A Study on the Effect of Color Spaces in Learned Image Compression

在这项工作中，我们比较了YUV、LAB和RGB三种颜色空间对学习图像压缩的影响。我们使用了我们先前工作中的结构和基于颜色的学习图像编解码器（SLIC），该编解码器由两个分支组成，一个用于亮度分量（Y或L），另一个用于色度分量（UV或AB）。然而，对于RGB变量，我们在单个分支中输入了所有3个通道，类似于大多数在RGB中操作的学习图像编解码器。我们在每种颜色空间中对多个比特率配置进行了模型训练。我们通过在各种数据集上进行评估并将结果与最先进的图像编解码器进行比较，来报告我们实验的结果。在使用VTM内部编码模式作为基线的情况下，YUV模型在MS-SSIM方面的表现优于LAB变体，具有7.5％的Bjøntegaard delta比特率（BD-BR）增益。而LAB变体在CIEDE2000方面的表现优于YUV模型，具有8％的BD-BR增益。总体而言，SLIC的RGB变体在MS-SSIM方面具有13.14％的BD-BR增益，在CIEDE2000方面具有17.96％的增益，但模型复杂度更高。

比较不同颜色空间对学习图像压缩的影响，探索最优的颜色空间选择方案。

使用基于结构和颜色的学习图像编解码器（SLIC）进行实验，比较YUV、LAB、RGB三种颜色空间在多种比特率下的性能表现。其中，RGB模型在MS-SSIM和CIEDE2000两个指标上均表现最优。

实验采用多种数据集进行评估，与现有的图像编解码器进行比较。研究发现，YUV模型的MS-SSIM表现优于LAB模型，而LAB模型在CIEDE2000方面表现更好。同时，RGB模型在两个指标上均表现最优，但模型复杂度较高。

近期相关研究包括：1. Learning-based image compression with hierarchical quality and distortion models; 2. Joint image compression and denoising with deep neural networks; 3. End-to-end optimized image compression with scaled entropy coders.