走在汽車革命的路上論文書籍站
國立交通大學 資訊科學與工程研究所 邱維辰所指導 張耕睿的 基於深度學習之影像與影片壓縮殘差模式挖掘 （2018），提出影片壓縮 不 失真關鍵因素是什麼，來自於壓縮、殘差、深度學習。
而第二篇論文國立臺灣大學 電信工程學研究所 丁建均所指導 傅思維的 新穎影像壓縮技術於JPEG改良、膠原蛋白圖片壓縮、及3D立體圖片壓縮的應用 （2013），提出因為有 影像壓縮、醫學影像、無失真壓縮、膠原蛋白影像、立體圖片壓縮、視差估測、JPEG的重點而找出了 影片壓縮 不 失真的解答。
影片壓縮 不 失真進入發燒排行的影片
Hi大家好我是Jason
今天要用3分鐘帶你認識攝影基礎裡面的Raw檔跟JPEG檔
新手可能不知道
一般攝影有兩種常見的檔案 Raw跟JPEG
Raw檔基本上屬於無壓縮檔 它記錄的細節 畫素 以及畫質的順準都比較高
然後JPEG算是失真壓縮格式 會丟失比較多照片的細節
對於追求畫質以及後製居多的使用者來說
會比較推薦Raw檔 但是缺點就是檔案較大且需要花時間做調整和後製
但如果你知道想拍照上傳到IG 不在意畫質和後製的話呢
建議你選擇JPEG就好了
省時省空間省力
希望這部影片有幫助到喜歡攝影的你
基於深度學習之影像與影片壓縮殘差模式挖掘
為了解決影片壓縮 不 失真 的問題，作者張耕睿 這樣論述：
隨著現代社會實況影音的蓬勃發展，該如何在有限的頻寬下去降低壓縮帶來的失真 影響也就成為一個不可或缺的議題。迄今許多方法致力於直接對壓縮後的影像或影片 幀做細節復原的操作，但這個解決問題的方向有個很根本的缺失，就是完全沒有考慮 到原始檔案豐富的語意資訊。為彌補這項不足，我們利用了殘差的概念，殘差意即原 始檔案與壓縮檔案的相異之處，這邊我們猜想或許殘差會是由幾種固定的模式所構成。 因此，在這篇論文中我們提出了一個去學習殘差模式的架構，並將這些學習到的殘差 模式在接收端保存成一個離線的模式字典。有了這個字典式的資料庫，在遇到像是實 況影片傳輸這類的任務時，我們就只需知道該從此資料庫中取回何種殘差模
式，即可 後處理出更高品質的影像檔案。相較於對每個檔案皆傳送其對應之殘差，此策略節省 了不少傳輸資訊的成本。值得一提的是，除了影片外，我們的架構亦能廣泛的應用在 基於傳統編碼或是時下蔚為風潮的卷積類神經網路演算法的圖像壓縮，我們會在最後 展示以各類壓縮方法於各數據集下實現的效果。
新穎影像壓縮技術於JPEG改良、膠原蛋白圖片壓縮、及3D立體圖片壓縮的應用
為了解決影片壓縮 不 失真 的問題，作者傅思維 這樣論述：
現今為了節省記憶體使用率以及減少網路傳輸時間的緣故，影像壓縮不只變得愈越來越受歡迎而且愈來愈受重視。影像壓縮的終極目標，就是盡可能使用少量的儲存空間來記錄大筆的資料，例如JPEG與JPEG2000。其中JPEG的全名為Joint Photographic Experts Group，是一種失真影像壓縮技術。「失真」一詞表示我們無法完美重建或解壓縮該JPEG壓縮後的圖片，也就是圖片會喪失一些細節、資訊。所以，JPEG在某些應用上無法提供足夠的品質保證，例如：醫學影像、具有複雜紋理的影像等等。一般而言，醫學影像中有任何細節上的誤差是不被允許的；因此，失真影像壓縮技術通常是不能使用在醫學影像上
的。為此我們針對醫學影像中的其中一種類型，即膠原蛋白影像，提出一種新的無失真壓縮方法；由於膠原蛋白影像的紋理非常複雜，以周圍鄰居像素為基礎的預測方式的無失真壓縮法，並不適用於該類型影像，為此我們提出一套以JPEG為基礎的預測方法，將複雜的紋理簡單化，再進行資料分群及適應性的算術編碼。 除此之外，由於最近3D特效越來越受到重視，因而導致不少電子產品都有內建的3D相機(雙鏡頭)及顯示器，然而目前採用的立體圖片壓縮方式還有很大的進步空間。為了解決這個問題，可以透過一些方塊匹配的方法來達成。雖然因為影片壓縮的需求，已經有很多快速的運動估測方式被提出來，然而很多是不適用於3D圖片的使用。所以我們利用3
D視覺的一些性質，提出了一個較有效率的視差估測方法，期望以此為基礎來減少左右圖片間資料的冗餘性，以達到更高的整體壓縮效率。 最後我們也提出了一個基於JPEG的大框架下所產生的改良版。由於硬體的不斷進步及運算速度的提升，以往JPEG所採用的簡單運算或許可以被一些較複雜的方法所取代，而不會增加太多的編碼時間。在此設計中，我們特別考量了不使用太多鄰近像素的資訊，使得所需用到的buffer大小限制在一定的範圍內。透過這些較為有效的設計，我們發現和傳統的JPEG壓縮率相比有著不少的進步，特別是量化因子q越大時效果越明顯。