高效的学习型无损 JPEG 重压缩
图像与视频处理
2023-08-28 v1
摘要
JPEG 是最流行的图像压缩方法之一。对已有 JPEG 文件进一步压缩而不引入额外失真颇有益处。本文提出一种基于深度学习的方法，对 JPEG 图像进行进一步无损压缩。具体地，我们提出多级并行条件建模（ML-PCM）架构，其支持不同粒度的并行解码。首先，亮度与色度独立处理以允许并行编码。其次，我们提出流水线并行上下文模型（PPCM）与压缩棋盘格上下文模型（CCCM），用于在亮度与色度分量内实现有效条件建模与高效解码。相较先前 SOTA，我们的方法在取得更优压缩比的同时具有低得多的延迟。经恰当软件优化，我们在 NVIDIA T4 GPU 上对 1080P 图像可获得 57 FPS 的良好吞吐率。此外，结合量化，我们的方法也可作为有损 JPEG 编解码器，在高码率（bpp>0.9）下相对 SOTA 有损压缩方法具明显优势。
引用
@article{arxiv.2308.13287,
title = {Efficient Learned Lossless JPEG Recompression},
author = {Lina Guo and Yuanyuan Wang and Tongda Xu and Jixiang Luo and Dailan He and Zhenjun Ji and Shanshan Wang and Yang Wang and Hongwei Qin},
journal= {arXiv preprint arXiv:2308.13287},
year = {2023}
}