💡
原文中文，约6000字，阅读约需15分钟。
📝
内容提要
本文提出了一种动态状态空间模型Content-Aware Mamba（CAM），并基于此构建了图像压缩模型CMIC。CMIC通过内容自适应token重排和全局先验提示，增强了长距离冗余建模能力，在多个数据集上实现了SOTA性能。
🎯
关键要点
- 提出了一种动态状态空间模型Content-Aware Mamba（CAM）
- 基于CAM构建了图像压缩模型CMIC
- CMIC通过内容自适应token重排和全局先验提示增强长距离冗余建模能力
- CMIC在Kodak、Tecnick和CLIC数据集上实现了SOTA性能
- 标准Mamba在图像压缩中存在固定raster scan和严格因果建模的瓶颈
- CMIC引入内容自适应token重排（CTP）以优化扫描顺序
- CMIC使用全局先验提示（GPP）来缓解严格因果约束
- CMIC的设计兼顾局部细节和全局压缩效率
- CMIC在多个数据集上相对VTM-21.0取得显著的码率节省
- CMIC的参数量和计算复杂度相对较低，具有较高的效率
- CMIC通过有效感受野（ERF）展示了对冗余分布的感知能力
- CMIC的核心在于优化扫描顺序和信息流方式以提升图像压缩性能
➡️
