基于学习的图像压缩方案的质量与复杂度评估
图像与视频处理
2021-07-21 v1 计算机视觉与模式识别
摘要
本工作对最先进的基于学习的图像压缩技术进行了分析。我们使用KODAK数据集,从视觉质量指标和处理时间两方面比较了Tensorflow Compression包中可用的8个模型。结果还与Better Portable Graphics (BPG)和JPEG2000编解码器进行了比较。结果表明,与最快的基于学习的模型相比,JPEG2000具有最低的执行时间,在压缩上加速1.46倍,在解压缩上加速30倍。然而,基于学习的模型在质量上相比JPEG2000有所提升,特别是在较低码率下。我们的发现还表明,BPG在PSNR方面更高效,但基于学习的模型在其他质量指标上更优,有时甚至更快。结果表明,基于学习的技术是未来主流压缩方法中有前景的解决方案。
引用
@article{arxiv.2107.09136,
title = {Quality and Complexity Assessment of Learning-Based Image Compression Solutions},
author = {João Dick and Brunno Abreu and Mateus Grellert and Sergio Bampi},
journal= {arXiv preprint arXiv:2107.09136},
year = {2021}
}
备注
Paper accepted at ICIP2021