西宁商城网站建设公司如何申请域名做网站知乎

TIP 2024

贡献

1.首个提出面向显著性分割的深度图像压缩模型：通过比特分配方式控制局部失真，保留下游显著性目标检测所需关键信息，提升率-精度（R-A）性能。

2.适配下游网络的训练策略：能兼容各类下游SOD网络的训练策略，训练阶段无需辅助，针对两种重建质量等级训练压缩模型。

3.自适应比特分配机制：依据显著性概率分布反映像素重要性，经升余弦滚降（ACRD）生成逐像素权重引导比特分配。

4.实验：大量实验证明，该方法在十个下游显著性分割网络上实现最优R-A性能，相较现有先进深度图像压缩模型，平均节省10.34%比特率，充分验证方法有效性与优越性。

Pipeline

Saliency Oriented Bit Allocation Model

高维空间中的显著性分割边界，更靠近超平面的点（颜色更深、尺寸更大的点）对失真更敏感（压缩后易跨越超平面），需分配更多比特保障重建质量；远离超平面的点对失真更鲁棒，可少分配比特节省码率。

用显着性网络φ为每个像素计算特征空间中离超平面的距离。

若w为负(蓝色)，即认为在非ROI区域，若为正(红色)则为ROI区域。

归一化并对齐尺寸到特征图。

wnorm通过函数ACRD函数，生成比特分配图W。

接近0.5的值可以在ACRD函数后获得更大的位分配权重，相当于靠近超平面φ的那些较暗点。

超参数α控制“过渡带宽”，α越小，过渡越陡峭（对超平面附近点的比特分配更聚焦）。

比特分配图W扩展为掩码M，与编码器提取的特征y尺寸匹配。基础层全为1，增强层由W的值四舍五入。

Double-Scale Entropy Module

编码器ga对输入图像计算潜在特征

然后对于特征y，分配成两部分，基础特征和增强特征。

掩码M进行特征过滤，对基础层无影响，增强层有变化。

用两种不同的熵编码器分别计算bpp和熵编码特征。

再拼接起来进行解码。

Training Procedure

训练时不用显著性模型：让压缩模型对各类显著性分割网络具备通用性（不绑定特定分割模型）。

双质量重建训练：网络学习两种质量等级的图像重建（fe和fe0），模拟推理时增强通道按需保留的逻辑，实现局部失真控制（重要像素用更多增强通道，保障重建质量；非重要像素用基础通道，节省码率）。

得到两种尺度的latent特征。

并进行解码得到两种重建结果。

用双尺度R-D loss端到端训练整个压缩网络。

实验

对显著性分割数据集进行压缩解压，然后在解码图像上进行显著性分割测评。

在F1-Score和Sm评估下，基本都优于其他压缩方法。

可视化结果，红蓝绿分别表示最好的三个结果。

编码时间很快，比他快的效果没他好。

不同数据集使用压缩解压方法之后，使用显著性分割方法进行分割，提出的方法在多个数据集，多种分割方法上，都能达到不错的效果。

使用sigmoid替换ACRD的消融实验。

编码时间对比。