【论文标题】Learning Accurate Entropy Model with Global Reference for Image Compression 【作者团队】 Yichen Qian • Zhiyu Tan • Xiuyu Sun • Ming Lin • Dongyang Li • Zhenhong Sun • Hao Li • Rong Jin 【发表时间】2020/10/22 【论文链接】https://arxiv.org/pdf/2010.08321v1.pdf 【推荐理由】本文提出了一种全局参考模型,用于解决当前图像压缩熵估计模块中关注局部上下文而忽略全局相似性参考的问题,并改进了mean-shifting GDN模块。论文投稿ICLR2021正在Open-Review中。 在图像压缩领域的深度神经网络中,熵模型在估计深度图像编码的先验分布中起着至关重要的作用。 现有方法在熵估计函数中结合了超先验(hyperprior)和局部上下文信息。但由于缺乏全局的感受野,这极大地限制了它们的性能。 作者提出了一种新颖的全局参考模型,可以有效利用局部和整体的上下文信息,从而提高压缩率。 该方法在解码出的隐变量(latent)中找到最相关的一组,作为估计当前隐变量分布的参考。 该文章同时带来了对均值漂移(mean-shifting)GDN模块的创新,进一步提高了GDN的性能。 该模型在率失真性能上优于现今的多数方法。
内容中包含的图片若涉及版权问题,请及时与我们联系删除
评论
沙发等你来抢