[人工智能]2021 Image Compression with Recurrent Neural Network and Generalized Divisive Normalization

概要

该文提出了两种有效的新编解码块：采用卷积层和Generalized Divisive Normalization(GDN)的分析(analysis)和合成块(synthesis)。该文的网络利用pixel RNN方法进行量化。此外，为了改进整个网络，我们使用LSTM细胞对残差图像进行编码，以减少不必要的信息。

1. 网络结构

下图给出了两块图像压缩的总体体系结构：

每个输入（image patch）首先被传递到分析（analysis）编码器块，以丰富图像表示。类似地，合成（synthesis）-解码器块在循环神经网络细胞的帮助下重建解码图像。

在端端框架中有三个模块带有两个新模块，即编码器网络、分析块、二值化器、解码器网络和合成块。

端到端框架的单次迭代在（1）中表示:
$$\begin{gathered} b_t=Bin(En{c}_t(r_t?1)) \\ {\hat{x}}_t=De{c}_t(bi{n}_t)+\gamma {\hat{x}}_{t?1}\text{\hspace{1em}(1)} \end{gathered}$$

$$r_t=x?{\hat{x}}_t,r_0=x,{\hat{x}}_0=0\text{\hspace{1em}(2)}$$

其中Enc和Dec是迭代$t$的编码器和解码器，$bi{n}_t$是二进制表示，${\hat{x}}_t$是实际图像$x$的重建版本，$\gamma =0$是$Oneshotreconstruction$。

根据实际加权值和预测值之间的loss来进行每一次迭代训练。
$$L_1=\sum _{i=1}^n|y_{true}?y_{predicted}|\text{\hspace{1em}(3)}$$
在可变率框架的每次迭代时的总体损失为:
$$L_1=\beta \sum _t|r_t|\text{\hspace{1em}(4)}$$

2.1 Analysis Block

提出了一种基于空间信息的有效的空间自适应分析块。我们的分析编码器块的结构包含三个输入通道和64个输出通道。图层的内核大小为3，步幅为1。该分析块由卷积层、广义分裂归一化技术组成。每一步都从仿射卷积开始：
$$v_i^{(k)}(m,n)=\sum _j(h_{k,ij}?u_j^{(k)})(m,n)+c_{k,i}\text{\hspace{1em}(5)}$$
$v_i^{(k)}(m,n)$其中 $i^{th}$是输入的channel维度，$k^{th}$是第$kstep，(m,n)$是空间位置。$x$是输入图像，由$vector{v}_i^{(0)}(m,n)$组成，输出是$y$，由$vector{u}_i^{(3)}(m,n)$组成。$?$代表2D卷积：
$$w_i^{(k)}(m,n)=v_i^{(k)}(s_{k}m,s_k,n)\text{\hspace{1em}(6)}$$
其中，步骤k处的降采样因子用$s_k$表示。每一步之后都是GDN操作。现在，式（7），定义了GDN操作的所有两个阶段，其中${\beta }_{k,i}$和${\gamma }_{k,ij}$是归一化操作的两个尺度和偏差参数：

2.2 Synthesis Block

考虑到最终重建图像的问题，该图像可能包含多个伪影。在量化后的解码器侧提出了一种有效的合成块，以保持解码图像的信息和质量。如上图所示，通过几个卷积和逆GDN层来重建输入图像。与上述的分析块相同，解码器模块由两个阶段组成，其中所有的过程都被反转。经过iGDN操作后，特征向量进入RNN单元进行进一步重建，反卷积层形成最终的重建图像。每一步都从卷积层开始，然后进行逆GDN运算，计算如下：

inverse GDN包括三个步骤，每一步都进行逆操作、降采样和inverse GDN。

2.3 RNN Cell

该图像压缩网络包括RNN个单元和一个像素深度方案。在每次迭代中，使用RNN单元从图像中提取特征。连续地记忆每个迭代过程中的残差状态，并重建图像。整个网络使用7个RNN单元，3个单元在编码器侧，4个单元在解码器侧。在每次迭代中，前一个单元格的估计结果都会传递到隐藏层以进行进一步的迭代。RNN单元格的简化视图如图所示：

RNN单元格的hidden layer和memory layer状态分别为ck?1和xk?1。第k次迭代的输入特征向量为$x_k$，等于该迭代的上层输出。每个单元格由两个卷积层组成；$conv\_{in}_i$用于输入特征向量$x_k$，$conv\_h_i$用于隐藏层。

在上述图中，$x_k$、$c_{k?1}$和$h_{k?1}$是输入向量。其中，$X$表示元素级的乘法。类似地，$+$表示元素级加法$c_k$，$h_k$是这个单元格的输出向量和下一个单元格的输入向量。

这里，$x_k、c_{k?1}和h_{k?1}$是来自卷积层的输入向量。$C_k$和$h_k$是每次迭代的计算方法，定义为：

2.4 Entropy Coding

我们通过在二值化器模块中使用不同的隐藏值来提高网络的性能。

上图探究了一下通道数及GDN block的存在对于PSNR的影响。在上述实验中，该文的网络中使用了Block+Conv(Enc64+Bin38)的参数。

3. 结果

4.总结

该文提出了在基于RNN的图像压缩网络中嵌入的基于卷积层和GDN层的两个有效块，即分析块和合成块。采用像素级RNN方法，利用线性卷积构造了一种具有一定隐藏值的像素级二值量化方案。此外，为了进一步提高网络的性能，同时利用了RNN Cells。这些单元格被放置在编码器和解码器的部分，以提高性能。

论文是有提供代码的：代码

Reference：

Image Compression with Recurrent Neural Network and Generalized Divisive Normalization