Zobrazeno 1 - 10
of 63
pro vyhledávání: '"Lainema, Jani"'
Autor:
Zou, Nannan, Zhang, Honglei, Cricri, Francesco, Youvalari, Ramin G., Tavakoli, Hamed R., Lainema, Jani, Aksu, Emre, Hannuksela, Miska, Rahtu, Esa
Neural image coding represents now the state-of-the-art image compression approach. However, a lot of work is still to be done in the video domain. In this work, we propose an end-to-end learned video codec that introduces several architectural novel
Externí odkaz:
http://arxiv.org/abs/2112.08767
Autor:
Zou, Nannan, Zhang, Honglei, Cricri, Francesco, Tavakoli, Hamed R., Lainema, Jani, Hannuksela, Miska, Aksu, Emre, Rahtu, Esa
In this paper we present an end-to-end meta-learned system for image compression. Traditional machine learning based approaches to image compression train one or more neural network for generalization performance. However, at inference time, the enco
Externí odkaz:
http://arxiv.org/abs/2007.16054
We present an efficient finetuning methodology for neural-network filters which are applied as a postprocessing artifact-removal step in video coding pipelines. The fine-tuning is performed at encoder side to adapt the neural network to the specific
Externí odkaz:
http://arxiv.org/abs/2007.14267
Autor:
Zou, Nannan, Zhang, Honglei, Cricri, Francesco, Tavakoli, Hamed R., Lainema, Jani, Aksu, Emre, Hannuksela, Miska, Rahtu, Esa
One of the core components of conventional (i.e., non-learned) video codecs consists of predicting a frame from a previously-decoded frame, by leveraging temporal correlations. In this paper, we propose an end-to-end learned system for compressing vi
Externí odkaz:
http://arxiv.org/abs/2004.09226
Autor:
Aytekin, Caglar, Cricri, Francesco, Hallapuro, Antti, Lainema, Jani, Aksu, Emre, Hannuksela, Miska
In this manuscript we propose two objective terms for neural image compression: a compression objective and a cycle loss. These terms are applied on the encoder output of an autoencoder and are used in combination with reconstruction losses. The comp
Externí odkaz:
http://arxiv.org/abs/1905.10371
Autor:
Lam, Yat Hong, Zare, Alireza, Aytekin, Caglar, Cricri, Francesco, Lainema, Jani, Aksu, Emre, Hannuksela, Miska
In this paper, we present a novel approach for fine-tuning a decoder-side neural network in the context of image compression, such that the weight-updates are better compressible. At encoder side, we fine-tune a pre-trained artifact removal network o
Externí odkaz:
http://arxiv.org/abs/1905.04079
Autor:
Aytekin, Caglar, Ni, Xingyang, Cricri, Francesco, Lainema, Jani, Aksu, Emre, Hannuksela, Miska
In this work, we propose an end-to-end block-based auto-encoder system for image compression. We introduce novel contributions to neural-network based image compression, mainly in achieving binarization simulation, variable bit rates with multiple ne
Externí odkaz:
http://arxiv.org/abs/1805.10887
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.