LoC-LIC: Low Complexity Learned Image Coding Using Hierarchical Feature Transforms

要約

現在、学習した画像圧縮モデルは通常、高い複雑さを示し、重要な計算リソースを必要とします。
これらの課題を克服するために、階層的な特徴抽出変換を採用する革新的なアプローチを提案し、ビットレート削減効率を維持しながら複雑さを大幅に削減します。
私たちの新しいアーキテクチャは、高空間解像度の入力/機能マップのためにより少ないチャネルを使用することでこれを達成します。
一方、多数のチャネルを備えた機能マップにより、空間寸法が減少するため、パフォーマンスを犠牲にすることなく計算負荷を削減します。
この戦略により、\（1256 \、\ text {kmac/pixel} \）からフォワードパスの複雑さを効果的に\（270 \、\ text {kmac/pixel} \）に縮小します。
その結果、削減された複雑さモデルは、学習した画像圧縮モデルがさまざまなデバイスで効率的に動作し、画像圧縮テクノロジーの新しいアーキテクチャの開発への道を開く方法を開くことができます。

要約(オリジナル)

Current learned image compression models typically exhibit high complexity, which demands significant computational resources. To overcome these challenges, we propose an innovative approach that employs hierarchical feature extraction transforms to significantly reduce complexity while preserving bit rate reduction efficiency. Our novel architecture achieves this by using fewer channels for high spatial resolution inputs/feature maps. On the other hand, feature maps with a large number of channels have reduced spatial dimensions, thereby cutting down on computational load without sacrificing performance. This strategy effectively reduces the forward pass complexity from \(1256 \, \text{kMAC/Pixel}\) to just \(270 \, \text{kMAC/Pixel}\). As a result, the reduced complexity model can open the way for learned image compression models to operate efficiently across various devices and pave the way for the development of new architectures in image compression technology.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google