本文综述学习图像压缩进展：L3C采用分层自适应熵模型，性能超越PNG和WebP；后续研究致力于提升感知质量、节省比特率，并拓展至语义分割、JPEG重压缩等方向。

本文综述学习图像压缩方法：核心框架为端到端非线性变换加均匀量化，用卷积与非线性激活实现局部增益控制，并以连续代理优化不连续量化损失，速率失真优于JPEG和JPEG2000。后续研究引入内容导向策略、频率感知变换器与通道自回归、Octave卷积多频分解、Transformer超先验熵模型及编解码与任务联合训练，在Kodak等数据集上BD率显著优于VTM-12.1。

该文介绍了一种新颖的频率感知变换器 (FAT) 模块，用于改善学习图像压缩 (LIC) 方法的速率失真性能。作者还提出了基于变换器的通道级自回归 (T-CA) 模型，实验证明该方法在速率失真性能上达到了最先进的水平。