分裂分层变分压缩
图像与视频处理
2022-04-06 v1 计算机视觉与模式识别
机器学习
机器学习
摘要
变分自编码器(VAEs)在图像数据集压缩方面取得了巨大成功。这一成功由 bits-back 编码框架所实现，在许多基准上产生了具有竞争力的压缩性能。然而尽管如此，VAE 架构目前受限于编码实用性与压缩比的综合制约。亦即，不仅最先进的方法(如归一化流)常表现出更优性能，而且编码所需的初始比特使得单图与并行图像压缩颇具挑战。为弥补此缺陷，我们引入 Split Hierarchical Variational Compression (SHVC，分裂分层变分压缩)。SHVC 带来两点新颖之处。首先，我们提出一种高效的自回归先验，即自回归亚像素卷积，其允许在逐像素自回归与完全因子化概率模型之间作推广。其次，我们定义了我们的编码框架，即自回归初始比特，其灵活支持并行编码，并首次避免了通常与 bits-back 编码相关的诸多实用性难题。在我们的实验中，我们证明 SHVC 能够在全分辨率无损图像压缩任务上实现最先进的压缩性能，且模型参数量较竞争的 VAE 方法最多少 100 倍。
引用
@article{arxiv.2204.02071,
title = {Split Hierarchical Variational Compression},
author = {Tom Ryder and Chen Zhang and Ning Kang and Shifeng Zhang},
journal= {arXiv preprint arXiv:2204.02071},
year = {2022}
}