CALICE：基于自适应LIC模型的连续比特率控制

《ACM Transactions on Multimedia Computing, Communications, and Applications》：CALICE: Continuous bitrate control with Adapted LIC modEl

　　

摘要AI总结

要查看此AI生成的总结，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

近期，学习型图像压缩技术因在速率失真效率方面优于标准化编码格式而受到广泛关注。然而，现有的LIC模型通常是针对特定的速率失真平衡点进行训练的，若要实现不同的目标速率，则需重新训练模型并存储整个权重，这限制了LIC的实际应用范围。在本文中，我们提出了CALICE框架，该框架通过向预训练的LIC模型插入一组模块化适配器来实现连续比特率控制。与那些为每个目标速率都需要单独适配器的类似方法不同，我们的方法是通过一个标量参数$\mathit{\alpha }$来调节同一组适配器，其总开销不到LIC模型参数的$\mathbf{0.35}\mathbf{\%}$。这种设计通过学习轻量级、具备失真感知能力的适配器，能够高效支持多种失真优化目标。此外，我们还将这一策略扩展到超出速率控制的范围，证明了其在平衡失真与感知质量方面的精细调整能力。据我们所知，这是首个采用统一且低成本策略同时实现速率控制和感知控制的方法。我们已将相关代码公开发布在https://github.com/EIDOSLAB/CALICE上。

AI总结

AI生成的总结（实验性内容）

此总结是由自动化工具生成的，未经文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章相关性，以及便于相关领域的读者理解该研究工作。它是对作者提供的摘要的补充，而作者提供的摘要仍是文章的核心总结。完整文章才是具有权威性的版本。点击此处了解更多。

点击此处，可以对此总结的准确性、清晰度及实用性发表意见。您的反馈将有助于改进未来的总结版本。

要查看此AI生成的通俗语言总结，您需要拥有高级访问权限。