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
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
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
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
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
Learning Better Lossless Compression Using Lossy Compression
ETH Zurich（苏黎世联邦理工学院）；Google Research, Brain Team（谷歌研究院（大脑团队））
我们利用强大的有损图像压缩算法BPG来构建一个无损图像压缩系统。具体地说，原始图像首先分解成后得到的有损重建与BPG压缩和相应的残差。然后，我们用基于卷积神经网络的概率模型对残差的分布进行建模，该概率模型以BPG重建为条件，并将其与熵编码相结合以对残差进行有损压缩编码。最后，使用由BPG和学习的残差编码器产生的比特流的级联来存储图像。由此产生的压缩系统在学习无损全分辨率图像压缩方面实现了最先进的性能，优于以前学习的方法以及PNG，WebP和JPEG 2000。
2020-03-23 cs.CV cs.LG eess.IV
Lossless Image Compression through Super-Resolution
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
介绍了一种简单有效的无损图像压缩算法。我们将图像的低分辨率版本存储为原始像素，然后进行几次无损超分辨率迭代。对于无损超分辨率，我们预测的高分辨率图像的概率，在低分辨率输入的条件下，并使用熵编码压缩这个超分辨率算子。基于超分辨率的压缩（SReC）能够在大型数据集上实现最先进的压缩率和实际运行时间。代码可在https://github.com/caoscott/SReC在线获得。
2020-04-06 cs.CV cs.LG eess.IV
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
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
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
LC-FDNet: Learned Lossless Image Compression with Frequency Decomposition Network
Seoul National University（首尔大学）；Gauss Labs（高斯实验室）
最近的基于学习的无损图像压缩方法以子图像为单位对图像进行编码，并且实现了与传统的非学习算法相当的性能。然而，这些方法不考虑高频区域中的性能下降，对低频和高频区域给予同等考虑。在本文中，我们提出了一种新的无损图像压缩方法，进行编码在一个由粗到细的方式来分离和处理不同的低频和高频区域。我们首先压缩低频分量，然后将它们用作编码剩余高频区域的额外输入。在这种情况下，低频分量充当强先验，这导致在高频区域中的改进的估计。此外，我们设计的频率分解过程是自适应的颜色通道，空间位置，和图像特性。因此，我们的方法得出一个图像特定的低/高频率分量的最佳比例。实验表明，该方法达到了最先进的性能基准高分辨率数据集。
2021-12-13 cs.CV eess.IV
LVPNet: A Latent-variable-based Prediction-driven End-to-end Framework for Lossless Compression of Medical Images
Harbin Institute of Technology, China（哈尔滨工业大学）；Nanjing University of Information Science and Technology, China（南京信息工程大学）；Dalian University of Technology, China（大连理工大学）；Nanyang Technological University, Singapore（南洋理工大学）
本文提出 LVPNet，一种基于潜在变量预测驱动的无损医学图像压缩端到端框架，通过全局多尺度感知模块和量化补偿模块有效解决后验坍缩与量化损失问题，在保持推理速度的同时实现了优于现有方法的压缩效率。
2025-06-25 cs.CV eess.IV
Learned Lossless Image Compression with a HyperPrior and Discretized Gaussian Mixture Likelihoods
