面向分类增强的损失压缩通用表征
计算机视觉与模式识别
2025-04-21 v1 人工智能
信息论
math.IT
摘要
在损失压缩中，压缩率与重构失真之间的经典权衡传统上指导着算法设计。然而，Blau 和 Michaeli [5] 引入了广义框架，称为率失真感知(RDP)函数，将感知质量作为额外评估维度纳入考虑。更近期地，率失真分类(RDC)函数在 [19] 中被研究，侧重于考虑分类准确率及失真来评估压缩性能。本文我们探索通用表征，开发单一编码器以实现跨各种失真和分类(或感知)约束的多目标解码。这种通用性避免了为这些权衡中的每个特定操作点重新训练编码器。我们在MNIST数据集上的实验验证表明，通用编码器在感知图像压缩任务方面的性能损耗仅略高于针对各个目标优化的编码器，与 [23] 的先前结果一致。然而，我们也识别出在RDC设置下，将为特定分类-失真权衡优化的编码器复用到其他点会导致显著的失真惩罚。
引用
@article{arxiv.2504.13191,
title = {Universal Representations for Classification-enhanced Lossy Compression},
author = {Nam Nguyen},
journal= {arXiv preprint arXiv:2504.13191},
year = {2025}
}