MambaIC：用于高性能学习型图像压缩的状态空间模型
计算机视觉与模式识别
2025-08-25 v3 图像与视频处理
摘要
高性能图像压缩算法对于众多领域的实时信息传输至关重要。尽管图像压缩进展迅速，但计算效率低下和冗余建模不足仍然是显著瓶颈，限制了实际应用。受状态空间模型（SSMs）在捕获长程依赖关系方面有效性的启发，我们利用SSMs来解决现有方法中的计算效率问题，并从多个角度改进图像压缩。本文，我们整合SSMs的优势以实现更好的效率-性能权衡，并通过精细化的上下文建模提出一种增强的图像压缩方法，将其命名为MambaIC。具体而言，我们探索上下文建模以自适应地细化隐状态表示。此外，我们将基于窗口的局部注意力引入通道-空间熵建模，以减少压缩过程中的潜在空间冗余，从而提高效率。全面的定性和定量结果验证了我们方法的有效性和效率，特别是对于高分辨率图像压缩。代码已发布于 https://github.com/AuroraZengfh/MambaIC。
引用
@article{arxiv.2503.12461,
title = {MambaIC: State Space Models for High-Performance Learned Image Compression},
author = {Fanhu Zeng and Hao Tang and Yihua Shao and Siyu Chen and Ling Shao and Yan Wang},
journal= {arXiv preprint arXiv:2503.12461},
year = {2025}
}
备注
Accepted to CVPR 2025