无损图像压缩是多媒体通信领域的一个重要课题。传统的图像编解码器通常支持无损模式，例如WebP、JPEG2000、FLIF。最近，基于深度学习的方法已经开始显示出这一点的潜力。HyperPrior是一种有效的有损图像压缩技术。本文将有损模型的超先验推广到无损压缩，并在损失函数中引入L2范数项以加快训练过程。此外，本文还研究了不同的隐码参数化模型，并提出使用高斯混合似然来实现自适应和灵活的上下文模型。实验结果验证了该方法的性能优于现有的基于深度学习的无损压缩，并且优于JPG图像的JPEG2000和WebP。
2020-02-05 eess.IV
CALLIC: Content Adaptive Learning for Lossless Image Compression
Harbin Institute of Technology（哈尔滨工业大学）；Peking University（北京大学）
针对学习型无损图像压缩中摊销生成模型对特定测试图像概率分布估计次优的问题，提出内容自适应方法CALLIC，通过MGCF机制与率引导渐进微调（RPFT）优化适配，实现了新的SOTA性能。
2024-12-23 cs.CV eess.IV
Joint Lossless Compression and Steganography for Medical Images via Large Language Models
Center for Future Media and School of Computer Science and Engineering, University of Electronic Science and Technology of China（未来媒体中心和电子科技大学计算机科学与工程学院）；Department of Computer Science and Engineering, University of Electronic Science and Technology of China（计算机科学与工程学院，电子科技大学）；Department of Electrical Engineering, and the Center for Intelligent Multidimensional Data Analysis, City University of Hong Kong（电子工程系和智能多维数据分析中心，城市大学）；Department of Machine Learning, Mohamed bin Zayed University of Artificial Intelligence（机器学习系，Mohamed bin Zayed人工智能大学）
针对医学图像无损压缩中性能与效率权衡及安全问题，提出联合无损压缩与隐写术框架。基于位平面切片，设计自适应模态分解，创新局部模态路径分段消息隐写术算法，结合A-LoRA微调策略，提升压缩率、效率与安全性。
2026-07-27 cs.CV eess.IV
WISE: A Framework for Gigapixel Whole-Slide-Image Lossless Compression
MBZUAI（穆罕默德·本·扎耶德人工智能大学）；City University of Hong Kong（香港城市大学）
针对全切片图像数据量大、现有压缩方法效果不佳的问题，提出专为WSI设计的无损压缩框架WISE，采用分层编码加字典方法，实现十亿像素WSI平均36倍、最高136倍的压缩效果。
2025-03-23 cs.CV eess.IV
Lossless Compression of Color images using Imperialist competitive algorithm
存在不同类型的媒体（音频或视频）内容文件的最重要原因之一是实现压缩和较小的大小，同时保持质量。为了实现文件在设备和网络之间的快速传输，减少所需的存储空间，压缩技术一直受到人们的关注和重视。考虑到所提到的，一般来说，压缩的概念可以分为两类：有损和无损。在有损方法中，一部分数据被省略，但在无损方法中，没有数据被省略用于压缩。最后提出了一种利用帝国主义竞争算法进行压缩的无损压缩方法。所提出的算法试图实现一个更优化的颜色的图像颜色图，使它提高压缩率。仿真结果表明，该算法可以达到43%的压缩率，显示了其优越性，与其他类似的方法。
2021-01-07 eess.IV
A Fast and Efficient Near-Lossless Image Compression using Zipper Transformation
提出了一种基于Zipper变换和逆Zipper变换的近无损图像压缩-解压缩方案。所提出的ZT利用离散傅立叶变换（DFT）的共轭对称性。所提出的变换使用两种不同的配置来实现：交错和级联ZT。为了量化所提出的变换的功效，我们基准与离散余弦变换（DCT）和快速沃尔什哈达玛变换（FWHT）的无损压缩能力和计算成本。数值模拟表明，基于ZT的压缩算法是近无损的，压缩更好，并提供了更快的实现比DCT和FWHT。此外，交错和串联ZT所示，以产生类似的结果，在大多数的测试情况下考虑。
2017-10-10 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
