缩小端到端图像压缩中熵瓶颈的摊销差距

端到端深度可训练模型在视频和图像上的性能即将超越传统手工设计的压缩技术。其核心思想是学习一个建模为深度神经网络的非线性变换，将输入图像映射到潜在空间，并与潜在分布的熵模型联合优化。解码器同样学习为一个深度可训练网络，重建图像用于衡量失真。这些方法强制潜在变量服从某些先验分布。由于这些先验是通过在整个训练集上优化学习得到的，其性能在平均意义下是最优的。然而，它无法精确拟合每一个新样本，从而因增大比特流而损害压缩性能。本文提出一种简单而高效的基于实例的参数化方法，以微小代价缩小这一摊销差距。所提方法适用于任何端到端压缩方法，在重建质量不受影响的情况下将压缩码率提升 1%。