摘要：
最近发现很多有意思的事情，列一个待办清单防止遗漏： 看compressAi的模型源码，学着自己改模型 刷比赛，天池和力扣 吴恩达老师和OpenAI 一起制作关于 ChatGPT Prompt Engineering 的新课 叫我们如何prompt engineering 简书Markdown 基础教 阅读全文
摘要：
目录摘要 摘要 最近的图像压缩算法主要关注于设计更准确和更灵活的熵模型，从而更好的参数化潜在特征的分布。 然而，很少有人关注于构造图像空间和潜在特征空间之间的变换。该文章没有采用之前自编码器风格的网络来构建这种变换，而是使用增强可逆编码网络，来减少信息丢失，从而获得更好的压缩。 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: \(P(Y|X)= \frac{P(X|Y)P(Y)}{P(Y)}\) 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