不同颜色空间对学习图像压缩的影响研究

本文比较了颜色空间（如YUV、LAB、RGB）对学习图像压缩的影响。我们采用我们先前工作中的结构和颜色基于学习的图像编解码器（SLIC），其包含两个分支——一个用于亮度分量（Y或L），另一个用于色度分量（UV或AB）。然而，对于RGB变体，我们将所有3个通道输入到单个分支中，类似于大多数运行在RGB上的学习图像编解码器。我们在每个颜色空间中针对多个比特率配置训练模型。我们通过在各种数据集上评估结果并与最先进的图像编解码器进行比较，报告我们的实验发现。YUV模型在MS-SSIM方面优于LAB变体，采用VTM intra编码模式作为基准，实现7.5%的Bjøntegaard delta比特率（BD-BR）提升。而LAB变体在CIEDE2000方面优于YUV模型，实现8%的BD-BR提升。总体而言，SLIC的RGB变体在MS-SSIM方面实现了13.14%的BD-BR提升，在CIEDE2000方面实现了17.96%的提升，但代价是模型复杂度的增加。