减小神经视频压缩中边缘分布与学习分布之间的失配
计算机视觉与模式识别
2022-10-18 v1 图像与视频处理
摘要
在过去的四年里，我们见证了端到端可训练图像压缩模型的成功。与数十年的增量工作相比，这些机器学习（ML）技术学习了压缩技术的所有组件，这解释了它们实际的优越性。然而，端到端 ML 模型尚未达到传统视频编解码器（如 VVC）的性能。可以提出可能的解释：缺乏处理时间冗余的数据，或神经模型中潜变量密度估计的低效。后一个问题可由潜变量边缘分布与学习先验分布之间的差异来定义。这种被称为熵模型的摊销间隙的失配增大了压缩数据的文件大小。在本文中，我们提议评估三种最先进 ML 视频压缩方法的摊销间隙。其次，我们提出一种高效且通用的方法来解决摊销间隙，并表明其可在不影响重建质量的情况下带来 到 的提升。
引用
@article{arxiv.2210.06596,
title = {Reducing The Mismatch Between Marginal and Learned Distributions in Neural Video Compression},
author = {Muhammet Balcilar and Bharath Bhushan Damodaran and Pierre Hellier},
journal= {arXiv preprint arXiv:2210.06596},
year = {2022}
}
备注
VCIP2022