学习驱动的有损图像压缩：全面综述
图像与视频处理
2022-01-25 v1 人工智能
计算机视觉与模式识别
多媒体
摘要
在图像处理与计算机视觉（CV）领域，机器学习（ML）架构被广泛应用。卷积神经网络（CNNs）解决了广泛的图像处理问题，并能够解决图像压缩问题。由于带宽与内存限制，图像压缩是必要的。有用信息、冗余信息与无关信息是图像中存在的三种不同形式的信息。本文旨在综述近期主要利用 ML 架构（包括不同自编码器（AEs）如卷积自编码器（CAEs）、变分自编码器（VAEs）和带超先验模型的 AEs、循环神经网络（RNNs）、CNNs、生成对抗网络（GANs）、主成分分析（PCA）和模糊均值聚类）的有损图像压缩技术。我们依据架构将所有算法分为若干组。本综述涵盖静止图像压缩。我们强调了面向研究人员的各种发现以及可能的研究方向。诸如内存溢出（OOM）、条带区域失真（SRD）、混叠，以及框架与中央处理单元（CPU）和图形处理单元（GPU）同时兼容等开放研究问题得到了说明。所综述的压缩领域多数文献来自过去五年，并使用了多种方法。
引用
@article{arxiv.2201.09240,
title = {Learning-Driven Lossy Image Compression; A Comprehensive Survey},
author = {Sonain Jamil and Md. Jalil Piran and MuhibUrRahman},
journal= {arXiv preprint arXiv:2201.09240},
year = {2022}
}