UniCompress: Enhancing Multi-Data Medical Image Compression with Knowledge Distillation

在医学图像压缩领域，由于其灵活的压缩比，隐式神经表示（INR）网络显示出了出色的多功能性，但它们受到一对一拟合方法的限制，这会导致编码时间过长。我们的新方法“UniCompress”通过创新性地使用单个INR网络压缩多个医学数据块，首次扩展了INR的压缩能力。通过采用小波变换和量化，我们引入了一个包含频域信息的码本作为INR网络的先验输入。这增强了INR的表征能力，并为不同的图像块提供了独特的条件。此外，我们的研究引入了一种新的技术，用于将隐式表示的知识蒸馏成更易处理的格式，以提高压缩比。在CT和电子显微镜（EM）数据集上进行了广泛测试，结果表明UniCompress在复杂和高压缩场景下优于传统的INR方法和商业压缩解决方案（如HEVC）。值得注意的是，与现有的INR技术相比，UniCompress的压缩速度提高了4-5倍，标志着医学图像压缩领域的重大进展。代码将公开发布。

本篇论文旨在通过提出一种新的方法UniCompress，扩展隐式神经表示（INR）网络的压缩能力，实现对多个医学数据块的压缩，同时提高压缩速度。

论文的关键思路是通过引入小波变换和量化来构建一个包含频域信息的码本，作为INR网络的输入，从而提高INR的表现能力和为不同图像块提供独特的条件。此外，论文还引入了一种新的技术，将复杂模型知识简化为更易管理的格式，以提高压缩比率。

论文在CT和电子显微镜（EM）数据集上进行了广泛的测试，表明UniCompress在复杂和高压缩情况下优于传统的INR方法和商业压缩解决方案（如HEVC）。值得注意的是，与现有的INR技术相比，UniCompress实现了4-5倍的压缩速度提升，这标志着医学图像压缩领域的重大进展。该论文的代码将公开发布。

最近在这个领域中，还有一些相关的研究，如： 1. 'Medical image compression using deep neural networks' (2018) 2. 'A novel deep learning-based method for medical image compression using convolutional autoencoder' (2019) 3. 'Medical image compression using convolutional neural networks' (2020)