基于生成对抗网络的可控保真度极端图像压缩
图像与视频处理
2023-06-01 v1 计算机视觉与模式识别
摘要
我们提出一种基于 GAN 的图像压缩方法，工作于低于 0.1bpp 的极低码率下。大多数现有的学习型图像压缩方法在极低码率下会出现模糊。尽管 GAN 有助于重建清晰图像，但存在两个缺点。第一，GAN 使训练不稳定。第二，重建常包含不悦人的噪声或伪影。为解决这两个缺点，我们的方法采用两阶段训练与网络插值。两阶段训练能有效稳定训练。此外，网络插值利用两阶段中的模型并减少不良噪声与伪影，同时保持重要边缘。因此，我们可在无需重新训练模型的情况下控制感知质量与保真度之间的权衡。实验结果表明，我们的模型能重建高质量图像。此外，我们的用户研究证实，我们的重建结果优于当前最优的基于 GAN 的图像压缩模型。代码将公开。
引用
@article{arxiv.2008.10314,
title = {Fidelity-Controllable Extreme Image Compression with Generative Adversarial Networks},
author = {Shoma Iwai and Tomo Miyazaki and Yoshihiro Sugaya and Shinichiro Omachi},
journal= {arXiv preprint arXiv:2008.10314},
year = {2023}
}
备注
8 pages, 11 figures