SAMIC：一种用于高效感知图像压缩的轻量级语义感知 Mamba
计算机视觉与模式识别
2026-05-07 v1
摘要
感知图像压缩侧重于在低码率约束下保持高视觉质量。大多数现有的感知压缩方法利用生成对抗网络或扩散模型的强大生成能力，但代价是模型复杂度大幅增加。为此，我们提出了一种高效的感知图像压缩方法，该方法利用状态空间模型的长程建模能力和线性计算复杂度，特别关注 Mamba。现有方法依赖于固有的固定扫描顺序，从而损害了语义连续性和空间相关性，与此不同，我们开发了一个语义感知 Mamba 模块（SAMB），以实现由动态聚类的语义特征引导的扫描，从而缓解 Mamba 固有的严格因果约束和长程信息衰减。受奇异值分解启发，我们设计了一个受 SVD 启发的冗余减少模块（SVD-RRM），该模块通过引入可学习的软阈值对潜在特征进行低秩近似，从而实现通道级的冗余信息减少。所提出的 SAMB 被集成到压缩框架的编码器和解码器中，而 SVD-RRM 仅被并入编码器。大量实验表明，我们的方法在率-失真-感知权衡和模型复杂度方面均优于最先进的方法。源代码和预训练模型将在 https://github.com/Jasmine-aiq/SAMIC 上提供。
引用
@article{arxiv.2605.04560,
title = {SAMIC: A Lightweight Semantic-Aware Mamba for Efficient Perceptual Image Compression},
author = {Jiaqian Zhang and Hao Wei and Chenyang Ge and Yanhui Zhou},
journal= {arXiv preprint arXiv:2605.04560},
year = {2026}
}