Efficient Learned Lossless JPEG Recompression

• 简介
• 创新点
• 模型设置
  • CCCM compressed checkerboard context model
  • PPCM pipeline parallel context model
  • Shift Context
• 实验设置
• 结果

简介

本文是GuoLina以及HeDailan商汤团队关于重压缩的第二篇论文，这次该团队将注意力放到了加速解码上。

创新点

提出Multi-Level Parallel Conditional Modeling (ML-PCM)在不同颗粒度上并行解码。

模型设置

首先还是将DCT系数进行重排
为了支持多种子采样格式，分别为色度分量和亮度分量设计了两个独立的网络，如图2所示

从图中可以看到两条网络都是由一个hyper-network和parallel context model。（超网络提供边信息来学习全局相关性；上下文模型则从已解码的相邻符号中学习局部信息）
Y分量是先进行space-to-depth,然后被压缩。
CbCr分量是先串联，然后再压缩。

CCCM compressed checkerboard context model

CbCr的上下文模型其实还是用的棋盘上下文模型

具体的网络实现为，把CbCr2和CbCr3作为anchor

PPCM pipeline parallel context model

Y分量的上下文模型有点类似于上篇文章的MLCC模型，将输入数据分为4行9列，每一列的深度分别为28, 8, 7, 6, 5, 4, 3, 2 and 1。

第一行的概率计算公式为

第二行到第四行都是以第一行为先验的，它们并行运行：

Shift Context

实验设置

训练数据集：the largest 8000 images chosen from the ImageNet.
测试数据集:Kodak, DIV2K, CLIC professional and CLIC mobile.
具体细节：

结果