Generalized Nested Latent Variable Models for Lossy Coding applied to Wind Turbine Scenarios

通过神经网络进行速率-失真优化已经在压缩效率和图像质量方面取得了竞争性的结果。这种基于学习的方法旨在通过自动提取和保留关键信息，同时舍弃不太重要的细节，来最小化压缩速率和重建图像质量之间的妥协。一种成功的技术是引入一个深层超先验，它在一个2级嵌套的潜变量模型内运作，通过捕获复杂的数据依赖性来增强压缩。本文通过设计一个具有马尔可夫链结构的广义L级嵌套生成模型来扩展这个概念。我们证明随着L的增加，可训练的先验是有害的，并探索不同潜变量之间的共同维度以提高压缩性能。由于这个结构化框架可以表示自回归编码器，我们超越了超先验模型，实现了最先进的性能，同时大大降低了计算成本。我们的实验评估是在风力涡轮机场景下进行的，以研究它在视觉检查中的应用。

本文旨在通过设计一个L级嵌套生成模型来解决图像压缩中的率失真优化问题。同时，研究如何通过共同的潜在变量维度来提高压缩性能。

本文提出了一个基于马尔可夫链结构的L级嵌套生成模型，通过捕捉复杂的数据依赖关系来增强压缩性能。在此结构下，作者发现可训练先验是有害的，而共同的潜在变量维度可以提高压缩性能。

本文的实验评估在风力涡轮机场景中进行，展示了该方法在图像压缩中的应用。实验结果表明，该方法在保证图像质量的同时，大幅减少了计算成本。此外，本文的方法可以表示自回归编码器，表现出了优于超先验模型的性能。

与本文相关的研究包括基于神经网络的压缩方法，如End-to-End Optimized Image Compression和Neural Image Compression。此外，还有一些研究探索了使用生成模型进行图像压缩，如Generative Adversarial Networks for Extreme Learned Image Compression。