研究员为360°图像传输提出减少无线传输通信开销的神经网络框架
澳大利亚新南威尔士大学的研究团队提出了一种名为AM-VQ的框架,用于VR 360度图像的高效传输。目前,由于360度图像数据的海量性质,网络存储和带宽方面面临着挑战。AM-VQ方案利用深度神经网络和向量量化来提取和压缩语义特征,并通过激活图自适应量化语义特征,降低了数据失真和通信开销。为了提高360度图像的重建质量,该团队还使用了生成式对抗网络鉴别器进行对抗训练。数值结果表明,与现有的基于深度学习和传统编解码方案相比,AM-VQ方案具有更好的性能。由于360度图像的复杂性和数据量大,研究人员正在探索更有效的图像压缩技术和传输解决方案。传统压缩方法在处理360度图像时面临挑战,而基于深度学习的压缩方法显示出潜力。然而,在高压缩比下保持重建质量仍然是一个挑战,特别是在模型泛化能力有限或缺乏综合训练数据的情况下。AM-VQ框架通过结合深度神经网络和向量量化来实现高效的360度图像语义通信。