用于端到端图像压缩的扩展自适应缩放归一化
图像与视频处理
2022-08-08 v1
摘要
近年来，利用卷积神经层的基于学习的图像压缩方法发展迅速。卷积神经网络中常用的批归一化等重缩放模块对各种输入并非自适应地运作。因此，广义可分离归一化（GDN）已广泛用于图像压缩中，以在空间和通道轴上自适应地重缩放输入特征。然而，GDN 的表示能力或自由度受到严重限制。此外，GDN 无法考虑图像的空间相关性。为克服 GDN 的局限，我们构建了自适应缩放模块的扩展形式，称为扩展自适应缩放归一化（EASN）。首先，我们利用 swish 函数提升表示能力。然后，我们增大感受野使自适应重缩放模块考虑空间相关性。此外，我们引入输入映射函数赋予模块更高的自由度。我们通过特征图的可视化结果展示了 EASN 在图像压缩网络中的工作机制，并开展大量实验表明我们的 EASN 显著提升了率失真性能，甚至在高码率下优于 VVC 帧内编码。
引用
@article{arxiv.2208.03049,
title = {Expanded Adaptive Scaling Normalization for End to End Image Compression},
author = {Chajin Shin and Hyeongmin Lee and Hanbin Son and Sangjin Lee and Dogyoon Lee and Sangyoun Lee},
journal= {arXiv preprint arXiv:2208.03049},
year = {2022}
}
备注
ECCV2022 Accepted