Differences

This shows you the differences between two versions of the page.

--- dlcp:kryukov22:biblio:main [25/11/2022 14:27] – [AutoEncoder-based Lossy Image Compression] demichev
+++ dlcp:kryukov22:biblio:main [10/03/2023 12:37] (current) – [(c/c)VAE] kryukov
@@ Line 4: / Line 4: @@
   * [[https://lilianweng.github.io/|Lil’Log]]. Мне показалось - интересные и полезные материалы по МО.
+  * {{ :dlcp:kryukov22:biblio:holler_diss-hillas.pdf |Holler, dissertation. H.E.S.S}}
 ===== Обзоры статей =====
@@ Line 45: / Line 45: @@
   * [[https://towardsdatascience.com/understanding-conditional-variational-autoencoders-cd62b4f57bf8|Understanding Conditional Variational Autoencoders]]
   * {{ :dlcp:kryukov22:biblio:1812.02833-disentagling_vae.pdf |Disentangling Disentanglement in Variational Autoencoders}}
+  * {{ :dlcp:kryukov22:biblio:abcs2018_paper_58-conv_ae.pdf |Convolutional Autoencoders}}
 ===== Diffusion NN =====
@@ Line 79: / Line 80: @@
   * [[https://arxiv.org/pdf/1703.00395|Theis, Lucas, Wenzhe Shi, Andrew Cunningham, and Ferenc Huszar. "Lossy image compression with compressive autoencoders." arXiv preprint arXiv:1703.00395 (2017)]]
     * Показано, что  автоэнкодеры  могут удовлетворить потребность в более гибких алгоритмах сжатия, чем существующие кодеки. Однако их трудно оптимизировать напрямую из-за присущей им недифференцируемости функции потерь при сжатии. В работе показано, что минимальные изменения функции потерь достаточны для обучения глубоких автоэнкодеров, конкурирующих с JPEG 2000 и превосходящих недавно предложенные подходы, основанные на RNN.
-    * Процитирована 874 раза.
+    * Процитирована **874** раза.
   * [[https://openaccess.thecvf.com/content_ICCV_2019/papers/Choi_Variable_Rate_Deep_Image_Compression_With_a_Conditional_Autoencoder_ICCV_2019_paper.pdf|Choi, Yoojin, Mostafa El-Khamy, and Jungwon Lee. "Variable rate deep image compression with a conditional autoencoder." In Proceedings of the IEEE/CVF International Conference on Computer Vision, pp. 3146-3154. 2019]]
     * Предложен новый фреймворк, основанный на обучении, для кодирования изображений с переменным коэффициентом сжатия. Предыдущие методы сжатия изображений на основе обучения в основном требовали обучения отдельных сетей при разном коэффициенте сжатия, чтобы они могли давать сжатые изображения различного качества. В этой работе предложен метод развертывания только одной сети сжатия изображений с переменным коэффициентом, основанный на использовании условного автоэнкодера. Экспериментальные результаты показывают, что предложенная схема обеспечивает лучший компромисс между коэффициентом сжатия и искажениями, чем традиционные кодеки сжатия изображений с переменным коэффициентом, такие как JPEG2000 и BPG. Эта модель также демонстрирует сравнимую, а иногда и лучшую производительность, чем современные модели сжатия изображений, которые используют несколько сетей, обученных для различных коэффициентов.