自己非対称可逆ネットワークによる圧縮意識画像リスケーリング

高解像度（HR）画像は通常、表示の向上のために低解像度（LR）にダウンスケーリングされ、その後元のサイズに戻すためにアップスケーリングされ、詳細を復元します。最近の画像リスケーリングに関する研究では、ダウンスケーリングとアップスケーリングを統一的なタスクとして定式化し、可逆ネットワークを通じてHRとLRの間の双射マッピングを学習しています。しかし、実際のアプリケーション（例：ソーシャルメディア）では、ほとんどの画像が送信のために圧縮されます。有損圧縮はLR画像において不可逆な情報損失を引き起こし、その結果逆方向のアップスケーリングプロセスが損なわれ、再構築精度が低下します。本論文では、圧縮に配慮した画像リスケーリングのために自己非対称可逆ネットワーク（Self-Asymmetric Invertible Network: SAIN）を提案します。分布シフトに対処するために、まず高品質なLR画像と圧縮されたLR画像それぞれに対して独立した双射マッピングを持つエンドツーエンド非対称フレームワークを開発しました。次に、このフレームワークの経験的分析に基づき、ダウンスケーリングと圧縮で失われた情報の分布を各向同性ガウシアン混合モデルを使用してモデル化し、Enhanced Invertible Blockを提案して1つの順方向パスで高品質/圧縮されたLR画像を導出します。さらに、学習したLR画像を正規化し、可逆性を強化するための一連の損失関数を設計しました。多数の実験により、標準的な画像圧縮フォーマット（JPEGおよびWebP）下での定量的および定性的評価において、SAINが様々な画像リスケーリングデータセットに対して一貫した改善を示していることが確認されました。