基于深度学习的图像压缩技术研究综述.docVIP

基于深度学习的图像压缩技术研究综述

深度学习图像压缩的核心范式演进

深度学习图像压缩技术的核心逻辑是利用神经网络的非线性拟合能力，打破传统编码框架的熵编码约束，实现从像素空间到特征空间的端到端优化。其技术范式的演进大致经历了三个阶段：早期探索阶段主要聚焦于对传统编码模块的局部替换，例如用卷积神经网络替代离散余弦变换（DCT）模块或预测模块，典型代表如2016年Ballé等人提出的基于卷积自编码器的压缩框架，首次引入了量化可微的软量化操作，解决了神经网络训练中离散量化步骤不可导的问题，为端到端训练奠定了基础。该阶段的方法虽然在主观质量上略优于JPEG，但在客观指标PSNR（峰值信噪比）上仍难以与H.265等成熟编码标准拉开差距，主要原因是未对熵编码模块进行端到端适配，特征的概率分布建模仍然依赖人工设计的先验分布。

第二阶段是端到端优化框架的成熟阶段，核心突破是引入了基于上下文的熵模型和自适应量化策略。2018年谷歌提出的BPG深度压缩框架首次实现了完整的端到端训练，通过将超先验信息融入熵模型，对特征的条件概率分布进行动态建模，使得压缩率在相同PSNR下比H.265提升了15%以上。后续研究进一步将注意力机制引入编码网络，例如2020年提出的Transformer-based压缩框架，通过自注意力捕捉图像的长距离像素依赖关系，在纹理复杂的自然图像上实现了比卷积网络更优的压缩效率。这一阶