.png){kind=icon}
返回
SFTNet: Spatial-Frequency Transformer Network for Learned Image Compression
.png){kind=icon}
PRE
AI
DOI：10.1109/TBC.2025.3635389.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在学习型图像压缩（LIC）中，现有的大多数方法通过卷积神经网络（CNNs）或Transformer处理空间域信息。然而，它们难以建模频域相关性，特别是跨区域的高频细节相关性。它们存在高频细节冗余和低效的均匀比特分配问题，两者均无法适应区域复杂性。为解决这些问题，我们提出了一种用于LIC的空间-频率Transformer网络（SFTNet），该网络通过建模空间结构与频率分量之间的跨域相关性，实现区域自适应比特分配。为建模这些相关性，频率感知Transformer块（FATB）采用双注意力机制协同处理空间和频率分量。具体而言，其块内频率注意力通过利用低频分量作为局部结构指导，增强每个块内的高频细节。同时，其块间空间注意力通过建模低频分量间的跨块依赖关系来捕捉全局一致性。在此基础上，特征重加权策略（FRS）通过联合分析空间依赖关系和高频能量来评估块的重要性。这能够动态调整FATB建模的空间-频率特征以实现自适应比特分配，优先处理结构复杂区域并压缩平滑区域以减少冗余。实验结果表明，在Kodak和CLIC数据集上，我们的SFTNet在BD-Rate指标上相较于VVC分别降低了6.55%和6.18%，同时相比近期LIC方法实现了更高频细节的重建质量。
Keyword:
Learned image compression
adaptive bit allocation
spatial-frequency features
dual attention mechanisms
期刊
IF:
4.8
论文数:
2.1K
被引数:
3.0K
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
查看更多内容