.png){kind=icon}
返回
Learnable Non-Uniform Quantization With Sampling-Based Optimization for Variable-Rate Learned Image Compression
.png){kind=icon}
PRE
AI
DOI：10.1109/TCSVT.2025.3546765.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
变率编码对于基于学习的图像压缩（LIC）而言具有挑战性但不可或缺，因为LIC本质上以非线性变换编码（NTC）为特征。现有的变率LIC方法受限于非平滑量化过程，该过程几乎处处梯度为零，因此导致训练-测试间隙和降级的率失真（R-D）性能。为解决此问题，本文提出了一种基于采样的优化方法，用于训练NTC模型及其非均匀量化器。与基于梯度的优化不同，所提出的基于采样的优化首先从逐步降低方差的正态分布中随机采样参数，然后使用R-D指标选择最优参数。在基于采样的优化的基础上，我们开发了一种可学习的非均匀死区量化器，通过自适应优化量化步长，以实现非线性变换的变率编码。此外，我们将可学习的死区量化器整合到变率LIC模型中，以增强R-D性能，并设计了速率和失真控制算法以适应动态网络条件。实验结果表明，所提出的方法在变率图像压缩中实现了最先进的R-D性能。与最新的通用视频压缩（VVC）标准相比，该方法实现了平均8.82%的BD-rate降低，同时在Kodak数据集上实现了精确的速率和失真控制，比特率平均变化为0.0087 bpp，失真平均变化为0.1265 dB。
Keyword:
Learned image compression
variable-rate image compression
rate control
learnable dead-zone quantizer
期刊
IF:
11.1
论文数:
873
被引数:
3.1W
机构
引用论文
Controlling Rate, Distortion, and Realism: Towards a Single Comprehensive Neural Image Compression Model控制率、失真和真实感：迈向一个综合性的神经图像压缩模型
OAAI
.png){kind=icon}
OAAI分享收藏
查看更多内容