该研究提出了UniPCGC框架，有效解决了点云压缩中的高复杂性和有限压缩模式问题。与现有方法相比，UniPCGC在无损压缩上提升了8.1%，有损压缩提升了14.02%，为实际应用提供了更好的支持。

本研究提出一种信息理论框架，将稀疏自编码器视为有损压缩算法，以改善神经网络的解释性。通过最小描述长度原则，该方法比单纯优化稀疏性更准确。在手写数字实验中，有效特征选择提高了理解的独立性和清晰度。

本研究解决了3D医学图像处理中有损压缩的问题。实验显示，CT和MRI数据可在不影响分割质量的情况下实现最多20倍压缩。深度神经网络模型能准确预测压缩与未压缩数据的差异，确保质量无损。

苹果在iPhone 16 Pro系列中引入了JPEG-XL格式，速度更快、体积更小，支持有损和无损压缩。目前仅iPhone 16 Pro和iPhone 16 Pro Max支持该格式，其他机型仍需使用HEIF或ProRAW格式。

图像压缩是计算机视觉中的关键技术，可以高效存储和传输图像。本教程使用OpenCV教授图像压缩，涵盖理论和实际应用。了解无损和有损压缩，减小文件大小，评估压缩质量。OpenCV还支持高级压缩技术。图像压缩对计算机视觉和节省空间带宽很重要。

DLRM模型通过有损压缩方法实现高压缩比，减少训练时间中的通信瓶颈。双层自适应策略平衡了压缩带来的好处和准确性的影响。评估结果显示，该方法实现了1.38倍的训练加速，几乎不影响准确性。

该文章介绍了一种利用稀疏解压表示来传达监控视频中的时间冗余的新系统。通过将帧视频转码为稀疏的、异步的强度样本，引入了内容适应、有损压缩和经典视觉算法的异步形式的机制。评估发现，相对于OpenCV的FAST特征检测速度提高了中位数43.7%。该系统只处理接收到新异步事件的像素，为神经形态传感器和脉冲神经网络应用提供了新的可能性。

我们开发了一种无监督的方法，用于单幅图像的联合分割和去噪。我们的方法可以将图像分割为多个有意义的区域，无需训练数据库。我们提出了一种新的能量函数，耦合了去噪和分割任务。我们的联合方法在性能上优于顺序对应物和纯粹针对去噪或分割的替代方法。与监督深度学习方法相比，我们的方法表现良好。

本文介绍了一种基于神经网络的有损压缩方法，用于NASA的数据密集型成像任务，特别是太阳系和太阳的数据收集。该方法在压缩极紫外（EUV）数据时，在速率失真（RD）性能方面优于JPEG和JPEG-2000。

JPEG XL是一种免专利费的图像格式，支持有损和无失真压缩。Chromium项目组正在重新考虑是否支持JPEG XL，而火狐表示中立。苹果在WWDC 2023中宣布Safari将支持JPEG XL，引发了重新讨论。