Super-High-Fidelity Image Compression via Hierarchical-ROI and Adaptive Quantization

学习图像压缩（LIC）在客观和主观指标方面取得了巨大的进展。基于均方误差（MSE）的模型旨在提高客观指标，而生成模型则被用于提高主观指标所衡量的视觉质量。然而，它们在低比特率下，特别是低于0.2bpp时，都会出现模糊或变形的问题。此外，人脸和文本的变形对于视觉质量评估是不可接受的，而在小脸和文本上这个问题变得更加突出。为了解决这个问题，我们结合了基于MSE的模型和生成模型的优势，利用感兴趣区域（ROI）。我们提出了分层ROI（H-ROI），将图像分成几个前景区域和一个背景区域，以改善包含人脸、文本和复杂纹理的区域的重建。此外，我们提出了通道维度内的非线性映射自适应量化，以限制比特率同时保持视觉质量。详尽的实验表明，我们的方法在小脸和文本上以更低的比特率实现了更好的视觉质量，例如HiFiC的0.7X比特和BPG的0.5X比特。

本论文旨在解决低比特率下图像压缩出现的人脸、文字和复杂纹理变形问题，提高图像压缩的视觉质量。

本文提出了一种利用感兴趣区域（ROI）的分层ROI（H-ROI）方法，将图像分成几个前景区域和一个背景区域，以改善包含人脸、文字和复杂纹理的区域的重建。此外，还提出了通道维度上的非线性映射自适应量化方法，以在保持视觉质量的同时限制比特率。

论文通过实验验证了所提出方法的有效性，并取得了较好的效果，尤其在小人脸和小文字的压缩方面。论文使用了HiFiC和BPG数据集，实现了更好的视觉质量和更低的比特率。此外，该论文的方法结合了MSE-based模型和生成模型的优点，具有一定的创新性。

与本文相关的研究包括学习图像压缩（LIC）和MSE-based模型、生成模型等。