自适应神经图像的极端压缩

Leo Hoshikawa; Marcos V. Conde; Takeshi Ohashi; Atsushi Irie

自适应神经图像的极端压缩

计算机视觉与模式识别 2025-10-16 v3 人工智能图形学多媒体

作者: Leo Hoshikawa , Marcos V. Conde , Takeshi Ohashi , Atsushi Irie

摘要

隐式神经表示 (INRs) 和神经场是一种新颖的信号表示范式，涵盖图像、音频、3D 场景和视频等。其核心思想是将信号表示为连续可微的神经网络。这种新方法提出了新的理论问题和挑战。将神经图像视于作为神经网络表示的 2D 图像，我们旨在探索神经图像的新型压缩方法。本文提出了一种关于压缩神经场的新颖分析，聚焦于图像，并引入自适应神经图像 (ANI)，一种高效的神经表示，使其能够适应不同的推理或传输需求。我们的方法使神经图像每像素位数 (bpp) 降低 8 倍，同时不损失细节或降低保真度。我们的工作为开发压缩神经场提供了新框架，凭借成功实现 4 位神经表示，我们在 PSNR/bpp 折中实现了新的最佳表现。

关键词

神经渲染隐式神经表示图像压缩神经场位深降低

引用

@article{arxiv.2405.16807,
  title  = {Extreme Compression of Adaptive Neural Images},
  author = {Leo Hoshikawa and Marcos V. Conde and Takeshi Ohashi and Atsushi Irie},
  journal= {arXiv preprint arXiv:2405.16807},
  year   = {2025}
}

备注

ICCV 2025 Workshop - Binary and Extreme Quantization for Computer Vision

自适应神经图像的极端压缩

摘要

关键词

引用

备注

相关论文