通过学习可扩展的$\ell_\infty$约束近无损图像压缩实现联合有损图像与残差压缩

我们提出了一种新颖的联合有损图像与残差压缩框架，用于学习$\ell_\infty$约束的近无损图像压缩。具体地，我们通过有损图像压缩获得原始图像的有损重建，并对相应残差进行均匀量化以满足给定的紧$\ell_\infty$误差界。假设误差界为零，即有损图像压缩，我们将压缩有损图像和原始残差的联合优化问题表述为变分自编码器并在端到端训练中求解。为实现误差界大于零的可扩展压缩，我们通过量化原始残差的学习概率模型来推导量化残差的概率模型，而非训练多个网络。我们进一步修正了由训练与推理间上下文失配引起的推导概率模型的偏差。最后，量化残差根据偏差校正的概率模型进行编码，并与压缩有损图像的比特流拼接。实验结果表明，我们的近无损编解码器在无损和近无损图像压缩中达到了最先进（SOTA）性能，并且在高码率下与有损图像编解码器相比，在$\ell_\infty$误差小得多的同时获得了有竞争力的PSNR。