通过层次化 ROI 和自适应量化实现超高保真图像压缩
图像与视频处理
2024-05-24 v3 计算机视觉与模式识别
摘要
学习型图像压缩 (LIC) 在客观和主观指标方面取得了显著进展。基于均方误差 (MSE) 的模型旨在提高客观指标，而生成模型则用于改进以主观指标衡量的视觉质量。然而，它们都在低比特率下（尤其是低于 ）存在模糊或变形问题。此外，对于人脸和文本的变形在视觉质量评估中不可接受，尤其在小尺寸人脸和文本上更为突出。为解决此问题，我们结合了 MSE 模型和生成模型的优势，利用感兴趣区域 (ROI)。我们提出了层次化 ROI (H-ROI)，将图像划分为多个前景区域和一个背景区域，以提高包含人脸、文本和复杂纹理的区域的重建质量。进一步，我们提出了通过非线性映射在通道维度上进行自适应量化，以约束比特率同时保持视觉质量。详实的实验表明，我们的方法在较低的比特率下（例如 HiFiC 的 和 BPG 的 ）在小尺寸人脸和文本方面实现了更好的视觉质量。
引用
@article{arxiv.2403.13030,
title = {Super-High-Fidelity Image Compression via Hierarchical-ROI and Adaptive Quantization},
author = {Jixiang Luo and Yan Wang and Hongwei Qin},
journal= {arXiv preprint arXiv:2403.13030},
year = {2024}
}