该文综述基于深度学习的可变速率图像压缩，涵盖条件自编码器、选择性压缩、变量量化控制器、软硬编码、Transformer及层次VQ-VAE等方法，通过调整量化步长或重要性映射实现多码率，率失真性能与视觉质量优于JPEG和JPEG2000。

本文综述文本引导图像压缩的多模态方法，利用语义信息提升压缩性能，在极低比特率下改善视觉效果。相关研究涵盖双自适应掩膜、语义分割分层压缩、生成图像压缩及大规模多模态语义通信，通过语义一致性损失和条件生成对抗网络，在率失真性能和感知质量上超越现有技术。

该文综述了视频编码与流媒体优化的多项研究：利用迁移学习与时空特征预测比特率阶梯，编码复杂度较暴力搜索降低94.1%，BD-Rate仅1.71%；基于学习预测转码时间以优化实时流质量；提出分层双向视频压缩技术，结合运动估计与增益单元实现灵活速率压缩，取得先进率失真性能；RARN视频缩放算法实现5%–29% BD-Rate降低并可实时处理1080p；实时深度学习H.264控制器动态估计编码参数，视频质量提升10–20 dB，带宽利用改善达2.5倍。