ELIC：基于非均匀分组空间-通道上下文自适应编码的高效学习图像压缩

近年来，基于学习的图像压缩技术取得了显著进展，其性能甚至已超越最佳的手工设计有损图像编码器，展现出大规模应用的广阔前景。为确保其实用性，有必要对基于学习的图像压缩架构设计进行深入研究，兼顾压缩性能与运行速度。本文首先提出一种不均匀通道条件自适应编码方法，该方法源于对学习型图像压缩中能量集中现象的观察。通过将所提出的不均匀分组模型与现有上下文模型相结合，构建出一种空间-通道联合上下文自适应模型，在不损害运行速度的前提下显著提升了编码性能。随后，本文针对主变换结构展开研究，提出一种高效模型ELIC，实现了当前最优的压缩效率与运行速度。该模型不仅具备卓越的性能表现，还支持极快的预览解码与渐进式解码，进一步增强了基于学习的图像压缩技术在实际应用中的可行性与前景。