图像压缩是数据压缩技术在数字图像处理上的应用,目的是减少图像数据中的冗余信息,从而用更加高效的格式存储和传输数据。近年来,随着深度学习的迅猛发展,基于深度学习图像压缩方法取得了较大突破,在图像重建质量上已经超越传统方法。与此同时,深度学习在分类、分割、检测等图像理解任务上的出色表现,使其被广泛应用在无人驾驶、安防监控、社交媒体等场景。在此类场景下,经过压缩编码的图像,已不再局限于提供给人类观看,很多情况下是通过计算机视觉方法自动执行图像理解任务。这需要在图像压缩编码框架优化过程中,考虑如何在满足观看需求的同时,提升解码图像在理解任务上的性能表现。本文针对上述需求,提出面向任务的深度学习图像压缩编码框架。论文的主要创新如下:(1)设计改进深度学习图像压缩编码框架的网络结构和训练方法。使用残差密集卷积模块为基本特征提取模块,通过设计紧凑表示网络和多尺度重建网络,改进网络优化方法,实现兼容传统编码器且支持端对端训练的深度学习图像压缩框架。提出基于特征全变分约束的深度学习压缩性能优化方法,以抑制紧凑表示网络输出特征中的噪声,从而达到提高率失真性能的目的,实验结果表明,该方法图像压缩性能超越相应的传统编码方法。(2)提出基于深层特征损失的面向任务压缩方法,通过使用预训练的理解任务网络对原始输入和解码图片提取深层特征,并将深层特征的差异作为面向语义理解的损失项,利用网络训练减小重建图像与原图语义信息之间的差异。相比于仅以信号保真为目的压缩解码图片,面向任务压缩方法的解码重建图片能够在常见图像理解任务网络上获得更高的性能评价指标。(3)提出基于空间注意力的面向任务压缩优化方法,通过为紧凑表示网络增加空间权重图分支,使之能够学习原始图像在预训练分类网络的多类激活图,得到图像语义信息的空间权重,并在训练过程中用该权重图对特征全变分约束加权,从而实现更精细的噪声抑制和语义信息保留。实验表明,通过该方法进行面向任务压缩时,能获得更好的压缩率与任务性能。