用于学习图像压缩的自回归与层次先验联合方法
计算机视觉与模式识别
2018-09-11 v1
摘要
近期用于学习图像压缩的模型基于自动编码器，学习从像素到量化潜在表示的近似可逆映射。这些与熵模型结合，即潜在表示上的先验，可与标准算术编码算法一起使用以产生压缩比特流。近来，层次熵模型被引入作为一种比简单完全分解先验更能利用潜在变量中更多结构的方式，在保持端到端优化的同时改善压缩性能。受自回归先验在概率生成模型中成功的启发，我们考察了自回归、层次以及组合先验作为替代方案，并在图像压缩背景下权衡它们的成本与收益。尽管众所周知自回归模型会带来显著的计算代价，我们发现就压缩性能而言，自回归与层次先验是互补的，并且二者共同比所有先前的学习模型更好地利用了潜在变量中的概率结构。该组合模型取得了最先进的率失真性能，相较于先前基于深度学习的最先进方法平均文件大小减少15.8%，相当于比JPEG减少59.8%，比WebP和JPEG2000减少超过35%，并且比特流比当前最先进图像编解码器BPG小8.4%。据我们所知，我们的模型是首个在PSNR和MS-SSIM失真度量上均优于BPG的基于学习的方法。
引用
@article{arxiv.1809.02736,
title = {Joint Autoregressive and Hierarchical Priors for Learned Image Compression},
author = {David Minnen and Johannes Ballé and George Toderici},
journal= {arXiv preprint arXiv:1809.02736},
year = {2018}
}
备注
Accepted at the 32nd Conference on Neural Information Processing Systems (NIPS 2018)