양자화 정류기를 이용한 신경 이미지 압축

신경 이미지 압축은 비율-왜곡 성능 측면에서 기존 이미지 코덱보다 우수한 것으로 나타났습니다. 그러나 양자화는 압축 과정에서 오류를 유발하여 압축된 이미지의 품질을 저하시킬 수 있습니다. 기존의 접근법은 양자화 동안 발생하는 훈련-테스트 불일치 문제를 다루지만, 양자화가 이미지 특징의 표현력에 미치는 무작위 영향은 여전히 해결되지 않았습니다. 본 논문에서는 이미지 특징 상관 관계를 활용하여 양자화의 영향을 완화하는 새로운 양자화 정류기 (QR) 방법을 제시합니다. 우리의 방법은 양자화된 특징으로부터 비양자화된 특징을 예측하는 신경망 구조를 설계하여, 이미지 재구성 품질을 개선하기 위한 특징 표현력을 보존합니다. 우리는 QR을 기존 신경 이미지 코덱에 통합하기 위해 부드러운 예측 훈련 기법을 개발합니다. 평가에서 우리는 QR을 최첨단 신경 이미지 코덱에 통합하고, 널리 사용되는 Kodak 벤치마크에서 향상된 모델과 기준선을 비교합니다. 결과는 QR에 의해 실행 시간의 미미한 증가와 함께 일관된 코드 효율성 향상을 보여줍니다.