将学习型图像压缩模型扩展至10亿参数
计算机视觉与模式识别
2025-08-13 v1
摘要
最近的大语言模型（LLM）进展凸显了智能与压缩之间的强关联。学习型图像压缩作为现代数据压缩的基础任务，近年来取得了显著进展。然而，当前模型规模仍受限，这限制了其表示容量，以及模型规模如何影响压缩性能尚未探索。本文对扩大学习型图像压缩模型规模进行开创性研究，并通过扩展规律揭示性能趋势。以最新最先进的HPCM模型为基线，我们将模型参数从68.5 million扩展至10亿，并拟合测试损失与关键扩展变量（包括模型规模和最优训练计算）之间的幂律关系。结果揭示了扩展趋势，使我们能够对更大规模模型进行外推。实验结果表明，扩展后的HPCM-1B模型实现了最先进的率失真性能。我们希望本工作激发未来对大规模压缩模型的探索，并深入调查压缩与智能之间的联系。
引用
@article{arxiv.2508.09075,
title = {Scaling Learned Image Compression Models up to 1 Billion},
author = {Yuqi Li and Haotian Zhang and Li Li and Dong Liu and Feng Wu},
journal= {arXiv preprint arXiv:2508.09075},
year = {2025}
}
备注
11 pages, technical report