的方案，显著提升率失真性能。
2024-10-03 cs.CV cs.MM eess.IV
Compact Implicit Neural Representations for Plane Wave Images
Nantes Université（南特大学）；École Centrale Nantes（南特中央理工学院）；CNRS（法国国家科学研究中心）
针对超快速平面波成像的角度相关伪影问题，首次将隐式神经表示用于平面波角度插值，结合物理增强渲染的MLP模型，在保证成像质量的同时实现约15:1的图像压缩比。
2024-09-17 cs.CV eess.IV
