本文提出了深层图像压缩中潜在的跨通道上下文模型。通常，深度图像压缩基于自动编码器框架，该框架将原始图像转换为编码器的潜像，并从解码器的量化潜像中恢复重建的图像。该变换通常与熵模型结合，该熵模型估计量化潜伏的概率分布以进行算术编码。目前，联合自回归和分层先验熵模型已被广泛采用，以捕获来自超潜在的全局上下文和来自量化潜在元素的局部上下文。对于局部上下文，广泛采用的2D遮罩卷积只能捕获空间上下文。但是，我们观察到潜伏中不同通道之间存在很强的相关性。为了利用跨信道相关性，我们建议根据信道索引将潜伏数分为几组，并一一编码这些组，其中先前编码的组用于为当前组提供跨信道上下文。所提出的跨通道上下文模型与联合自回归和分层先验熵模型相结合。实验结果表明，使用PSNR作为失真度量，组合模型的BD速率比基准熵模型降低了6.30％和6.31％，比最新的视频编码标准多功能视频编码（VVC）降低了2.50％和2.20％分别用于Kodak和CVPR CLIC2020专业数据集。此外，当针对MS-SSIM指标进行优化时，我们的方法会生成视觉上更令人愉悦的重建图像。我们建议根据通道索引将潜伏者分为几组，并一一编码，其中以前编码的组用于为当前组提供跨通道上下文。所提出的跨通道上下文模型与联合自回归和分层先验熵模型相结合。实验结果表明，使用PSNR作为失真度量，组合模型的BD速率比基准熵模型降低了6.30％和6.31％，比最新的视频编码标准多功能视频编码（VVC）降低了2.50％和2.20％分别用于Kodak和CVPR CLIC2020专业数据集。此外，当针对MS-SSIM指标进行优化时，我们的方法会生成视觉上更令人愉悦的重建图像。我们建议根据通道索引将潜伏者分为几组，并一一编码，其中以前编码的组用于为当前组提供跨通道上下文。所提出的跨通道上下文模型与联合自回归和分层先验熵模型相结合。实验结果表明，使用PSNR作为失真度量，组合模型的BD速率比基准熵模型降低了6.30％和6.31％，比最新的视频编码标准多功能视频编码（VVC）降低了2.50％和2.20％分别用于Kodak和CVPR CLIC2020专业数据集。此外，当针对MS-SSIM指标进行优化时，我们的方法会生成视觉上更令人愉悦的重建图像。



"点击查看英文标题和摘要"