Improving Multi-generation Robustness of Learned Image Compression

要約

柔軟なネットワーク設計とエンド ツー エンドの共同最適化アプローチの恩恵を受ける学習画像圧縮 (LIC) は、近年、優れたコーディング パフォーマンスと実用的な実現可能性を実証しています。
ただし、既存の圧縮モデルは、画像の編集やトランスコーディング中に常に発生する重大な複数世代の損失に悩まされています。
エンコードとデコードを繰り返す過程で、画像の品質が急速に低下し、さまざまな種類の歪みが発生するため、LIC の実用的なアプリケーションは大幅に制限されます。
この論文では、連続画像圧縮 (SIC) における生成損失の原因を特定するために徹底的な分析が行われます。
SICに影響を与える量子化ドリフト問題を指摘して解決し、可逆損失関数とチャネル緩和法を提案して、生成損失をさらに削減します。
実験では、提案されたソリューションを使用することにより、ネットワーク構造を変更することなく、50回の再エンコード後でもLICがBPGの最初の圧縮に匹敵するパフォーマンスを達成できることが示されています。

要約(オリジナル)

Benefit from flexible network designs and end-to-end joint optimization approach, learned image compression (LIC) has demonstrated excellent coding performance and practical feasibility in recent years. However, existing compression models suffer from serious multi-generation loss, which always occurs during image editing and transcoding. During the process of repeatedly encoding and decoding, the quality of the image will rapidly degrade, resulting in various types of distortion, which significantly limits the practical application of LIC. In this paper, a thorough analysis is carried out to determine the source of generative loss in successive image compression (SIC). We point out and solve the quantization drift problem that affects SIC, reversibility loss function as well as channel relaxation method are proposed to further reduce the generation loss. Experiments show that by using our proposed solutions, LIC can achieve comparable performance to the first compression of BPG even after 50 times reencoding without any change of the network structure.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google