論文連接：https://arxiv.org/abs/1703.10553
1.系統模型
系統主要包括Encoder,Importantce map，Decoder三部分網絡，encoder是對圖片進行初步編碼，以及得到圖片的特征圖，作為后續importantance map部分的輸入，Decoder是解碼部分，恢復原始圖片。
2.proxy function
Encoder網絡的輸出的編碼都是在（0,1）區間內，但是要將編碼轉換為二進制，所以需要對得到的編碼進行量化，量化用到的函數如下：
但是由於量化函數在0.5以外任何地方的梯度都是0,0.5出為無窮大，如果采用這個函數，這種梯度導致網絡訓練過程中的難以通過反向傳播進行優化，所以這里引入一個新的函數：
引入新的函數后，可以看到梯度如下：
在前向編碼的過程中依舊使用原始的函數進行量化，但是梯度反向傳播進行優化的過程中，通過新引入的函數進行計算。
3.Importance Map
在對圖像進行編碼時，編碼器會對圖像的每一個像素進行編碼，但是在實際圖像中，圖像中包含的內容會存在空間差異，有的部分細節比較多，比如邊緣，紋理等，這些部分需要更多的bit進行編碼以便保留細節，但是有些背景部分，圖像比較平緩，沒有太多的內容，這些部分並不需要保留太多信息，所以可以用少量的bit進行編碼。因此不區分空間差異進行的編碼不僅會浪費資源，還會導致細節部分失真。所以在該系統中引入Importance Map網絡：
這部分網絡把編碼網絡得到的特征圖作為輸入，通過對圖像內容的空間差異進行分析，對不同的部分按復雜度分配bit，指導后續編碼。從圖像可以看出，針對壓縮率的不同，分配方式不同，當壓縮率要求高時，背景部分得到的bit數極少，只有一些圖像內部的邊緣部分分得較多的bit。
4.熵編碼
由編碼網絡的和Importance Map網絡得到的編碼並沒有進行熵約束，因此不是最優的，仍然存在壓縮空間，於是引入熵編碼，熵編碼可以用算數編碼如CABAC，該文章采用神經網絡的方式進行編碼，編碼網絡如下：
在對某bit進行編碼時，該網絡將其余部分分為Available bit和Unavailable bit，區分的標准是是否可以用來對該bit進行預測以及Importance Map中是否為0。
5.損失函數
由於圖像壓縮需要兼顧壓縮率和失真情況，所以需要對壓縮率和失真狀況進行聯合優化，優化函數如下：
第一部分代表原始圖像和壓縮后圖像的失真，使用均方誤差函數，后一部分是壓縮比例。