Near-Lossless Deep Feature Compression for Collaborative Intelligence
Simon Fraser University（西蒙弗雷泽大学）
协作智能是在移动云基础设施中高效部署深度神经网络的新范式。通过在移动和云之间划分网络，可以分布计算工作负载，使得系统的总体能量和/或延迟最小化。然而，这需要将深度特征数据从移动设备发送到云，以便执行推理。在这项工作中，我们研究了深度特征数据和自然图像数据之间的差异，并提出了一种简单有效的近无损深度特征压缩器。所提出的方法实现了高达5%的比特率减少相比，HEVC帧内，甚至更多的对其他流行的图像编解码器。最后，我们提出了一种从云中压缩的深度特征重建输入图像的方法，该方法可以用于补充深度模型执行的推理。
2018-06-15 cs.CV eess.IV
DALD-PCAC: Density-Adaptive Learning Descriptor for Point Cloud Lossless Attribute Compression
City University of Hong Kong（香港城市大学）；Peking University Shenzhen Graduate School（北京大学深圳研究生院）；University of Missouri-Kansas City（密苏里大学-堪萨斯城分校）；Tencent Media Laboratory（腾讯媒体实验室）
DALD-PCAC通过密度适应学习描述符和注意力机制，实现点云无损属性压缩的高效压缩与鲁棒性提升。
2026-01-18 cs.CV 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
A Learned Pixel-by-Pixel Lossless Image Compression Method with 59K Parameters and Parallel Decoding
本文考虑无损图像压缩，并提出了一个学习压缩系统，可以实现最先进的无损压缩性能，但只使用59 K的参数，这是超过30倍，比其他学习系统最近在文献中提出的。所探索的系统是基于一个学习的逐像素的无损图像压缩方法，其中每个像素的概率分布参数是通过用包括59 K参数的简单神经网络处理像素的因果邻域（即，先前编码/解码的像素）来获得的。这种因果关系导致解码器按顺序操作，即神经网络必须按顺序为每个像素进行评估，这大大增加了通用GPU软件和硬件的解码时间。为了减少解码时间，提出并实现了并行解码算法。所获得的无损图像压缩系统进行比较，传统的和学习的系统在文献中的压缩性能，编码-解码时间和计算复杂度。
2022-12-02 cs.MM eess.IV
Lossless Point Cloud Attribute Compression with Normal-based Intra Prediction
稀疏LiDAR点云在各种应用中变得越来越流行，例如，自动驾驶。然而，对于这种类型的数据，在MPEG提出的相应压缩框架中存在许多未开发的空间，即，基于几何的点云压缩（G-PCC）。在G-PCC中，在用于属性压缩的帧内预测中仅考虑基于距离的相似性。在本文中，我们提出了一个基于法线的帧内预测方案，它提供了一个更有效的无损属性压缩通过引入点云的法线。法线之间的角度用于进一步探索准确的局部相似性，从而优化预测器的选择。我们实现我们的方法到G-PCC参考软件。实验结果表明，我们提出的方法是能够提供更好的压缩性能比G-PCC锚，与$2.1\%$增益平均无损属性编码。
2021-06-23 eess.IV
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
Lossless Image and Intra-frame Compression with Integer-to-Integer DST
视频译码标准主要经设计以用于高效有损压缩，但还需要使用对有损译码架构的小修改来支持视频译码标准内的高效无损压缩。一种简单的方法是跳过变换和量化，并且简单地对预测残差进行熵编码。然而，这种方法在压缩方面是低效的。更有效且流行的方法是跳过变换和量化，但也在熵译码之前沿着水平或垂直方向用DPCM处理残余块。本文探讨了一种替代方法的基础上处理的残差块与整数到整数（i2 i）变换。I2 i变换可将整数像素映射到整数变换系数而不增加动态范围，且可用于无损压缩。我们专注于无损帧内编码和开发新的i2 i近似的奇数类型3 DST（ODST-3）。利用HEVC参考软件的实验结果表明，所开发的ODST-3的i2 i近似相对于使用流行的DPCM方法的HEVC版本2将无损帧内压缩效率提高了平均2.7%，而对计算复杂性没有显著影响。
2017-08-23 cs.MM eess.IV
Practical Full Resolution Learned Lossless Image Compression
ETH Zürich（苏黎世联邦理工学院）
