[논문 리뷰] Image compression overview

Martin Prantl|arXiv (Cornell University)|2014. 09. 14.

Advanced Data Compression Techniques참고 문헌 9인용 수 5

한 줄 요약

이 논문은 지난 10년간의 이미지 압축 기법에 대한 종합적인 개요를 제공하며, 손실 없는 및 손실 있는 방법에 중점을 둡니다. 예측 기반, 웨이블릿 기반, 신경망 기반 접근법을 평가하여, 손실 없는 압축에서는 JPEG-LS, 손실 있는 압축에서는 JPEG2000가 각각 뛰어난 성능을 보이며, 고압축 비율에서 PSNR 측면에서 JPEG2000가 다른 기법들을 능가함을 입증합니다.

ABSTRACT

Compression plays a significant role in a data storage and a transmission. If we speak about a generall data compression, it has to be a lossless one. It means, we are able to recover the original data 1:1 from the compressed file. Multimedia data (images, video, sound...), are a special case. In this area, we can use something called a lossy compression. Our main goal is not to recover data 1:1, but only keep them visually similar. This article is about an image compression, so we will be interested only in image compression. For a human eye, it is not a huge difference, if we recover RGB color with values [150,140,138] instead of original [151,140,137]. The magnitude of a difference determines the loss rate of the compression. The bigger difference usually means a smaller file, but also worse image quality and noticable differences from the original image. We want to cover compression techniques mainly from the last decade. Many of them are variations of existing ones, only some of them uses new principes.

연구 동기 및 목표

• 최근 10년간의 이미지 압축 기법의 발전을 분석하고 비교하기.
• 표준 이미지 세트를 사용하여 PNG, CALIC, JPEG-LS, JPEG2000와 같은 손실 없는 방법의 성능을 평가하기.
• JPEG2000, JPEG, 퀠터리 기반, 신경망 기반 방법을 포함한 손실 있는 압축 기법을 PSNR 및 압축 비율 측면에서 평가하기.
• 이미지 콘텐츠(예: 에지, 매끄러운 영역)가 압축 효율성과 품질에 미치는 영향을 조사하기.
• 이론적 우수성에도 불구하고 신규 압축 방법을 도입하는 데 있어 직면하는 한계와 과제를 부각하기.

제안 방법

• 표준 512x512 및 256x256 테스트 이미지(Lenna, Trui, Airplane, Crowd, Landsat)를 대상으로 비교 평가 프레임워크를 사용합니다.
• 손실 있는 압축 평가의 주요 지표로 PSNR 및 픽셀당 비트 수(bpp)를 활용합니다.
• 사전 기반(예: PNG, GIF), 예측 기반(예: CALIC, JPEG-LS), 변환 기반(예: JPEG2000) 방법을 사용하여 손실 없는 압축을 적용합니다.
• 예측 기반 방법 평가 시 기울기 적응 예측(GAP), 중앙값 에지 검출(MED), 신경망 예측기 등을 사용합니다.
• 피드포워드 네트워크를 사용한 신경망 기반 압축은 픽셀 이웃 영역에서 역전파를 통해 훈련된 모델을 적용합니다.
• 히스토그램 유사도 및 이미지 콘텐츠 특성(예: 에지 밀도, 매끄러움)을 통해 압축 효율성을 분석합니다.

실험 결과

연구 질문

• RQ1 현대의 손실 없는 이미지 압축 방법들은 압축 비율과 속도 측면에서 어떻게 비교될 수 있는가?
• RQ2 이미지 콘텐츠(예: 에지, 텍스처, 균일한 영역)는 다양한 압축 알고리즘의 성능에 어떤 영향을 미치는가?
• RQ3 다양한 비트레이트에서 JPEG2000는 다른 손실 있는 압축 방법과 비교해 PSNR 및 압축 효율성 측면에서 어떻게 성능을 내는가?
• RQ4 왜 일부 신경망 기반 압축 방법은 낮은 비트레이트에서 일관성 없는 성능을 보이는가?
• RQ5 JPEG-LS와 같은 근접 손실 없는 방법이 고해상도 유지 조건에서 손실 있는 압축을 얼마나 잘 모방할 수 있는가?

주요 결과

• 손실 있는 압축에서 JPEG2000는 PSNR 성능이 가장 뛰어나, 특히 고압축 비율에서 JPEG 및 기타 기법들을 크게 앞서며 성능을 뽑내었습니다.
• 손실 없는 압축에서는 JPEG-LS와 [18]에서 제시한 DWT 기반 방법이 가장 좋은 결과를 보였으며, JPEG-LS는 속도와 압축 비율 측면에서 PNG 및 손실 없는 JPEG2000를 모두 앞섰습니다.
• JPEG-LS의 MED 예측기는 특히 강한 에지 주변에서 예측 오차를 효과적으로 줄여 압축 효율성을 향상시켰습니다.
• 신경망 기반 압축은 높은 비트레이트에서는 유망한 성능를 보였지만, 낮은 비트레이트에서는 훈련의 불안정성으로 인해 일관성 없는 결과를 보였습니다.
• 히스토그램이 유사한 이미지(예: Airplane와 Crowd)는 유사한 압축 비율을 보였으며, 이는 이미지 통계와 압축 효율성 간의 강한 상관관계를 시사합니다.
• 윤곽 기반 압축 [37]은 Lenna와 Trui와 같은 자연 이미지에서 빈약한 성능을 보였으며, 일반적인 이미지 압축에 적합하지 않음을 확인했습니다.