要約
近年、評価歪み-知覚圧縮を優先し、低ビットレートでも微細なディテールを保持する学習型画像圧縮技術が急速に発展しています。しかし、現在の学習型画像圧縮技術は、人間に優しい圧縮を犠牲にすることが多く、長い復号化時間を必要とする。本論文では、既存の画像圧縮モデルのバックボーンネットワークと損失関数について、人間の知覚と効率の向上に焦点を当てた機能強化を提案する。提案するアプローチは、最新のエンドツーエンド学習型画像圧縮方式や古典的な方式と比較して、より少ないデコード時間と人間に優しい圧縮を提供しながら、競争力のある主観的結果を達成する。実証評価を通じて、同じ主観品質で25%以上のビットレート削減という優れた性能を達成する提案手法の有効性を実証する。
要約(オリジナル)
In recent years, there has been rapid development in learned image compression techniques that prioritize ratedistortion-perceptual compression, preserving fine details even at lower bit-rates. However, current learning-based image compression methods often sacrifice human-friendly compression and require long decoding times. In this paper, we propose enhancements to the backbone network and loss function of existing image compression model, focusing on improving human perception and efficiency. Our proposed approach achieves competitive subjective results compared to state-of-the-art end-to-end learned image compression methods and classic methods, while requiring less decoding time and offering human-friendly compression. Through empirical evaluation, we demonstrate the effectiveness of our proposed method in achieving outstanding performance, with more than 25% bit-rate saving at the same subjective quality.
arxiv情報
| 著者 | Peirong Ning,Wei Jiang,Ronggang Wang |
| 発行日 | 2023-05-15 08:05:01+00:00 |
| arxivサイト | arxiv_id(pdf) |