推荐dewitt · 2017-02
“(No connection to the authors, just found it super cool when I read it a few months back.)”
称读后觉得非常酷,并声明与作者无关
用循环神经网络做可变码率的全分辨率有损图像压缩
论文提出一组基于神经网络的全分辨率有损图像压缩方法,架构由 RNN 编码器和解码器、二值化器以及用于熵编码的网络组成,训练一次即可在部署时提供可变压缩率。作者比较了 LSTM、关联 LSTM 以及新的 GRU 与 ResNet 混合结构,并报告相对此前工作在 AUC 上提升 4.3%–8.8%,称这是首个在 Kodak 数据集多数码率上超越 JPEG 的神经网络架构。
HN 上的评论者只是说读到后觉得非常酷,把它作为用循环神经网络做全分辨率图像压缩的有趣例子来推荐。
候选里只有 Highway Networks 与目标论文的网络结构设计相关;先看门控与捷径连接,再读 RNN 图像压缩。
目标论文提出 GRU 与 ResNet 的混合单元,需要先理解门控捷径连接让深层网络更易训练的思路。
读transform gate 与 carry gate 如何让信息跨层直通;与后来残差连接的关系。
目标论文:用 RNN 编码器、解码器加二值化器和熵编码做可变码率全分辨率图像压缩。
读编码器、二值化器、解码器的整体流程,各种 RNN 单元的比较,以及一次性重建与加性重建的差异。
“(No connection to the authors, just found it super cool when I read it a few months back.)”