잠재 표현의 통계
이미지를 잠재 표현으로 바꾼 뒤 압축하려면 그 값이 얼마나 자주 나타나는지 예측해야 한다. 위치마다 분포가 다르면 하나의 단순한 모형으로 설명하기 어려울 수 있다. 하이퍼프라이어는 잠재 표현의 구조와 의존성을 포착하는 보조 모형을 둔다.
보조 정보의 역할
보조 정보를 전달하면 복호기는 잠재값의 분포를 더 잘 예측할 수 있다. 그러나 그 보조 정보 자체도 저장해야 한다. 압축 효율은 주 잠재 표현의 비트 수 감소와 보조 정보의 비용을 함께 고려해야 한다.
총 비트 수의 예
설명용으로 기본 방식이 1,000비트를 쓰고 새 방식의 주 정보가 800비트, 보조 정보가 100비트면 전체는 900비트다. 보조 정보가 250비트라면 1,050비트가 된다. 실제 압축률이 아니라 부가 비용까지 세어야 한다는 예다.
학습 목표와 화질
변분 오토인코더 기반 압축망과 복잡한 사전 모형을 함께 학습한다. 제곱 오차와 지각적 유사도처럼 왜곡 기준이 달라지면 결과의 특성도 달라질 수 있다. 최종 비트 수와 재구성 품질, 인코딩 및 디코딩 시간을 같은 자료에서 비교한다.
관련 문서
결합 자기회귀 하이퍼프라이어 / 변분 오토인코더 / 엔트로피 부호화 / 산술 부호화 / 이미지 압축 / HiNeRV