本公开提供一种基于非对称架构的图像压缩模型的确定方法及系统,其中,方法,包括:获取经过训练的基础神经网络编解码器;固定分析编码器、超先验编码器、超先验解码器以及上下文模型的参数,确定轻量化的合成解码器;固定分析编码器、轻量化的合成解码器的参数,联合超先验编码器对超先验解码器和上下文模型确定轻量化的超先验解码器、轻量化的上下文模型以及经过联合训练的超先验编码器;根据分析编码器、轻量化的合成解码器、经过联合训练的超先验编码器、轻量化的超先验解码器以及轻量化的上下文模型,确定非对称的轻量化图像压缩模型。通过本公开,简化解码器网络结构,降低解码端的计算复杂度,提高解码效率,能够适应多样化的低端设备。
背景技术
随着图像压缩处理在互联网和多媒体应用中的需求不断增加,高效的图像压缩方法的开发变得越来越重要。传统的图像压缩算法,如JPEG、JPEG2000、HEVC和VVC等,通常采用非对称的计算架构设计,其编码端承担更多的计算复杂度,而解码端则更为简化,以适应低端设备的计算能力。
近年来,基于深度学习的编解码器在图像领域和视频领域都取得了显著的进步。然而,现有的基于深度学习的端到端图像压缩(LIC)方法多采用对称的编码器-解码器架构,从而导致编码和解码的计算复杂度大致相同。例如Balle18、Minnen18、Cheng20、TinyLIC和TCM等图片压缩模型在提高压缩性能的同时,也保持了对称的结构设计。但随着这些模型的复杂度增加,解码时间也随之延长,这对于实际部署在资源受限的低端设备上,带来了挑战。
尽管现有研究中存在简化模型结构或知识蒸馏等轻量化设计方案,但尚无针对图像压缩领域的非对称确定方法。
实现思路