<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Огляд методів стиснення зображень з використанням глибинного навчання

Скорочена інформація про документ
dc.contributor.authorМайданюк, В. П.uk
dc.contributor.authorРоманюк, О. Н.uk
dc.contributor.authorДенисюк, А. В.uk
dc.contributor.authorMaidaniuk, V.en
dc.contributor.authorRomanyuk, O.en
dc.contributor.authorDenysiuk, A.en
dc.titleОгляд методів стиснення зображень з використанням глибинного навчанняuk
dc.title.alternativeA review of image compression methods using deep learningen
dc.date.issued2026
dc.publisherВінницький національний технічний університетuk
dc.identifier.citationМайданюк В. П., Романюк О. Н., Денисюк А. В. Огляд методів стиснення зображень з використанням глибинного навчання // Матеріали LV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2026 р. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/all-fitki/all-fitki-2026/paper/view/27961.uk
dc.relation.ispartofМатеріали LV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2026 р.uk
dc.relation.urihttps://conferences.vntu.edu.ua/index.php/all-fitki/all-fitki-2026/paper/view/27961
dc.identifier.udc004.932
dc.identifier.urihttps://ir.lib.vntu.edu.ua/handle/123456789/51737
dc.description.abstractThe paper provides an analysis of modern approaches to visual data compression based on neural network architectures. The advantages of using generative adversarial networks (GAN) to maintain visual quality at low bitrates are analyzed.en
dc.description.abstractУ роботі проведено аналіз сучасних підходів до стиснення візуальних даних на основі нейромережевих архітектур. Проаналізовано переваги використання генеративно-змагальних мереж (GAN) для збереження візуальної якості при низьких бітрейтах.uk
dc.subjectстиснення зображеньuk
dc.subjectглибинне навчанняuk
dc.subjectваріаційні автоенкодериuk
dc.subjectгіперпріориuk
dc.subjectкритерій «швидкість-спотворення»uk
dc.subjectнейронні мережіuk
dc.subjectimage compressionen
dc.subjectdeep learningen
dc.subjectvariational autoencodersen
dc.subjecthyperpriorsen
dc.subjectrate-distortion criterionen
dc.subjectneural networksen
dc.typeThesis
dc.language.isoukuk
dc.relation.referencesМайданюк В. П. Теорія та програмне забезпечення кодування зображень: навчальний посібник [Електронний ресурс] / В. П. Майданюк, О. Н. Романюк. - Вінниця : ВНТУ, 2025. – 112 с.uk
dc.relation.referencesKingma, D. P., & Welling, M. (2013). Auto-Encoding Variational Bayes. arXiv preprint arXiv:1312.6114.en
dc.relation.referencesBallé, J., Laparra, V., & Simoncelli, E. P. (2016). End-to-end optimized image compression. International Conference on Learning Representations (ICLR).en
dc.relation.referencesBallé, J., Minnen, D., Singh, S., Hwang, S. J., & Johnston, N. (2018). Variational image compression with a scale hyperprior. International Conference on Learning Representations (ICLR).en
dc.relation.referencesMinnen, D., Ballé, J., & Toderici, G. D. (2018). Joint autoregressive and hierarchical priors for learned image compression. Advances in Neural Information Processing Systems (NeurIPS).en
dc.relation.referencesAgustsson, E., Tschannen, M., Mentzer, F., Timofte, R., & Van Gool, L. (2019). Generative Adversarial Networks for Extreme Learned Image Compression. Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV).en
dc.relation.referencesToderici, G., Vincent, D., Johnston, N., Jin, S. J., Hwang, D., Minnen, D., ... & Covell, M. (2017). Full Resolution Image Compression with Recurrent Neural Networks. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR).en
dc.date.accessioned2026-06-02T13:40:39Z
dc.date.available2026-06-02T13:40:39Z

Файли

Контейнер файлів

Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
202441.pdf
Розмір:
385,11 KB
Формат:
Adobe Portable Document Format
Завантажити

Ліцензійна угода

Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
license.txt
Розмір:
129 B
Формат:
Plain Text
Опис:
Завантажити

Зібрання

НТКП ВНТУ. Факультет інформаційних технологій та комп'ютерної інженерії (2026)
Наукові видання каф. ПЗ