基于分布正则化的图像压缩测试时适应
计算机视觉与模式识别
2024-10-17 v1 多媒体
摘要
当前的测试时或压缩时适应图像压缩（TTA-IC）方法利用潜在表示和解码器 refinements 作为两步适应方案，可能增强了在跨域压缩任务（例如从自然图像到屏幕内容图像）中所学习图像压缩模型的速率失真（R-D）性能。然而，与各种解码器 refinement 变体涌现相比较，潜在 refinement 作为不可分割的组成部分，几乎未针对跨域场景进行优化。为此，我们旨在开发一种先进的潜在 refinement 方法，通过扩展有效的混合潜在 refinement（HLR）方法实现，其中该方法旨在实现内域推理改进，但在跨域任务中显示出显著的速率成本下降。具体而言，我们首先提供理论分析，通过从内域到跨域场景的边际化近似，揭示原始 HLR 在 refined 高斯条件分布与 hyperprior 分布之间存在潜在不匹配，导致边际分布联合概率近似恶化，同时增加速率消耗。为补救此问题，我们引入一种简单地以贝叶斯近似为基础的分布正则化，以便以即插即用的方式学习更好的联合概率近似。对六个内域和跨域数据集进行大量实验表明，我们提出的方法不仅在与其他潜在 refinement 方法相比较时提高了 R-D 性能，而且可以灵活地集成到现有的 TTA-IC 方法中，以获得增量收益。
引用
@article{arxiv.2410.12191,
title = {Test-time adaptation for image compression with distribution regularization},
author = {Kecheng Chen and Pingping Zhang and Tiexin Qin and Shiqi Wang and Hong Yan and Haoliang Li},
journal= {arXiv preprint arXiv:2410.12191},
year = {2024}
}