本研究探讨了神经图像压缩（NIC）的脆弱性，特别是比特流碰撞问题。提出了一种新颖的白盒对抗攻击算法，表明不同图像可能生成相同的压缩比特流，从而威胁到NIC在安全应用中的有效性，并提供了一种有效的缓解方案。

本研究探讨了内容自适应优化对神经图像压缩的影响，提出了多种新技术和框架，显著提升了压缩性能和速率-失真表现。通过改进网络架构和引入适配器模块，研究展示了在不同视觉内容和分辨率下的有效性，且计算效率与传统方法相当。

本文介绍了一种基于变压器的多光谱神经图像压缩器，利用自注意力机制提升压缩性能，研究表明该方法在多个波长上优于传统算法，尤其在低比特率下表现出色，适用于NASA的数据密集型成像任务。

该文综述神经图像压缩进展：通过自动网络优化降低解码复杂度，平衡码率失真与运行时间；采用非线性分析与合成变换、均匀量化器，并以随机梯度下降优化。后续研究提出端到端自编码器、JointIQ-Net、AlphaVC、NN-VVC等，在PSNR和MSSSIM上超越JPEG、JPEG2000乃至VVC，并探索JPEG重压缩与位分配。

本文综述神经图像压缩进展，涵盖并行Transformer-CNN混合块、可扩展编解码器、内容自适应剪枝与迭代优化、扩散模型解码、可逆神经网络、感知导向编码及Transformer自回归先验等方法，在率失真、感知质量和机器视觉任务上取得领先表现。

该研究使用知识蒸馏和神经图像压缩的思想，采用监督压缩方法来更高效地压缩深度学习的中间特征表示。在三个视觉任务上，该方法表现出更好的性能，并且学习到的特征表示可以服务于多个下游任务。