위키득계정 ↗
기술

개선 체커보드 학습 압축

개선 체커보드 학습 압축기술
연구
Fast and High-Performance Learned Image Compression
문맥 구성
두 개의 분리된 분포 매개변수 추정망
디코더 경량화
세 단계 지식 증류 학습
희소화
L1 정규화 및 비영 채널 부호화
개선 체커보드 학습 압축은 병렬 엔트로피 복호와 변형 합성곱, 지식 증류를 결합해 속도와 압축 품질을 조절하는 방법이다. 분리된 분포 추정망과 희소 잠재 표현을 이용하고 0이 아닌 채널만 부호화한다.

직렬 문맥의 속도 문제

문맥 적응형 엔트로피 모형은 압축 효율을 높일 수 있지만 순차적인 의존성이 복호 속도를 제한할 수 있다. 이 방법은 복잡도와 성능 사이의 균형을 위해 여러 구성을 함께 사용한다.

병렬 문맥과 변형 합성곱

서로 다른 확률 모형과 두 분포 매개변수 추정망을 가진 체커보드 문맥을 설계한다. 병렬 복호를 지원하는 방향이다. 변형 합성곱 모듈은 입력의 중복을 더 줄여 압축 성능을 개선하는 역할로 도입한다.

증류와 채널 희소화

교사의 최종 및 중간 결과를 학생에게 전달하는 세 단계 증류 학습으로 디코더의 복잡도 선택지를 만든다. L1 정규화로 잠재 표현의 희소성을 유도하고 비영 채널만 부호화한다. 희소한 수치와 채널 전체가 0인 상태는 구분해 확인해야 한다.

채널 선택의 독립 예

설명용으로 네 채널 중 둘이 모두 0이고 나머지만 유효하다면 두 유효 채널을 대상으로 처리할 수 있다. 실제 파일에는 채널 식별이나 부가 정보도 필요할 수 있다. 연구의 비트수나 속도 결과를 사용한 예가 아니며 저장량이 무조건 절반이 된다는 뜻도 아니다.

관련 문서

체커보드 문맥 모형 / ELIC / TCM 이미지 압축 / 채널별 엔트로피 모형 / 스케일 하이퍼프라이어 / 자가회귀 하이퍼프라이어