具有改进熵最小化的图像压缩与质量增强端到端联合学习方案
图像与视频处理
2020-03-16 v2 计算机视觉与模式识别
摘要
近来，基于学习的图像压缩方法得到了积极研究。其中，基于熵最小化的方法相比 BPG 和 JPEG2000 等传统图像编解码器取得了更优的结果。然而，在图像压缩过程中质量增强与码率最小化存在冲突性耦合，即保持高图像质量会导致压缩比降低，反之亦然。但是，通过将独立的质量增强与图像压缩联合训练，可提高编码效率。在本文中，我们提出一种新颖的图像压缩与质量增强联合学习方案，称为 JointIQ-Net，并改进熵模型，从而相比先前方法显著提升了编码效率。我们提出的 JointIQ-Net 将图像压缩子网络与质量增强子网络级联结合，二者在 JointIQ-Net 内以组合方式端到端训练。此外，JointIQ-Net 得益于改进的熵最小化，其新采用了高斯混合模型（GMM）并进一步利用全局上下文来估计潜表示的的概率。为展示所提 JointIQ-Net 的有效性，我们进行了大量实验，结果表明在 PSNR 和 MS-SSIM 方面，JointIQ-Net 相比先前基于学习的图像压缩方法以及 VVC Intra (VTM 7.1)、BPG、JPEG2000 等传统编解码器实现了显著的编码效率提升。据我们所知，这是首个在 PSNR 和 MS-SSIM 上优于 VVC 标准最新参考软件 VTM 7.1 (Intra) 的端到端优化图像压缩方法。
引用
@article{arxiv.1912.12817,
title = {An End-to-End Joint Learning Scheme of Image Compression and Quality Enhancement with Improved Entropy Minimization},
author = {Jooyoung Lee and Seunghyun Cho and Munchurl Kim},
journal= {arXiv preprint arXiv:1912.12817},
year = {2020}
}
备注
25 pages, 14 figures