基于普遍量化扩散模型的渐进压缩

扩散概率模型在众多生成建模任务中取得了主流成功，从图像生成到逆问题求解。这些模型的一个独特特征是它们对应于深层层次潜在变量模型，对数据似然的变分证据下界(ELBO)进行优化。drawing on a basic connection between likelihood modeling and compression，我们探索了扩散模型用于渐进式编码的潜力， resulting in a sequence of bits that can be incrementally transmitted and decoded with progressively improving reconstruction quality. 不同于基于高斯扩散或条件扩散模型的先前工作，我们提出了一种新的扩散模型，其中前向过程使用均匀噪声，其负ELBO对应于使用普遍量化的端到端压缩成本。我们在图像压缩上取得了有前景的初始结果，通过单一模型在广泛比特率范围内实现了具有竞争力的速率-失真和速率-真实性结果，使神经编解码器离实用部署迈进了一步。