RAGE for the Machine: Image Compression with Low-Cost Random Access for Embedded Applications

我们介绍了RAGE，这是一个图像压缩框架，实现了四个通常相互冲突的目标：1）对各种颜色图像具有良好的压缩效果，2）计算效率高，解压速度快，3）可以在像素级别上快速随机访问图像，无需解压整个图像，4）支持无损和有损压缩。为了实现这些目标，我们依赖于最近提出的广义去重（GD）概念，该概念已知可以提供有效的无损（解）压缩和时间序列数据的快速随机访问，并提供适用于图像压缩的关键扩展，包括无损和有损压缩。使用包括图形、标志和自然图像在内的九个不同数据集，我们展示了RAGE具有类似或更好的压缩比与最先进的无损图像压缩器相比，同时提供像素级别的随机访问能力。在ARM Cortex-M33平台上的测试显示，寻址时间在9.9到40.6纳秒之间，每像素平均解码时间在274到1226纳秒之间。我们的测量还表明，RAGE的有损变体RAGE-Q在嵌入式图形的失真方面比JPEG好几倍，并且对于自然图像具有合理的压缩和失真。

RAGE论文旨在提出一种图像压缩框架，它能够达到四个通常相互冲突的目标，包括广泛的彩色图像压缩、计算效率高的快速解压缩、像素级随机访问图像且无需解压整个图像，以及支持无损和有损压缩。

RAGE的关键思路是利用广义去重（GD）的概念，它已知能够在时间序列数据中提供高效的无损（解）压缩和快速的随机访问，并提供适用于图像压缩的关键扩展，包括无损和有损压缩。

论文使用九个不同的数据集，包括图形、标志和自然图像等，展示了RAGE与最先进的无损图像压缩器具有相似或更好的压缩比，同时提供像素级的随机访问能力。在ARM Cortex-M33平台上的测试显示，RAGE的寻址时间在9.9-40.6纳秒之间，每像素的平均解码时间在274-1226纳秒之间。实验还表明，RAGE的有损变体RAGE-Q在嵌入式图形的失真方面优于JPEG，并且对于自然图像具有合理的压缩和失真。

与该论文相关的研究包括基于深度学习的图像压缩、无损图像压缩和有损图像压缩等。其中一些相关研究的论文包括：“End-to-End Optimized Image Compression”和“High-Fidelity Generative Image Compression”。