.png){kind=icon}
返回
Dynamic kernel-based adaptive spatial aggregation for learned image compression
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jvcir.2025.104456.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于学习的图像压缩方法相较于传统编解码器，展现出卓越的性能和扩展潜力。目前存在两种主流图像压缩框架：一种采用堆叠卷积，另一种采用基于窗口的自注意力机制进行变换编码，大多数方法均在固定空间范围内聚合有价值的信息依赖。本文聚焦于扩展内容自适应聚合能力，提出了一种基于动态核的变换编码方法。所提出的自适应聚合策略通过生成核偏移，利用动态采样卷积捕捉有价值的信息，从而辅助变换过程。借助自适应聚合策略和权重共享机制，该方法在可接受模型复杂度下实现了有前景的变换能力。此外，考虑到粗超先验、通道级和空间上下文，我们构建了一个广义熵模型。基于该模型，我们在超先验中引入动态核，以生成更具表现力的边信息上下文。进一步地，根据对分组潜变量空间及方差特性的研究，我们提出了一种非对称稀疏熵模型。所提出的熵模型能够在保持推理效率的同时，促进熵编码以减少统计冗余。实验结果表明，相较于当前最优的学习型方法，该方法在三个基准测试中均实现了更优的率失真性能。
Keyword:
Learned image compression
Adaptive spatial aggregation
Asymmetric sparse entropy model
期刊
IF:
3.1
论文数:
429
被引数:
5.6K
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容