FLLIC: Functionally Lossless Image Compression

最近，用于无损图像编码的深度神经网络模型在压缩性能方面已经超过了传统模型，对于自然彩色图像，可以将比特率降低约10%。但即使有了这些进展，自然图像的数学无损图像压缩（MLLIC）比率仍然不足以满足当前和未来大多数实际成像和视觉系统的带宽和成本效益要求。为了打破MLLIC在压缩性能方面的瓶颈，我们质疑了MLLIC的必要性，因为几乎所有数字传感器都会固有地引入采集噪声，使得数学无损压缩变得无效。因此，与MLLIC相反，我们提出了一种新的联合去噪和压缩的范式，称为功能无损图像压缩（FLLIC），它对最优去噪图像进行无损压缩（最优性可能是任务特定的）。虽然相对于噪声输入而言并非完全无损，但FLLIC旨在实现对潜在无噪声原始图像的最佳可能重建。广泛的实验表明，FLLIC在噪声图像的联合去噪和压缩方面实现了最先进的性能，并且在计算成本方面更低。

提出一种新的图像压缩方案，称为功能无损图像压缩（FLLIC），旨在通过联合去噪和压缩来实现最佳可能的噪声图像的重建。

与传统的基于数学的无损图像压缩（MLLIC）不同，FLLIC利用数字传感器固有的采集噪声，通过联合去噪和压缩来实现最佳可能的噪声图像的重建。

论文通过实验表明，FLLIC在联合去噪和压缩噪声图像方面具有最先进的性能，且计算成本较低。

与此相关的研究包括：1.基于学习的图像压缩方法；2.基于深度学习的图像去噪方法；3.基于联合优化的图像去噪和压缩方法。