典型文献
基于通道注意力的全注意力端到端压缩方法
文献摘要：
图像压缩是低层级图像处理领域的重要研究方向,近年来,基于深度学习的图像压缩算法取得了巨大进展.结合注意力模块RBAM(Residual Block Attention Module)的高斯混合模型压缩算法可获得较好效果,但由于RBAM单个模块参数量较大,只能在压缩算法编解码网络中局部嵌入,限制了注意力模块在全网络中的潜力.使用一种轻量级的通道注意力模块,将其嵌入到整个图像编解码网络中,构成了一种全注意力的图像压缩算法.与嵌入RBAM的压缩算法相比,所提算法在获得更好的率失真性能的同时,网络中注意力模块参数量减少了 26.8％.实验结果表明,当以峰值信噪比(PSNR)和多尺度结构相似性(MS-SSIM)作为评价指标时,所提算法在Kodak和CLIC两个图像验证数据集上的率失真性能都超越了已有算法,并获得了更好的主观视觉效果.
文献关键词：
图像压缩;深度学习;卷积神经网络;注意力机制;变分自编码器
中图分类号：
作者姓名：
祝启斌;夏巧桥;张青林;陈菊霞;闫雪
作者机构：
华中师范大学物理科学与技术学院,武汉 430079
文献出处：
引用格式：
[1]祝启斌;夏巧桥;张青林;陈菊霞;闫雪-.基于通道注意力的全注意力端到端压缩方法)[J].激光杂志,2022(06):96-104
A类：
RBAM,Kodak,CLIC
B类：
端到端,压缩方法,图像压缩,低层,压缩算法,Residual,Block,Attention,Module,高斯混合模型,模型压缩,参数量,编解码网络,中局,全网,轻量级,通道注意力模块,失真,真性,峰值信噪比,PSNR,多尺度结构,结构相似性,SSIM,视觉效果,注意力机制,变分自编码器
AB值：
0.279043
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
