学习单一 Tucker 分解网络以实现多比特每像素速率的有损图像压缩
计算机视觉与模式识别
2018-07-11 v1
摘要
有损图像压缩（LIC）旨在利用不精确近似更紧凑地表示图像，是图像处理中的经典问题。近来，深度卷积神经网络（CNNs）通过从大量数据中学习编码器-量化器-解码器网络，在 LIC 中取得了引人关注的结果。然而，现有基于 CNN 的 LIC 方法通常只能针对特定比特每像素（bpp）训练一个网络。这种“每 bpp 一个网络”的问题限制了 CNN 在实用 LIC 中的通用性与灵活性。本文提出学习一个可在多个 bpp 速率下执行 LIC 的单一 CNN。我们开发了简洁而有效的 Tucker 分解网络（TDNet），其中引入新颖的 Tucker 分解层（TDL）将潜图像表示分解为一组投影矩阵与一个核心张量。通过改变核心张量的秩及其量化，我们可在单一 CNN 内轻松调整潜图像表示的 bpp 速率。此外，提出一种迭代非均匀量化方案以优化量化器，并引入由粗到细的训练策略来重建解压图像。大量实验证明了 TDNet 在 PSNR 与 MS-SSIM 指标上均具最先进的压缩性能。
引用
@article{arxiv.1807.03470,
title = {Learning a Single Tucker Decomposition Network for Lossy Image Compression with Multiple Bits-Per-Pixel Rates},
author = {Jianrui Cai and Zisheng Cao and Lei Zhang},
journal= {arXiv preprint arXiv:1807.03470},
year = {2018}
}
备注
13 pages, 8 figures