Learned HDR Image Compression for Perceptually Optimal Storage and Display

高动态范围（HDR）捕捉和显示由于技术进步和消费者对卓越图像质量的需求不断增长而受到显着的普及。因此，HDR图像压缩对于充分实现HDR成像的好处而不会受到大文件大小和低效数据处理的影响至关重要。传统上，这是通过引入剩余/增益图作为附加元数据来实现的，以弥合HDR和低动态范围（LDR）图像之间的差距，使前者与LDR图像编解码器兼容，但提供亚最优的码率失真性能。在这项工作中，我们开始努力实现端到端优化的HDR图像压缩，以实现感知上最佳的存储和显示。具体而言，我们学习将HDR图像压缩为两个比特流：一个用于生成LDR图像，以确保与传统LDR显示器兼容，另一个作为辅助HDR图像从输出LDR图像中重构的附加信息。为了衡量输出HDR和LDR图像的感知质量，我们使用了两个最近提出的图像失真度量标准，这两个标准都经过人类感知图像质量的验证，并参考未压缩的HDR图像。通过端到端优化码率失真性能，我们的方法极大地提高了所有比特率下的HDR和LDR图像质量。

实现端到端优化的高动态范围（HDR）图像压缩，以实现感知上最佳的存储和显示，同时保持与低动态范围（LDR）图像编解码器的兼容性。

通过学习将HDR图像压缩成两个比特流，一个用于生成LDR图像以确保与传统LDR显示器的兼容性，另一个作为辅助HDR图像重建的侧面信息。

使用两个最近提出的图像失真度量标准来测量输出HDR和LDR图像的感知质量，并与未压缩的HDR图像进行比较。通过端到端优化实现了在所有比特率下显著提高HDR和LDR图像质量的目的。

最近的相关研究主要集中在基于残差/增益图的HDR图像压缩和基于深度学习的LDR图像压缩上。其中一些相关论文包括：《A Deep Learning Approach to Universal Image Quality Assessment》、《Deep HDR Video Reconstruction with Quality Assessment》、《A Novel Deep Learning Based End-to-End Compression Framework for HEVC》等。