本文评估了非线性变换编码（NTC）方法在图像方面的性能，超越了最佳线性变换编解码器的速率-失真性能。通过简单示例源评估了NTC的经验速率-失真性能，并引入了一种新颖的熵约束向量量化器的变体。文章还分析了用于NTC模型的随机优化技术和基于人工神经网络的变换体系结构以及学习的熵模型。最后，通过直接比较多种方法，引入了一个简化的方法来参数化非线性变换的速率-失真权衡。

该文章介绍了一种图像压缩方法，通过非线性分析变换、均匀量化器和非线性合成变换构成，提高训练图像数据库的速率失真性能。该方法在速率失真性能和视觉质量方面优于标准JPEG和JPEG2000压缩方法。

学习图像压缩 (LIC) 是一种有效的图像存储和传输解决方案。研究者提出了频率感知变换器 (FAT) 模块，实现了对 LIC 的多尺度方向分析。FAT 模块包括频率分解窗口注意力 (FDWA) 模块和频率调制前馈网络 (FMFFN)。实验证明，该方法在速率失真性能上达到了最先进的水平，并在多个数据集上相对于标准编解码器提高了 BD - 率。

该文介绍了一种新颖的频率感知变换器（FAT）模块，用于解决图像压缩中的表示冗余问题，实现了多尺度方向分析。该方法在速率失真性能上达到了最先进的水平，并在多个数据集上相对于最新的标准编解码器提高了BD-率。

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。

该文介绍了一种图像压缩方法，使用非线性分析变换、均匀量化器和非线性合成变换构成，以实现比标准JPEG和JPEG2000更好的速率失真性能，并在所有位率下对所有图像的视觉质量均有显著提高。