基于正则化残差量化的多层图像表示：在压缩与去噪中的应用
计算机视觉与模式识别
2017-07-10 v1
摘要
提出一种基于学习的特定域图像表示框架，其中使用基于VQ的多层网络可实现联合压缩与去噪。该框架学习压缩来自训练集的图像，其压缩性能在测试集图像上泛化良好。此外，当输入测试集的含噪版本时，由于网络具有来自干净图像的先验，其在重建过程中还能高效地对测试图像去噪。所提框架是残差量化（Residual Quantization, RQ）的正则化版本，在每一阶段，前一阶段的量化误差被进一步量化。与从k-means学习码本（对高维向量易过训练）不同，我们表明仅需从随机但适当正则化的分布生成码字，即可全局压缩图像，且无需借助基于图像块划分的方法。实验在CroppedYale-B人脸图像集上进行，该方法与JPEG-2000编解码器（压缩）及BM3D（去噪）比较，展示了有前景的结果。
引用
@article{arxiv.1707.02194,
title = {A multi-layer image representation using Regularized Residual Quantization: application to compression and denoising},
author = {Sohrab Ferdowsi and Slava Voloshynovskiy and Dimche Kostadinov},
journal= {arXiv preprint arXiv:1707.02194},
year = {2017}
}
备注
At the International Conference on Image Processing 2017 (ICIP'17), Beijing, China