ProgDTD：基于双尾丢弃训练的渐进式学习型图像压缩
计算机视觉与模式识别
2024-05-01 v2 图像与视频处理
摘要
渐进式压缩使图像以低分辨率版本开始加载，并随着接收更多数据而变得更清晰。这在例如网络连接缓慢时提升了用户体验。如今，大多数图像压缩方法，无论是经典的还是学习型的，都被设计为非渐进式。本文提出 ProgDTD，一种将学习型非渐进式图像压缩方法转化为渐进式的训练方法。ProgDTD 的设计基于如下观察：压缩模型瓶颈中存储的信息其重要性通常存在差异。为创建渐进式压缩模型，ProgDTD 修改训练步骤以强制模型按优先级排序存储瓶颈中的数据。我们通过按排序索引顺序传输数据来实现渐进式压缩。ProgDTD 专为基于 CNN 的学习型图像压缩模型设计，不需要额外参数，且具有可定制的渐进程度范围。为评估，我们将 ProgDTD 应用于超先验模型（学习型图像压缩中最常见的结构之一）。我们的实验结果表明，在 MS-SSIM 和准确率方面，ProgDTD 与其非渐进式对应模型及其他最先进渐进式模型性能相当。
引用
@article{arxiv.2305.02145,
title = {ProgDTD: Progressive Learned Image Compression with Double-Tail-Drop Training},
author = {Ali Hojjat and Janek Haberer and Olaf Landsiedel},
journal= {arXiv preprint arXiv:2305.02145},
year = {2024}
}