QARV: Quantization-Aware ResNet VAE for Lossy Image Compression

简介

该文章基于VAE提出一种新的有损图像压缩方法，起名叫quantization-aware ResNet VAE (QARV). 这种方法集成了测试时间量化和量化感知训练，没有它就无法进行熵编码？
除此之外还专门设计了用于快速解码的QARV网络结构，并为可变速率压缩提出自适应归一化操作。

创新之处

• 提出了一个算法模型，实现了更快的解码速度和更好的R-D性能。
• 为实现可变速率图像压缩，提出自适应归一化层AdaLN
• 总的来说，提出一种新的神经网络模型(QARV)。他的设计更简单，没有上下文模型；更灵活，速率可变，具有层次结构。 与现有模型相比，具有快速地CPU解码。

模型结构

实验结果

本栏目推荐文章
• SHARPNESS-AWARE MINIMIZATION FOR EFFICIENTLY IMPROVING GENERALIZATION论文阅读笔记
• 《RAPL: A Relation-Aware Prototype Learning Approach for Few-Shot Document-Level Relation Extraction》阅读笔记
• Aware依赖注入管理
• CF1523C Compression and Expansion
• QARV: Quantization-Aware ResNet VAE for Lossy Image Compression
• 利用 FCN 使得 ResNet 允许任意大小图片输入
• FLAC: Federated Learning with Autoencoder Compression and Convergence Guarantee-2022
• Deep Residual Learning for Image Recognition：ResNet
• CARAFE: Content-Aware ReAssembly of FEatures 可学习的上采样
• SiReN Sign-Aware Recommendation Using Graph Neural Networks论文阅读笔记

Quantization-Aware Quantization Compression ResNet Awarequantization-aware quantization compression quantization-aware quantization keras_quantization quantization torch 39 eprogramfiles compression keras_quantization quantization keras self-supervised quantization augmentation randomized conditional compression probability models autoencoder compression convergence federated