基于深度残差网络的轻量级生成图像压缩方法

基于深度学习的生成图像压缩方法具有在低码率场景下重建图像视觉保真度高的优点,但该方法网络参数量大,所需计算资源和模型占用内存空间多,因此,无法得到有效应用。针对该问题,采用深度轻量级残差块优化残差网络以精简解码网络。首先将两层残差网络替换为三层轻量级残差块,增加网络深度从而更直观提取图像的抽象特征,使得生成器更好地模拟真实样本的分布。其次在每个残差块中再增加一个非线性激活与归一化层,缓解了网络训练时的梯度消失问题。实验结果表明,基于深度残差网络的生成图像压缩方法在率失真性能与感知指标上评估结果与已有方法基本一致,但网络参数量减少了30.44%且模型训练耗时降低33.3%,模型大小减少25%。