.png){kind=icon}
返回
DeepHQ: Learned Hierarchical Quantizer for Progressive Deep Image Coding
.png){kind=icon}
PRE
AI
DOI：10.1145/3773994.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于熵模型学习的图像压缩（LIC）研究已取得积极进展，推动了编码效率的快速提升。除编码效率提升外，LIC方法也被探索用于实际编解码器开发。尽管如此，关于学习型渐进图像编码（PIC）的研究仍处于初级阶段。PIC旨在将多个质量级别编码到单一比特流中，提高比特流的通用性，并实现比 simulcast 压缩更高的压缩效率。现有的学习型 PIC 方法采用层级量化变换后的潜在表示，并使用不同的量化步长。具体而言，这些方法渐进式地压缩用于提升质量的附加信息，因为较低质量压缩的较宽量化间隔包含多个用于高质量压缩的较窄子区间。然而，它们依赖手工设计的量化层级，导致压缩效率次优。本文提出一种学习型 PIC 方法，首先利用学习到的量化步长为每个量化层。我们还引入选择性压缩，确保仅在每个量化层中保留必要的表示组件。实验结果表明，所提出的方法在显著提升编码效率的同时，还减少了解码时间和模型大小。源代码公开于 https://github.com/JooyoungLeeETRI/DeepHQ。
Keyword:
learned image compression
deep image compression
progressive coding
期刊
IF:
6
论文数:
2.0K
被引数:
5.4K
机构
引用论文
RGB-D Data Compression via Bi-Directional Cross-Modal Prior Transfer and Enhanced Entropy Modeling
OAAI
.png){kind=icon}
OAAI分享收藏
查看更多内容