具有嵌套量化与潜变量排序的渐进式神经图像压缩
机器学习
2021-02-08 v1 计算机视觉与模式识别
摘要
我们提出 PLONQ，一种渐进式神经图像压缩方案，它通过允许使用单一码流进行质量可扩展编码，推动了可变码率压缩的边界。与现有的为每个质量产生单独码流的基于学习的可变码率方案不同，它实现了更简便的码率控制并需要更少的存储。利用基于潜变量缩放的可变码率方案，我们引入嵌套量化，一种以嵌套量化网格定义多个量化级别并从最粗到最细量化级别渐进式细化所有潜变量的方法。为在任何两个量化级别之间实现更细的渐进性，潜变量元素以在率失真意义上定义的的重要性排序进行增量细化。据我们所知，PLONQ 是首个基于学习的渐进式图像编码方案，并且优于著名的基于小波的渐进式图像编解码器 SPIHT。
引用
@article{arxiv.2102.02913,
title = {Progressive Neural Image Compression with Nested Quantization and Latent Ordering},
author = {Yadong Lu and Yinhao Zhu and Yang Yang and Amir Said and Taco S Cohen},
journal= {arXiv preprint arXiv:2102.02913},
year = {2021}
}