Loading...
机构名称:
¥ 1.0

基于学习的图像编码解决方案已经证明,它们可以实现比现有传统解决方案更好的压缩效率,即通过利用先进的机器学习工具,例如深度神经网络 [1]。具体而言,与 JPEG、JPEG 2000 和 HEVC Intra 相比,事实证明,对于某些目标比特率,基于学习的编码解决方案可以提供更好的感知质量,无论是在适当的感知客观质量指标还是主观评估分数方面 [2]。除了高压缩效率之外,基于学习的图像编码解决方案还可以毫不费力地适应图像处理和计算机视觉任务,而无需完全解码,即无需执行图像重建。这与经典图像编解码器形成对比,后者在图像处理和计算机视觉管道中使用时,需要对压缩比特流执行完全解码以获得基于像素的表示。

JPEG AI 范围和框架白皮书

JPEG AI 范围和框架白皮书PDF文件第1页

JPEG AI 范围和框架白皮书PDF文件第2页

JPEG AI 范围和框架白皮书PDF文件第3页

JPEG AI 范围和框架白皮书PDF文件第4页

相关文件推荐

2024 年
¥2.0
2024 年
¥1.0
2023 年
¥4.0
2024 年
¥6.0
2022 年
¥2.0
2022 年
¥1.0
2024 年
¥1.0
2020 年
¥1.0
2020 年
¥1.0
2023 年
¥1.0
2023 年
¥2.0
2024 年
¥1.0
2024 年
¥2.0
2005 年
¥2.0
2024 年
¥1.0
2023 年
¥1.0
2023 年
¥1.0
2022 年
¥1.0
2024 年
¥2.0
2023 年
¥1.0
2024 年
¥1.0
2024 年
¥4.0
2022 年
¥1.0
2024 年
¥2.0
2019 年
¥1.0