.png){kind=icon}
返回
Continuous Patch Stitching for Block-Wise Image Compression
.png){kind=icon}
PRE
AI
DOI：10.1109/LSP.2025.3584715.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近期，基于学习的图像压缩方法已超越传统手工设计的标准编解码器。然而，它们的推理过程通常需要输入整张图像，并消耗大量计算资源，尤其是在高分辨率图像压缩时；否则，在现有基于学习的图像压缩方法中，分块压缩会产生块状伪影。为解决此问题，我们提出了一种新颖的连续分块拼接（CPS）框架，用于分块式图像压缩，能够实现无缝分块拼接并从数学上消除块状伪影，从而在压缩图像时显著减少所需的计算资源。更具体而言，所提出的CPS框架通过无填充操作实现，采用一种新建立的并行重叠拼接策略，为保障连续性提供通用的上界。在此基础上，我们进一步提出了具有偶数尺寸核的功能残差块，用于下采样和上采样，并结合保持特征尺寸的瓶颈残差块来增加网络深度。实验结果表明，我们的CPS框架在超越现有基准的同时，所需的计算资源不到现有模型的一半。
Keyword:
Learned image compression
block-wise compression
padding-free convolution
期刊
IF:
9.6
论文数:
1.1W
被引数:
1.7W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容