LVPNet：基于潜在变量预测驱动的无损医学图像压缩端到端框架
图像与视频处理
2025-06-26 v2 计算机视觉与模式识别
摘要
自回归初始位元框架整合了子图像自回归和潜在变量建模，在无损医学图像压缩中展现出优势。然而，在现有方法中，图像分割过程导致潜在变量信息在每个子图像中均匀分布，从而引发后验塌陷和潜在变量高效利用不足。为解决此问题，本文提出一种基于预测的无损医学图像压缩方法，命名为LVPNet，利用全局潜在变量预测像素值并对预测概率进行无损编码。具体而言，我们引入全局多尺度感知模块（GMSM），从整个图像中提取紧凑且信息丰富的潜在表征，有效捕获潜在空间中的空间依赖关系。此外，为缓解量化过程中引入的信息损失，我们提出量化补偿模块（QCM），学习量化误差分布并细化量化特征以补偿量化损失。大量实验在具有挑战性的基准数据集上表明，我们的方法在无损图像压缩方法中实现了优异的压缩效率，同时保持竞争的推理速度。代码已公开至 https://github.com/scy-Jackel/LVPNet。
引用
@article{arxiv.2506.17983,
title = {LVPNet: A Latent-variable-based Prediction-driven End-to-end Framework for Lossless Compression of Medical Images},
author = {Chenyue Song and Chen Hui and Qing Lin and Wei Zhang and Siqiao Li and Haiqi Zhu and Zhixuan Li and Shengping Zhang and Shaohui Liu and Feng Jiang and Xiang Li},
journal= {arXiv preprint arXiv:2506.17983},
year = {2025}
}
备注
Accepted to MICCAI 2025