探索神经图像压缩中的结构稀疏性
图像与视频处理
2022-03-14 v4 计算机视觉与模式识别
机器学习
摘要
神经图像压缩已经达到或超越了传统方法（如JPEG、BPG、WebP）。然而，其带有级联卷积层的复杂网络结构给实际部署带来了沉重的计算负担。在本文中，我们探索神经图像压缩网络中的结构稀疏性，以在无任何专用硬件设计或算法的情况下获得实时加速。我们提出一种简单的插件式自适应二值通道掩码（ABCM）来判断每个卷积通道的重要性，并在训练过程中引入稀疏性。在推理时，不重要的通道被剪枝以获得更瘦的网络和更少的计算量。我们将该方法应用于三种具有不同熵模型的神经图像压缩网络以验证其有效性与泛化性，实验结果表明，在性能下降可忽略的情况下，可实现高达7倍的计算量减少与3倍加速。
引用
@article{arxiv.2202.04595,
title = {Exploring Structural Sparsity in Neural Image Compression},
author = {Shanzhi Yin and Chao Li and Wen Tan and Youneng Bao and Yongsheng Liang and Wei Liu},
journal= {arXiv preprint arXiv:2202.04595},
year = {2022}
}
备注
6 pages, 5 figures, submitted to ICIP 2022