.png){kind=icon}
返回
Text-Guided ROI-Based Neural Image Compression
.png){kind=icon}
PRE
AI
DOI：10.1109/TBC.2025.3609065.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ROI的图像压缩能够显著减少数据冗余并提高存储效率，同时保持关键内容的高保真度。当前方法通常通过掩码特征进行区域自适应编码，并在量化前进行显式比特分配以抑制背景信息。尽管此策略提升了压缩性能，但严重降低了背景重建质量。为此，我们提出了一种文本引导的基于ROI的神经图像压缩方法，该方法主要采用一种类似于注意力机制的全新隐式比特分配策略，并融入自然语言描述以实现灵活的用户交互。我们首先利用高性能的参考图像分割模型从文本提示生成掩码。接下来，我们引入一个由区域自适应注意力（RAA）块和区域自适应变换（RAT）块组成的效率型掩码引导特征变换（MGFT）模块，以更有效地将这些掩码应用于隐式比特分配。为改善重建背景质量，我们设计了一个权重共享的双解码器网络，分别重建前景和背景区域。据我们所知，这是首次将文本描述集成到基于ROI的图像压缩中，并采用隐式比特分配实现高质量区域自适应编码的工作。在COCO2017数据集上的实验表明，我们的方法实现了最优的率-失真性能，并支持文本指定的目标压缩，具有出色的编码效率。解码结果在保持高前景保真度的同时，也保留了令人满意的背景感知质量。
Keyword:
ROI-based image compression
mask-guided feature transform module
implicit bit allocation
region-adaptive attention block
region-adaptive transform block
期刊
IF:
4.8
论文数:
2.1K
被引数:
3.0K
机构
引用论文
Recursive multi-model complementary deep fusion for robust salient object detection via parallel sub-networks.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏An overhead-free region-based JPEG framework for task-driven image compression用于任务驱动图像压缩的基于区域的无开销JPEG框架
PREAI
分享收藏
分享收藏
查看更多内容