HCF：分布式多阶段图像压缩的层次级联框架
计算机视觉与模式识别
2026-01-21 v3
摘要
分布式多阶段图像压缩——即视觉内容在具有不同质量要求的多个处理节点之间传递——带来挑战。分级方法使比特流可截断，但未充分利用可用计算资源；多次压缩重复执行昂贵的像素域操作，导致累积性质量损失和效率低下；固定参数模型缺乏编码后灵活性。本文提出了层次级联框架（Hierarchical Cascade Framework, HCF），通过网络节点之间直接的潜在空间变换实现高保真度性能和更好的计算效率。在 HCF 基础上，我们引入了基于策略的量化控制以优化率失真权衡，并通过微分熵分析建立了边缘量化原则。基于该原则的配置在其他配置基础上实现了最高达 0.6dB 的 PSNR 提升。在在可见图（Kodak）、CLIC 和 CLIC2020-mobile 数据集上进行的全面评估表明，HCF 在 CLIC 上相较于多次压缩方法在 PSNR 上的 BD-Rate 最高提升 5.56%，同时节省最高可达 97.8% 的 FLOPs、96.5% 的 GPU 内存和 90.0% 的执行时间。它还在可见图上较当前最先进的分级压缩方法实现了最高 12.64% 的 BD-Rate 提升，并实现了在 CLIC2020-mobile 上 7.13-10.87% 的 BD-Rate 降低，实现无需重新训练的跨质量适应。
引用
@article{arxiv.2508.02051,
title = {HCF: Hierarchical Cascade Framework for Distributed Multi-Stage Image Compression},
author = {Junhao Cai and Taegun An and Chengjun Jin and Sung Il Choi and Juhyun Park and Changhee Joo},
journal= {arXiv preprint arXiv:2508.02051},
year = {2026}
}
备注
Accepted at AAAI 2026 as a Conference Paper (Oral Presentation)