本文共 530 字，大约阅读时间需要 1 分钟。

论文信息

题目：Balanced Rate-Distortion Optimization in Learned Image Compression

学习型图像压缩中的平衡率失真优化

作者：Yichi Zhang, Zhihao Duan, Yuning Huang, Fengqing Zhu

论文创新点

我们提出了一个创新性的平衡率失真（R-D）优化框架，将传统的单目标R-D优化转化为多目标优化（MOO）问题。通过这种方法，我们能够更公平地平衡率和失真两个目标，使优化过程更加合理和高效。

在该框架下，我们提出两种不同的优化策略。第一种策略采用从粗到细的梯度下降方法，沿标准R-D优化轨迹逐步细化梯度权重，特别适用于从头开始训练学习型图像压缩（LIC）模型。在训练过程中，这种方法能够有效平衡率和失真目标，确保模型在压缩性能和图像质量之间取得最佳平衡。

第二种策略则采用基于对抗训练的方式，通过引入对抗损失函数，实现对R-D平衡的更精细控制。这种方法能够有效抑制不平衡优化带来的性能下降，进一步提升模型的压缩效率和图像质量。

通过上述创新优化框架和策略，我们显著提升了模型在压缩率和图像质量之间的平衡能力，使得学习型图像压缩系统在实际应用中表现更为优异。