Sep, 2023
RECOMBINER: 基于贝叶斯隐式神经表征的稳健增强压缩
RECOMBINER: Robust and Enhanced Compression with Bayesian Implicit
Neural Representations
TL;DRCOMBINER是一种最近的数据压缩方法，它通过避免量化和直接优化速率-失真性能来解决以前基于隐式神经表示(INR)的方法的一个关键低效性。然而，COMBINER仍然存在显著的限制：1）它使用了缺乏灵活性的分解先验和后验近似；2）它不能有效地适应数据中的局部偏差和全局模式；3）它的性能容易受到模型选择和变分参数初始化的影响。我们提出的方法，Robust and Enhanced COMBINER (RECOMBINER)，通过以下方式解决了这些问题：1）通过线性重参数化INR权重，丰富变分近似并保持其计算成本；2）通过学习可调整的位置编码来增强INR，使其能够适应局部细节；3）将高分辨率数据分割成补丁以增加鲁棒性，并利用具有表达力的分层先验来捕捉补丁间的依赖关系。我们在多个数据模态上进行了大量实验证明，RECOMBINER取得了与最佳INR方法相媲美的结果，并且在低比特率的低分辨率图像上甚至胜过自动编码器的编解码器。