数字图像处理

电子版链接：数字图像处理（中）第三版 (1).pdf
学习第1、2、4、6.1-6.2、8章，第八章可结合JPEG编码细节介绍看，掌握编码的大致流程

深度学习

首先需要对Python有足够的了解，可选电子书：Python编程：从入门到实践.pdf
学习Pytorch，B站相关课程：跟李沐学AI的个人空间-动手学深度学习 PyTorch版-哔哩哔哩视频 (bilibili.com)，重点看00~29.2，31，33-37，47，47.2

入门基础论文

结合论文和代码（CompressAI）尝试自己训练一组模型，绘制RD曲线

常用训练、验证集：ImageNet/COCO
常用测试集：24张Kodak图片，由于原始图片边缘异常，有时会使用裁剪为方形的图片

1. Ballé, J., et al. (2015). "Density modeling of images using a generalized normalization transformation." arXiv preprint arXiv:1511.06281. AI Codec中常用的激活层GDN，相关代码：CompressAI/compressai/layers/gdn.py at master · InterDigitalInc/CompressAI (github.com)
2. Ballé, J., et al. (2016). "End-to-end optimized image compression." arXiv preprint arXiv:1611.01704. 介绍AI Codec的基础架构，可以结合JPEG编码看，对比它们流程中均有的变换、量化、熵编码，理解RD损失函数。相关代码：CompressAI/compressai/models/google.py at a4ae2eeef7bdb1b84ba076ac0d650b523f3fa882 · InterDigitalInc/CompressAI · GitHub
3. Ballé, J., et al. (2018). "Variational image compression with a scale hyperprior." arXiv preprint arXiv:1802.01436. 在基础架构上添加超先验（hyper），相关代码：CompressAI/compressai/models/google.py at a4ae2eeef7bdb1b84ba076ac0d650b523f3fa882 · InterDigitalInc/CompressAI · GitHub
4. Minnen, D., et al. (2018). "Joint autoregressive and hierarchical priors for learned image compression." Advances in neural information processing systems. 自回归（autoregressive）与超先验，相关代码：CompressAI/compressai/models/google.py at a4ae2eeef7bdb1b84ba076ac0d650b523f3fa882 · InterDigitalInc/CompressAI · GitHub

注：CompressAI在Linux下可直接pip安装，但不提供Windows安装包，参照下述流程安装：

1. 安装Visual Studio中C++相关包并重启
2. 使用conda新建python环境并安装好pytorch、scipy、matplotlib、pytorch-msssim
3. 激活上述环境，克隆CompressAI至本地，终端中进入目录，pip install .