基于多目标优化与量化重建偏移的可变码率学习图像压缩
图像与视频处理
2024-03-01 v1 计算机视觉与模式识别
摘要
从单个端到端学习的图像或视频压缩模型中，利用计算简单的算法实现成功的可变码率压缩仍然是一个挑战。许多方法已被提出，包括条件自编码器、潜在张量的通道自适应增益或对潜在张量的所有元素进行统一量化。本文遵循传统方法，通过改变单一量化步长来对所有潜在张量元素执行统一量化。然而，提出了三项改进以提升可变码率压缩性能。首先，在（后）训练阶段使用多目标优化。其次，在量化操作中引入量化 - 重建偏移。第三，超潜在变量也采用可变码率量化。所有这些修改均可通过对预训练的单一码率压缩模型执行后训练来实现。这些算法已集成到三个知名的图像压缩模型中，所得的可变码率压缩结果表明，与训练多个模型相比，其压缩性能损失可忽略不计或极小。（代码将在 https://github.com/InterDigitalInc/CompressAI 共享）
引用
@article{arxiv.2402.18930,
title = {Variable-Rate Learned Image Compression with Multi-Objective Optimization and Quantization-Reconstruction Offsets},
author = {Fatih Kamisli and Fabien Racape and Hyomin Choi},
journal= {arXiv preprint arXiv:2402.18930},
year = {2024}
}
备注
Accepted as a paper at DCC 2024