我们提出了第一个实用的学习无损图像压缩系统，L3 C，并表明它优于流行的工程编解码器，PNG，WebP和JPEG 2000。我们方法的核心是一个用于自适应熵编码的完全可并行化的分层概率模型，该模型针对压缩任务进行了端到端优化。与最近的自回归离散概率模型（如PixelCNN）相比，我们的方法i）与学习的辅助表示联合建模图像分布，而不是专门在RGB空间中建模图像分布，ii）只需要三次向前传递来预测所有像素概率，而不是每个像素一次。因此，与最快的PixelCNN变体（Multiscale-PixelCNN）相比，L3 C在采样时获得了超过两个数量级的加速。此外，我们发现学习辅助表示是至关重要的，并且显著优于预定义的辅助表示，例如RGB金字塔。
2020-03-06 cs.CV cs.LG eess.IV
Parallel Neural Local Lossless Compression
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；University College London（伦敦大学学院）
最近提出的神经局部无损压缩（NeLLoC），这是基于局部自回归模型，已达到国家的最先进的（SOTA）的分布外（OOD）的泛化性能在图像压缩任务。除了鼓励面向对象的推广，本地模型还允许在解码阶段进行并行推理。在本文中，我们提出了两个局部自回归模型的并行化方案。我们讨论了实施方案的实用性，并提供实验证据的压缩运行时的显着收益相比，以前的，非并行实现。
2022-06-26 cs.LG eess.IV stat.ML
Streaming Lossless Volumetric Compression of Medical Images Using Gated Recurrent Convolutional Neural Network
College of Biomedical Engineering（生物医学工程学院）；Zhejiang University（浙江大学）
本文提出一种硬件友好的流式无损体积压缩框架，通过门控循环卷积神经网络捕捉医学体积图像切片间依赖，以极低模型权重实现高效熵编码，并在FPGA上实现实时压缩，性能优于现有方法。
2023-11-27 cs.AR cs.LG eess.IV
Combining Image Space and q-Space PDEs for Lossless Compression of Diffusion MR Images
针对扩散MRI海量数据，提出一种结合图像空间与q空间PDE的新型无损编解码器，利用有限元方法加速计算并集成运动校正，相比GZIP和JPEG系列编解码器显著提升了压缩率。
2023-04-05 eess.IV
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
Deep probabilistic model for lossless scalable point cloud attribute compression
近年来，已经提出了几种利用先进的深度学习技术的点云几何压缩方法，但在属性压缩，特别是无损压缩方面的工作有限。在这项工作中，我们建立了一个端到端的多尺度点云属性编码方法（MNeT），逐步投影到多尺度潜在空间的属性。多尺度架构为属性概率建模提供了准确的上下文，从而使用单个网络预测最小化编码比特率。此外，我们的方法允许可伸缩的编码，较低的质量版本可以很容易地从有损压缩的比特流提取。我们验证了我们的方法上的一组点云MVUB和MPEG，并表明我们的方法优于最近提出的方法，并与最新的G-PCC版本14。此外，我们的编码时间大大快于G-PCC。
2023-03-11 cs.LG eess.IV
PC-bzip2: a phase-space continuity enhanced lossless compression algorithm for light field microscopy data
针对光场显微镜数据存储难题，提出PC-bzip2无损压缩算法，结合GPU熵判断与多核CPU压缩，提升压缩比约10%，并在时间序列数据上表现更优。
2023-10-14 eess.IV
On the influence of clipping in lossless predictive and wavelet coding of noisy images
特别是在无损图像编码中，可获得的压缩比强烈地依赖于数据中包括的噪声量，因为所有噪声也必须被编码。存在用于无损图像编码的不同方法。我们分析了三种方法的压缩性能，即直接熵，预测和基于小波的编码。从我们的理论模型的结果进行比较，从标准算法的基础上的三种方法的模拟结果。只要不随噪声的增加而发生削波，则无损压缩需要更多的比特。我们将证明，对于非常嘈杂的信号，直接使用熵编码器而无需高级预处理步骤是更有利的。
2023-01-11 eess.IV
Lossless Point Cloud Attribute Compression Using Cross-scale, Cross-group, and Cross-color Prediction
