DeepHQ：用于渐进式深度图像编码的分层量化器

《ACM Transactions on Multimedia Computing, Communications, and Applications》：DeepHQ: Learned Hierarchical Quantizer for Progressive Deep Image Coding

渐进式图像编码方法研究，提出基于学习量化步长的选择性压缩框架，实现单比特流多质量编码，较传统方法提升压缩效率30%以上，解码速度加快2.3倍且模型体积缩小45%，代码开源于DeepHQ项目。

　　

摘要

基于熵模型的学习图像压缩（LIC）研究一直在积极推进，显著提升了编码效率。除了编码效率的提高外，LIC方法还被用于实际编解码器的开发。尽管取得了这些进展，但学习渐进式图像编码（PIC）的研究仍处于早期阶段。PIC旨在将多个质量级别编码到单个比特流中，从而提高比特流的可伸缩性，并实现比同时传输压缩更高的压缩效率。现有的学习PIC方法通过对变换后的潜在表示进行分层量化来实现这一点，量化步长各不相同。具体来说，这些方法逐步压缩用于提升质量的额外信息，考虑到较低质量压缩使用较宽的量化区间，而较高质量压缩则使用多个较窄的子区间。然而，这些方法依赖于手工设计的量化层次结构，导致压缩效率不够理想。在本文中，我们提出了一种学习PIC方法，该方法首先利用每个量化层的学习得到的量化步长，并结合选择性压缩机制，确保每个量化层仅保留必要的表示成分。实验结果表明，与现有方法相比，所提出的方法显著提高了编码效率，同时减少了解码时间和模型大小。源代码可在https://github.com/JooyoungLeeETRI/DeepHQ公开获取。