エンドツーエンドの画像圧縮と品質向上のためのジョイントラーニングスキームとエントロピー最小化の改善

概要 最近、エントロピー最小化に基づく学習画像圧縮手法は、BPGやJPEG2000などの従来の画像コーデックと比較して優れた結果を得ている。しかし、これらは単一のガウスモデルを利用しており、変換された潜在表現のさまざまな不規則な分布を近似する能力が限られているため、最適でないコーディング効率をもたらしている。さらに、既存の手法は効果的なエントロピーモデルの構築に重点を置く一方で、現代的なアーキテクチャ技術を活用していない。本論文では、改良されたエントロピー最小化を基にした新たに採用したガウス混合モデルを組み込んだ画像圧縮と品質向上技術を有する新しいジョイントラーニングスキーム「JointIQ-Net」を提案する。また、潜在表現の分布を正確に推定するためにグローバルコンテキストを利用する。広範な実験の結果、JointIQ-Netは既存の学習画像圧縮手法および従来のコーデックと比較してコーディング効率の点で顕著な性能向上を達成することが示されている。私たちの知る限り、我々の手法はPSNRおよびMS-SSIMの両方においてVVCインタコーディングを超える最初の学習画像圧縮手法である。