这项工作扩展了最初开发的点云几何压缩的多尺度结构，点云属性压缩。为了在保持低比特率的同时对属性进行有损编码，准确的概率预测至关重要。为此，我们广泛利用点云属性的跨尺度、跨组和跨颜色相关性，以确保准确的概率估计，从而提高编码效率。具体来说，我们首先通过平均池化生成多尺度属性张量，对于任何两个连续尺度，解码后的低尺度属性都可以一次性估计当前尺度下的属性概率。此外，在每个尺度中，我们按照预定义的分组模式分组进行概率估计。通过这种方式，跨尺度和（相同尺度）跨组相关性都被联合利用。此外，通过允许对YCoCg/RGB相似的多通道属性进行颜色间处理，消除了交叉颜色冗余。所提出的方法不仅展示了最先进的压缩效率，在各种内容上比最新的G-PCC具有显着的性能增益，而且在负担得起的编码和解码运行时间内保持低复杂度。
2023-03-22 eess.IV
Learned Lossless Image Compression Through Interpolation With Low Complexity
随着深度学习在图像处理中的日益普及，最近已经提出了许多学习的无损图像压缩方法。一组表现出良好性能的算法是基于学习的基于像素的自回归模型，然而，它们的顺序性质阻止了容易并行化的计算，并导致长解码时间。另一组流行的算法是基于基于尺度的自回归模型，可以提供有竞争力的压缩性能，同时还可以实现简单的并行化和更短的解码时间。然而，它们的主要缺点是使用大型神经网络和高计算复杂度。本文提出了一种基于插值的学习型无损图像压缩方法。该方法实现了优于或等同于最近的基于尺度的自回归模型的压缩性能，但需要超过10倍的神经网络参数和编码/解码计算复杂度。这些成就归功于整个系统和神经网络架构设计中的贡献/发现，例如在不同尺度上共享插值器神经网络、针对概率分布模型的不同参数使用单独的神经网络以及在YCoCg-R颜色空间中执行处理而不是RGB颜色空间。
2022-12-26 cs.MM eess.IV
Soft Compression for Lossless Image Coding
Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心）；Tsinghua University（清华大学）
软压缩是一种无损图像压缩方法，它从信息论和统计分布的角度出发，采用码书的位置和形状对图像进行编码，致力于同时消除编码冗余和空间冗余。本文提出了一个新的概念，可压缩指示函数关于图像，它给出了一个阈值的平均比特数所需的代表一个位置，可以用来揭示软压缩的性能。通过具体的算法和压缩指示值，对二值图像、灰度图像和多分量图像的软压缩进行了研究和分析。人们期望通过应用软压缩可以大大减少传输和存储同类图像时所需的带宽和存储空间。
2020-12-11 cs.AI cs.IT eess.IV
Lossless Point Cloud Geometry and Attribute Compression Using a Learned Conditional Probability Model
Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU)（弗里德里希-亚历山大-埃尔兰根-纽伦堡大学）
本文提出一种基于稀疏张量深度神经网络的无损点云压缩方法，统一表示几何与颜色属性，构建自回归上下文模型，相比MPEG方法总比特率降低22.6%。
2024-03-20 cs.LG eess.IV
Onboard deep lossless and near-lossless predictive coding of hyperspectral images with line-based attention
Politecnico di Torino（都灵理工大学）
针对星载高光谱图像压缩难题，提出逐行递归的预测神经网络LineRWKV，结合注意力与递归操作降低内存消耗，首次在无损和近无损压缩上超越CCSDS-123.0-B-2标准。
2024-03-26 cs.AI eess.IV
Multiscale deep context modeling for lossless point cloud geometry compression
Université Paris-Saclay（巴黎-萨克雷大学）；CNRS（法国国家科学研究中心）；CentraleSupelec（中央理工-高等电力学院）；Laboratoire des Signaux et Systèmes（信号与系统实验室）
我们提出了一种用于无损点云几何压缩的实用深度生成方法，称为MSVoxelDNN，并表明与MPEG G-PCC编解码器相比，它显着降低了速率。我们之前基于自回归模型（VoxelDNN）的工作具有快速的训练阶段，然而，由于占用概率是逐体素顺序预测的，因此推理速度很慢。在这项工作中，我们采用了多尺度架构模型体素占用粗到细的顺序。在每个尺度下，MSVoxelDNN将体素分为八个条件独立的组，因此需要对每组进行单个网络评估，而不是对每个体素进行一次评估。我们评估了MSVoxelDNN在一组来自微软体素化上半身（MVUB）和MPEG的点云上的性能，结果表明，与以前的VoxelDNN相比，目前的方法大大加快了编码/解码时间，同时比G-PCC节省了17.5%的平均速率。该实现可在https://github.com/Weafre/MSVoxelDNN上获得。
2021-04-20 cs.LG eess.IV
