<div dir="ltr">
<div><span>Apologies for cross-posting<br>*******************************<br></span><br><span>CALL FOR PARTICIPANTS & PAPERS<br><br></span>CLIC: Workshop and Challenge on Learned Image Compression <span class="gmail-il">2020</span>
<br>in conjunction with <span><span class="gmail-il">CVPR</span></span> <span class="gmail-il">2020</span>, June 15, Seattle, USA.<br>
<br>Website: <a href="http://www.compression.cc/">http://www.compression.cc/</a></div><div><br></div><div>
<br></div><div></div><div>MOTIVATION<br></div><div><div dir="ltr"><div>
<br>
Our workshop aims to gather publications which will advance the field of
 image and video compression using state of the art machine learning and
 computer vision techniques. Even with the long history of 
signal-processing oriented compression, taking new approaches to image 
processing have great potential, due to the proliferation of 
high-resolution cell-phone images and special hardware (e.g., GPUs and 
mobile AI accelerators). The potential in this area has already been 
demonstrated using recurrent neural networks, convolutional neural 
networks, and adversarial learning, many of these matching the best 
image-compression standards when measured on perceptual metrics. As 
such, we are interested in the various techniques associated with this 
class of methods. Broadly speaking, we would like to encourage the 
development of novel encoder/decoder architectures, novel ways to 
control information flow between the encoder and the decoder, novel 
optimization objectives for improved perceptual quality and learn how to
 quantize (or learn to quantize) better.
                        

<br>
</div><div><br></div><div><br>
CHALLENGE TRACKS
<br>
<br>There are two challenge tracks. In the low bit-rate track, images 
need to be compressed to below 0.15 bits per pixel (bpp). This is the 
same task as in previous years, which allows us to measure progress over
 the years. As a first step towards video compression, this year also 
includes a P-frame track. Here, video P-frames need to be predicted from
 a previous frame.
<br>
<br>Low-rate compression
<br>
<br>For the low bit-rate track (which is similar to the one we ran at 
CLIC 2018), contestants will be asked to compress the entire dataset to 
0.15 bpp or smaller. The winners of the competition will be chosen based
 human perceptual rating task and will be asked to give a short talk at 
the CLIC workshop. PSNR and MS-SSIM will be evaluated but not considered
 for prizes. We will provide last year’s professional and mobile 
datasets (all splits) as the training data for this challenge track. A 
new test set will be generated for this year and released during the 
test phase. 
<br>
<br>
<br>P-frame compression
<br>
<br>The P-frame challenge will require entrants to compress a video 
frame conditioned on the previous image frame. Instead of splitting the 
dataset into training and test sets, in this track the entire dataset is
 released before the test phase. To discourage overfitting, the model 
size is added to the compressed dataset size and the sum cannot exceed a
 target bit-rate. That is, participants should try to minimize both the 
dataset size and the model size. The winner will be determined based on 
MS-SSIM.
<br>


<br>

<br>REGULAR PAPERS<br>
<br>We will have a short (4 pages) regular paper track, which allows 
participants to share research ideas related to image compression. In 
addition to the paper, we will host a poster session during which 
authors will be able to discuss their work in more detail. 
<br></div><div><br></div><div>We encourage exploratory research which shows promising results in:
<br><div style="margin-left:40px">●     Lossy image compression
<br>●     Quantization (learning to quantize; dealing with quantization in optimization)
<br>●     Entropy minimization
<br>●     Image super-resolution for compression
<br>●     Deblurring
<br>●     Compression artifact removal
<br>●     Inpainting (and compression by inpainting)
<br>●     Generative adversarial networks
<br>●     Perceptual metrics optimization and their applications to compression
<br>And in particular, how these topics can improve image compression.
<br>
</div></div><div><br>
<br>
CHALLENGE PAPERS
<br>
<br>The challenge task participants are asked to submit a short paper 
(up to 4 pages) detailing the algorithms which they submitted as part of
 the challenge.
<br>
</div><div><br></div><div><br>
SUBMISSION (TBA)
<br>
</div><div><br></div><div><br>


IMPORTANT DATES
<br>
<br><div style="margin-left:40px">
November 22th 2019      Development phase & announcement. The training part of the dataset released.
<br>January 7th, 2020     The validation part of the dataset released, online validation server is made available.
<br>March 13th, 2020      Final decoders for the challenge are expected to be submitted.
<br>March 16th, 2020      Test set is released for contestants to compress.
<br>March 20th, 2020      Encoded test set submission deadline. The competition is closed at this point.
<br>March 23th, 2020      Paper and Factsheet submission deadline.per and Factsheet submission deadline.
<br>April 6th, 2020       Paper decision notification.
<br>Mid April, 2020       Camera ready deadline for CVPR
<br>Mid May, 2020                 End of human evaluation on both challenges. Results will be released online before the workshop. 


<br></div>
</div><div><br></div><div><br>SPEAKERS
<br>
<br><div style="margin-left:40px">

Nils Thuerey, Technical University of Munich, Germany
<br>Yochai Blau, Technion, Israel
<br>Tom Bird, UCL, London


<br></div>
</div><div><br></div><div><br>ORGANIZERS
<br>
<br><div style="margin-left:40px">
George Toderici (Google)
<br>Wenzhe Shi (Twitter)
<br>Radu Timofte (ETH Zurich)
<br>Lucas Theis (Twitter)
<br>Johannes Ballé (Google)
<br>Eirikur Agustsson (ETH Zurich / Google)
<br>Nick Johnston (Google)
<br>Fabian Mentzer (ETH Zurich) <br></div><br>SPONSORS (TBU):<br>
<br><div style="margin-left:40px">  Google
<br>  Twitter <br></div><div style="margin-left:40px">CVL / ETH Zurich<br></div><div dir="ltr"><br>Website: <a href="http://www.compression.cc/">http://www.compression.cc/</a></div></div></div> 

<br></div>
<br>


</div>