.png){kind=icon}
返回
Rate-Distortion-Complexity Optimized Framework for Multi-Model Image Compression
.png){kind=icon}
PRE
AI
DOI：10.1109/TIP.2025.3598916.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
学习型图像压缩（LIC）随着各种框架的出现经历了快速增长。然而，模型设计和训练数据集的差异性给单一编码模型的通用应用带来了挑战。为解决这一问题，本文介绍了一种开创性的多模型图像编码框架，该框架整合了多种图像编解码器以克服这些限制。通过动态分配编解码器到不同图像区域，我们的框架在有限的码率和解码时间约束下优化重建质量，为速率-失真-复杂度（RDC）权衡提供了高性能、普适性的解决方案。我们的框架采用基于模拟退火（SA）方法的详细编解码器分配算法，该方法因其有效管理编解码器分配优化中离散和复杂特性的优势而被选用。我们实现了粗到精（coarse-to-fine）策略，显著提升了效率。值得注意的是，我们的框架与所有标准图像编解码器保持兼容，无需进行结构性修改。实验结果表明，我们的框架在LIC领域建立了新的标准，推进了性能-复杂度权衡的帕累托前沿。相比当前最先进的方法，其解码时间减少了70%，且不牺牲重建质量。此外，在相似条件下，我们的方法不仅超越了现有速率-失真-复杂度（RDC）优化的编解码器，解码速度更是快达其30倍。
Keyword:
Lossy image compression
heuristic algorithm
rate-distortion-complexity optimization
期刊
IF:
13.7
论文数:
1.1W
被引数:
9.3W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏分享收藏
查看更多内容