Quantization-free Lossy Image Compression Using Integer Matrix Factorization

有损图像压缩对于高效的传输和存储至关重要。传统的压缩方法主要依赖于离散余弦变换（DCT）或奇异值分解（SVD），两者都将图像数据表示为连续域，因此需要精心设计的量化器。值得注意的是，基于SVD的方法比JPEG等基于DCT的方法更敏感于量化误差。为解决这个问题，我们介绍了一种整数矩阵分解（IMF）的变体，以开发一种新型的无量化损失图像压缩方法。IMF提供了图像数据的低秩表示，作为两个较小因子矩阵的乘积，具有有界整数元素，从而消除了量化的需要。我们提出了一种高效的、可证明收敛的迭代算法，用于IMF，使用块坐标下降（BCD）方案，其中子问题具有封闭形式的解。我们在Kodak和CLIC 2024数据集上的实验证明，我们的IMF压缩方法在每像素低于0.25比特（bpp）的低比特率下始终优于JPEG，并在较高比特率下保持相当。我们还通过评估在压缩图像上预训练的ImageNet分类器来评估我们的方法保留视觉语义的能力。值得注意的是，我们的方法在低于0.25 bpp的比特率下，相对于JPEG，将top-1准确度提高了超过5个百分点。该项目可在https://github.com/pashtari/lrf上获得。

提出一种无需量化的有损图像压缩方法，解决了传统压缩方法在量化过程中可能出现的问题，同时保持压缩后图像的视觉语义。

使用整数矩阵分解（IMF）来实现无需量化的图像压缩，IMF提供了图像数据的低秩表示，将图像数据表示为两个较小的因子矩阵的乘积，并消除了量化的需求。

论文提出了一种基于整数矩阵分解的无需量化的有损图像压缩方法，并使用块坐标下降（BCD）算法实现了IMF，实验结果表明，在低于0.25bpp的比特率下，IMF方法的表现优于JPEG，同时保持压缩后图像的视觉语义。论文代码已经开源。

近期相关研究包括基于深度学习的图像压缩方法，如End-to-End Optimized Image Compression和Variational Autoencoder-based Image Compression等。