替代性神经图像压缩
计算机视觉与模式识别
2021-05-18 v1 机器学习
图像与视频处理
摘要
我们描述了替代性神经图像压缩（SNIC），一种用于增强任意神经图像压缩模型的通用方法，其不需要数据或对已训练模型进行额外调优。它可将压缩性能提升以逼近灵活的失真度量，并能够使用单一模型实例实现码率控制。其核心思想是用一个在期望方式上优于原图像的替代图像来替换待压缩图像。寻找这样的替代图像对于传统编解码器本征困难，却因神经压缩模型完全可微的结构而对它们出奇地有利。借助特定损失的梯度反向传播至输入，可迭代高效地构造出所需替代图像。我们展示了 SNIC 与多种神经压缩模型及目标度量结合时，在提升压缩质量以及通过率失真曲线实现码率控制方面的有效性。同时讨论了控制精度与生成速度的实证结果。
引用
@article{arxiv.2105.07512,
title = {Substitutional Neural Image Compression},
author = {Xiao Wang and Wei Jiang and Wei Wang and Shan Liu and Brian Kulis and Peter Chin},
journal= {arXiv preprint arXiv:2105.07512},
year = {2021}
}