Core Concepts
제안된 모델은 주파수 성분을 구분하는 비등방성 확산 모델을 디코더로 사용하여 지각적 품질이 향상된 이미지 재구성을 달성하며, 채널 및 공간 상관관계를 효과적으로 모델링하는 라플라시안 기반 엔트로피 모델을 통해 압축 효율성을 높였다.
Abstract
이 논문은 신경망 기반 이미지 압축 기술을 제안한다. 주요 내용은 다음과 같다:
디코더 부분에 비등방성 확산 모델을 적용하여 주파수 성분을 구분하고 이를 통해 지각적 품질이 향상된 이미지 재구성을 달성하였다.
엔트로피 모델 부분에서 채널 및 공간 상관관계를 효과적으로 모델링하기 위해 라플라시안 기반 상대적 위치 인코딩을 적용하였다. 이를 통해 압축 효율성이 향상되었다.
엔트로피 모델 설계 시 채널 단위로 그룹화하고 병렬 양방향 공간 문맥 모델을 사용하여 디코딩 속도를 개선하였다.
실험 결과, 제안된 모델은 기존 최신 생성 기반 이미지 압축 기법들에 비해 지각적 품질 측면에서 우수한 성능을 보였으며, 엔트로피 모델 설계를 통해 압축 효율성도 크게 향상되었다.
Stats
제안된 모델은 기존 최신 생성 기반 이미지 압축 기법들에 비해 Kodak 데이터셋에서 최대 9.38%의 비트레이트 감소 효과를 보였다.
제안된 엔트로피 모델의 디코딩 속도는 기존 순차적 공간 문맥 모델 대비 약 2배 빨랐다.
Quotes
"제안된 모델은 주파수 성분을 구분하는 비등방성 확산 모델을 디코더로 사용하여 지각적 품질이 향상된 이미지 재구성을 달성하였다."
"엔트로피 모델 부분에서 채널 및 공간 상관관계를 효과적으로 모델링하기 위해 라플라시안 기반 상대적 위치 인코딩을 적용하였다."
"엔트로피 모델 설계 시 채널 단위로 그룹화하고 병렬 양방향 공간 문맥 모델을 사용하여 디코딩 속도를 개선하였다."