Rethinking Learned Image Compression: Context is All You Need

由于LIC与传统方法相比近期取得了快速进展，因此本文试图从主观度量的角度探讨“学习图像压缩（LIC）的边界在哪里？”的问题。因此，本文将上述问题分为两个子问题：1）PSNR的速率失真性能的边界在哪里？2）如何进一步提高压缩增益并实现边界？因此，本文分析了编码器、解码器和上下文模型三个LIC组件的缩放参数的有效性。然后，我们得出结论，LIC的缩放是对LIC内的上下文模型和解码器进行缩放。广泛的实验证明，过度拟合实际上可以作为一种有效的上下文。通过优化上下文，本文进一步提高了PSNR，并实现了最先进的性能，与VVC相比，BD-RATE的性能增益达到了14.39%。

本篇论文旨在探讨学习图像压缩（LIC）的界限在哪里，以主观指标为基础。具体地，论文将问题分为两个子问题：1）PSNR的速率失真性能的界限在哪里？2）如何进一步提高压缩增益并达到界限？

论文分析了编码器、解码器和上下文模型三个组件的缩放参数的有效性，并得出结论：LIC的缩放是对LIC内的上下文模型和解码器进行缩放。通过优化上下文，论文进一步提高了PSNR，并实现了14.39%的BD-RATE性能增益，达到了最先进的性能水平。

本论文的亮点在于对LIC的三个组件进行了详细的分析，并提出了一种新的优化方法。实验结果表明，过拟合实际上可以作为一种有效的上下文。论文还使用了广泛的数据集进行实验，并开源了代码。

在这个领域中，最近的相关研究包括：1）“End-to-End Optimized Image Compression via Learning Pixel Clustering and Blockwise Quantization with a Laplacian Prior” 2）“Variational Image Compression with a Scale Hyperprior” 3）“Joint Autoregressive and Hierarchical Priors for Learned Image Compression”等。