神经图像解压缩：学习生成更优图像预览
计算机视觉与模式识别
2018-12-10 v1 神经与进化计算
摘要
受限于带宽受限且按量计费的移动设备所发起的请求，正占据互联网流量中迅速增长的部分。为满足这些请求，网站在初始页面加载过程中传输极小且极度压缩的图像预览已成为标准做法。近期基于目标图像自适应三角剖分的工作，已展示以极端压缩率（200 字节或更少）生成完整图像缩略图的能力：相较 JPEG 与 WebP 标准，在 PSNR 与 SSIM 方面均有显著提升。然而，定性评估与语义内容的保持可能较差。我们提出一种新方法，在不改变编码信息的前提下显著提升原始图像的重建质量。我们基于神经的解码不仅比原始方法取得更高的 PSNR 与 SSIM 分数，还带来语义级内容保持的实质性改善。此外，由于保持相同的编码流，我们的方案与原始解码器完全互操作。最终成果适用于一系列小型设备部署，因其仅涉及通过一个小型、可扩展网络的单次前向传播。
引用
@article{arxiv.1812.02831,
title = {Neural Image Decompression: Learning to Render Better Image Previews},
author = {Shumeet Baluja and Dave Marwood and Nick Johnston and Michele Covell},
journal= {arXiv preprint arXiv:1812.02831},
year = {2018}
}