用于保分布有损压缩的深度生成模型
机器学习
2018-10-30 v2 机器学习
摘要
我们提出并研究了保分布有损压缩问题。受极端图像压缩近期进展的启发——其即使在极低码率下也能保持无伪影重建——我们提出在重建样本遵循训练数据分布这一约束下优化率失真权衡。所得的压缩系统恢复了谱系的两端：一方面，在零码率时它学习数据的生成模型，而在足够高码率时实现完美重建。此外，在中间码率下，它在学习训练数据的生成模型与完美重建训练样本之间平滑插值。我们研究了几种近似求解所提优化问题的方法，包括一种 Wasserstein GAN 与 Wasserstein Autoencoder 的新颖组合，并对所提压缩系统给出了广泛的理论与实证刻画。
引用
@article{arxiv.1805.11057,
title = {Deep Generative Models for Distribution-Preserving Lossy Compression},
author = {Michael Tschannen and Eirikur Agustsson and Mario Lucic},
journal= {arXiv preprint arXiv:1805.11057},
year = {2018}
}
备注
NIPS 2018. Code: https://github.com/mitscha/dplc . Changes w.r.t. v1: Some clarifications in the text and additional numerical results