ARCHE：基于超prior和激发的自回归残差压缩
图像与视频处理
2026-03-12 v1 计算机视觉与模式识别
机器学习
摘要
近期在基于学习的图像压缩方面的进展表明，端到端优化能够显著超越传统编解码器，具体方法是联合学习紧凑的潜在表征和概率熵模型。然而，许多现有方法在提高速率失真效率的同时，会增加计算成本并受限于并行度。本文提出了ARCHE——自回归残差压缩框架，集成了超prior和激发机制，平衡了建模精度与计算效率。该框架统一了层次化、空间和通道级先验于单一概率框架中，捕获图像潜在表征中的全局与局部依赖关系，同时采用自适应特征重标定和残差细化以提升潜在表征质量。 ARCHE不依赖循环网络或Transformer结构，即可达到状态最佳的速率失真效率：相较于常用的Balle等模型，BD-Rate降低约48%；相较于Minnen & Singh的通道级自回归模型，BD-Rate降低30%；相较于VVC Intra编解码器，BD-Rate降低5%。该框架在9500万参数和每张图像222毫秒的运行时间下保持计算效率。视觉对比结果表明，在较低比特率下，ARCHE能够呈现更锐利的纹理和更佳的色彩保真度，证明了通过高效卷积设计实现精准熵模型在实际部署中的可行性。
引用
@article{arxiv.2603.10188,
title = {ARCHE: Autoregressive Residual Compression with Hyperprior and Excitation},
author = {Sofia Iliopoulou and Dimitris Ampeliotis and Athanassios Skodras},
journal= {arXiv preprint arXiv:2603.10188},
year = {2026}
}
备注
16 pages, 12 figures