UniCompress: 利用知识蒸馏增强多数据医学图像压缩
图像与视频处理
2024-05-28 v1 计算机视觉与模式识别
机器学习
摘要
在医学图像压缩领域，隐式神经表示(INR)网络因其灵活的压缩比而展现出卓越的多功能性，然而它们受限于一对一的拟合方式，导致编码时间过长。我们的新颖方法“\textbf{UniCompress}”创新性地扩展了INR的压缩能力，首次使用单个INR网络压缩多个医学数据块。通过采用小波变换和量化，我们引入了一个包含频域信息的码本作为INR网络的先验输入。这增强了INR的表示能力，并为不同的图像块提供了独特的条件。此外，我们的研究引入了一种新的隐式表示知识蒸馏技术，将复杂的模型知识简化为更易于管理的形式，以提高压缩比。在CT和电子显微镜(EM)数据集上的大量测试表明，UniCompress优于传统的INR方法和商业压缩解决方案（如HEVC），尤其是在复杂和高压缩比场景下。值得注意的是，与现有的INR技术相比，UniCompress的压缩速度提高了4到5倍，标志着医学图像压缩领域的重大进步。代码将公开提供。
引用
@article{arxiv.2405.16850,
title = {UniCompress: Enhancing Multi-Data Medical Image Compression with Knowledge Distillation},
author = {Runzhao Yang and Yinda Chen and Zhihong Zhang and Xiaoyu Liu and Zongren Li and Kunlun He and Zhiwei Xiong and Jinli Suo and Qionghai Dai},
journal= {arXiv preprint arXiv:2405.16850},
year = {2024}
}