Efficient Learned Lossless JPEG Recompression
简介
本文是GuoLina以及HeDailan商汤团队关于重压缩的第二篇论文，这次该团队将注意力放到了加速解码上。
创新点
提出Multi-Level Parallel Conditional Modeling (ML-PCM)在不同颗粒度上并行解码。
模型设置
首先还是将DCT系数进行重排
为了支持多种子采样格式，分别为色度分量和亮度分量设计了两个独立的网络，如图2所示
从图中可以看到两条网络都是由一个hyper-network和parallel context model。（超网络提供边信息来学习全局相关性；上下文模型则从已解码的相邻符号中学习局部信息）
Y分量是先进行space-to-depth,然后被压缩。
CbCr分量是先串联，然后再压缩。
CCCM compressed checkerboard context model
CbCr的上下文模型其实还是用的棋盘上下文模型
具体的网络实现为，把CbCr2和CbCr3作为anchor
PPCM pipeline parallel context model
Y分量的上下文模型有点类似于上篇文章的MLCC模型，将输入数据分为4行9列，每一列的深度分别为28, 8, 7, 6, 5, 4, 3, 2 and 1。
第一行的概率计算公式为
第二行到第四行都是以第一行为先验的，它们并行运行：
Shift Context
实验设置
训练数据集：the largest 8000 images chosen from the ImageNet.
测试数据集:Kodak, DIV2K, CLIC professional and CLIC mobile.
具体细节： 训练图像被随机裁剪为256*256的块，然后提取量化后的DCT系数。
然后分别优化Y-Net和CbCr-Net。其中，Y-Net的训练分为三个阶段：1：训练超网络 2：训练PPCM捕捉上下文信息 3：进行微调。
最后使用TensorRT库部署了模型，利用 8 位量化《Learned Step Size Quantization》来进一步加速推理，从而实现了与全精度模型相当的压缩性能（Y-Net 仅降低约 1%，CbCrNet 仅降低 0.7%）。
