GOLLIC：面向无损高分辨率图像压缩的超越图像块全局上下文学习
图像与视频处理
2022-10-10 v1 计算机视觉与模式识别
机器学习
摘要
基于神经网络的方法近期出现在数据压缩领域，并已在图像压缩中带来显著进展，尤其在实现更高压缩比方面。然而，在无损图像压缩场景下，由于计算资源的限制，现有方法往往难以学习全尺寸高分辨率图像的概率模型。当前的策略是将高分辨率图像裁剪成多个不重叠的图像块并独立处理。该策略忽略了图像块之外的长程依赖，从而限制了建模性能。为解决此问题，我们提出了一种带有全局上下文的层次化潜变量模型，以捕获高分辨率图像的长程依赖。除每个图像块独有的潜变量外，我们引入了图像块间共享的潜变量来构建全局上下文。共享潜变量由模型编码器内的自监督聚类模块提取。该聚类模块为每个图像块分配其属于任一聚类的置信度。随后，根据图像块的潜变量及其置信度学习共享潜变量，这反映了同一聚类中图像块的相似性并有益于全局上下文建模。实验结果表明，在三个基准高分辨率图像数据集 DIV2K、CLIC.pro 和 CLIC.mobile 上，我们的全局上下文模型相比工程化编解码器和深度学习模型提升了压缩比。
引用
@article{arxiv.2210.03301,
title = {GOLLIC: Learning Global Context beyond Patches for Lossless High-Resolution Image Compression},
author = {Yuan Lan and Liang Qin and Zhaoyi Sun and Yang Xiang and Jie Sun},
journal= {arXiv preprint arXiv:2210.03301},
year = {2022}
}