深度学习图像压缩_2-论文：Learning Convolutional Networks for Content-weighted Image Compression

文章的创新点是在量化中加入了Importance Map，让模型自适应地选择重要的区域，整体结构为：

在编码器的输出端有两个分支。一个分支类似传统的自编码器，用于输出特征，并量化和解码。另一个分支作用是产生一个Importance Map，进而产生一个mask，对特征进行更好地量化。

1、二值化量化

对于编码器输出的特征，首先进行二值化，对每个值都量化为0或1，得到一个形状为HxWxC的特征图。为了保证反向传播中的可导，在反向传播使用线性模型代替二值化，公式可以查阅论文或者博客。

2、Importance Map

对于形状为HxWxC二值特征矩阵，实际上可以理解为特征图有HxW个点，每个点用C位二进制表示。实际上，更合理的方式是，根据每个点重要程度的不同，使用不同位的二进制数来表示。Importance Map可以理解为是实现这个功能，对于重要的点保留更多的位，不重要的点使用更少的位。
对Importance Map进行可视化，可以发现在边缘区域需要保留更多的位，这与经验一致。

Importance Map转为mask以及与二值特征相乘的公式可以在论文中查阅，此处不再贴出。

3、Loss函数设计

这里的Loss使用了传统的率失真目标，分为失真loss和码率loss。

失真loss衡量解码图像与真实图像差异，此处直接使用L2距离。

码率loss衡量编码图像需要的比特数。此处由于Importance Map直接影响了熵编码前的比特数，所以使用Importance Map值之和来衡量码率，同时设计阈值r控制码率。