实用全分辨率学习无损图像压缩

我们提出了一种首个实用的基于学习的无损图像压缩系统——L3C，并证明其性能优于流行的工程编解码器PNG、WebP和JPEG 2000。我们的方法核心是一种完全可并行化的分层概率模型，用于自适应熵编码，并针对压缩任务进行了端到端优化。与最近的自回归离散概率模型（如PixelCNN）不同，我们的方法i) 通过学习到的辅助表示与图像分布联合建模，而不仅仅是对RGB空间中的图像分布进行建模；ii) 只需要三次前向传递即可预测所有像素的概率，而不是每个像素都需要一次前向传递。因此，L3C在采样时比最快的PixelCNN变体（Multiscale-PixelCNN）快两个数量级以上。此外，我们发现学习辅助表示至关重要，并且显著优于预定义的辅助表示（如RGB金字塔）。