评估学习型图像压缩的实用性
图像与视频处理
2022-08-01 v1 计算机视觉与模式识别
摘要
与传统方法相比，学习型图像压缩在PSNR和MS-SSIM上取得了卓越的率失真性能。然而，它存在计算密集的问题，这对实际应用难以承受，并导致目前其工业应用有限。本文中，我们引入神经架构搜索（NAS）来设计具有更低延迟的更高效网络，并利用量化加速推理过程。同时，在多线程和SIMD等工程方面做出了提升效率的努力。使用PSNR与MS-SSIM的混合损失优化以获得更好视觉质量，我们在所有码率下获得比JPEG、JPEG XL和AVIF高得多的MS-SSIM，以及介于JPEG XL与AVIF之间的PSNR。我们对LIC的软件实现取得了与jpeg-turbo相当甚至更快的推理速度，同时比JPEG XL和AVIF快数倍。此外，我们对LIC的实现在Tesla T4 GPU上对1080p图像达到惊人的145 fps编码吞吐量与208 fps解码吞吐量。在CPU上，我们实现的延迟与JPEG XL相当。
引用
@article{arxiv.2207.14524,
title = {Evaluating the Practicality of Learned Image Compression},
author = {Hongjiu Yu and Qiancheng Sun and Jin Hu and Xingyuan Xue and Jixiang Luo and Dailan He and Yilong Li and Pengbo Wang and Yuanyuan Wang and Yaxu Dai and Yan Wang and Hongwei Qin},
journal= {arXiv preprint arXiv:2207.14524},
year = {2022}
}