확률 예측의 중요성
압축망에서 잠재값의 확률을 얼마나 잘 추정하는지는 예상 비트 수에 영향을 준다. 이 연구는 남아 있는 중복을 줄이기 위해 더 정확하고 유연한 엔트로피 모형을 사용한다. 확률 추정은 학습 중 신경망 매개변수의 최적화에도 영향을 준다.
혼합 분포와 이산 값
여러 가우시안 성분을 섞어 잠재 코드의 분포를 나타낸다. 실제 부호화 대상은 양자화한 값이므로 연속 밀도 하나의 높이와 이산 값의 확률을 구분해야 한다. 네트워크 구조에는 어텐션 모듈도 결합한다.
확률 질량의 예
설명용 연속 밀도가 구간 [0.5, 1.5]에서 적분한 값이 0.2라면 그 구간으로 양자화되는 사건의 확률은 0.2다. 한 점의 밀도 높이를 그대로 확률로 쓰는 것과 다르다. 이는 개념 예제이며 실제 잠재 모형의 매개변수는 아니다.
왜곡 기준의 영향
PSNR과 MS-SSIM 같은 다른 기준으로 최적화하면 결과의 시각적 특성이 달라질 수 있다. 같은 품질에서 실제 비트스트림 크기를 비교해야 한다. 잠재 정보 및 부가 정보를 포함하고 인코딩과 디코딩 시간도 함께 살핀다.
관련 문서
채널 조건부 엔트로피 모형 / 스케일 하이퍼프라이어 / 결합 자기회귀 하이퍼프라이어 / ELIC 이미지 압축 / 가우시안 혼합 모형 / 이미지 압축