論文の概要: Ultra High Fidelity Image Compression with $\ell_\infty$-constrained Encoding and Deep Decoding

• arxiv url: http://arxiv.org/abs/2002.03482v1
• Date: Mon, 10 Feb 2020 00:33:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 09:29:56.085244
• Title: Ultra High Fidelity Image Compression with $\ell_\infty$-constrained Encoding and Deep Decoding
• Title（参考訳）: $\ell_\infty$-constrained Encoding and Deep Decodingによる超高忠実画像圧縮
• Authors: Xi Zhang and Xiaolin Wu
• Abstract要約: 我々は,新しいCNNベースのソフト $ell_infty-constrained decoding法を開発した。 新しい方法は、$ell_inftymbox-SDNetと呼ばれる復元CNNを使用して圧縮欠陥を修復する。 この手法の独特な強みは、1ピクセルあたりの厳密な誤差を強制できることである。
• 参考スコア（独自算出の注目度）: 24.812267280543693
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In many professional fields, such as medicine, remote sensing and sciences, users often demand image compression methods to be mathematically lossless. But lossless image coding has a rather low compression ratio (around 2:1 for natural images). The only known technique to achieve significant compression while meeting the stringent fidelity requirements is the methodology of $\ell_\infty$-constrained coding that was developed and standardized in nineties. We make a major progress in $\ell_\infty$-constrained image coding after two decades, by developing a novel CNN-based soft $\ell_\infty$-constrained decoding method. The new method repairs compression defects by using a restoration CNN called the $\ell_\infty\mbox{-SDNet}$ to map a conventionally decoded image to the latent image. A unique strength of the $\ell_\infty\mbox{-SDNet}$ is its ability to enforce a tight error bound on a per pixel basis. As such, no small distinctive structures of the original image can be dropped or distorted, even if they are statistical outliers that are otherwise sacrificed by mainstream CNN restoration methods. More importantly, this research ushers in a new image compression system of $\ell_\infty$-constrained encoding and deep soft decoding ($\ell_\infty\mbox{-ED}^2$). The $\ell_\infty \mbox{-ED}^2$ approach beats the best of existing lossy image compression methods (e.g., BPG, WebP, etc.) not only in $\ell_\infty$ but also in $\ell_2$ error metric and perceptual quality, for bit rates near the threshold of perceptually transparent reconstruction. Operationally, the new compression system is practical, with a low-complexity real-time encoder and a cascade decoder consisting of a fast initial decoder and an optional CNN soft decoder.
• Abstract（参考訳）: 医学、リモートセンシング、科学など多くの専門分野において、ユーザーは数学的に損失のない画像圧縮方法を要求する。 しかし、ロスレス画像符号化は圧縮率がかなり低い(自然画像では約2:1)。 厳密な忠実性要件を満たしながら重要な圧縮を実現する唯一の手法は、90年代に開発された$\ell_\infty$-constrained codeの方法論である。 我々は,新しいCNNベースのソフト$\ell_\infty$-constrained decoding法を開発することで,20年後の$\ell_\infty$-constrained画像符号化に大きな進歩を遂げた。 新しい方法は、$\ell_\infty\mbox{-sdnet}$と呼ばれる復元cnnを使用して圧縮欠陥を修復し、従来の復号化された画像を潜在画像にマッピングする。 $\ell_\infty\mbox{-SDNet}$のユニークな強みは、ピクセル単位の厳密なエラーを強制する能力である。 そのため、主流のCNN修復法によって犠牲にされる統計的外れ値であっても、元の画像の小さな特徴的構造を落とすことも歪めることもできない。 さらに重要なことに、この研究は$\ell_\infty$-constrainedエンコーディングと深層ソフトデコード($\ell_\infty\mbox{-ed}^2$)の新たな画像圧縮システムを導入する。 この$\ell_\infty \mbox{-ed}^2$のアプローチは、$\ell_\infty$だけでなく$\ell_2$エラーメトリックと知覚品質においても、知覚的に透明な再構成のしきい値に近いビットレートで、既存の損失画像圧縮法(例えば、bpg、webpなど)の最高値を上回っている。 操作上、新しい圧縮システムは実用的であり、低複雑さのリアルタイムエンコーダと高速初期デコーダとオプションのcnnソフトデコーダからなるカスケードデコーダを備えている。

関連論文リスト

• MISC: Ultra-low Bitrate Image Semantic Compression Driven by Large Multimodal Model [78.4051835615796]
  本稿では,マルチモーダル画像セマンティック圧縮法を提案する。 画像の意味情報を抽出するLMMエンコーダと、その意味に対応する領域を特定するマップエンコーダと、非常に圧縮されたビットストリームを生成する画像エンコーダと、前記情報に基づいて画像を再構成するデコーダとからなる。 知覚50%を節約しながら最適な一貫性と知覚結果を達成することができ、これは次世代のストレージと通信において強力な可能性を持つ。
  論文  参考訳（メタデータ） (2024-02-26T17:11:11Z)
• Computationally-Efficient Neural Image Compression with Shallow Decoders [43.115831685920114]
  本稿では,JPEGに類似した浅い,あるいは線形な復号変換を用いることで,復号化複雑性のギャップを解消する。 我々は、より強力なエンコーダネットワークと反復符号化を採用することにより、符号化と復号の間のしばしば非対称な予算を利用する。
  論文  参考訳（メタデータ） (2023-04-13T03:38:56Z)
• Deep Lossy Plus Residual Coding for Lossless and Near-lossless Image Compression [85.93207826513192]
  本稿では、損失のない画像圧縮とほぼロスレス画像圧縮の両面において、統合された強力な深い損失+残差(DLPR)符号化フレームワークを提案する。 VAEのアプローチにおける連立損失と残留圧縮の問題を解く。 ほぼロスレスモードでは、元の残差を量子化し、与えられた$ell_infty$エラー境界を満たす。
  論文  参考訳（メタデータ） (2022-09-11T12:11:56Z)
• PILC: Practical Image Lossless Compression with an End-to-end GPU Oriented Neural Framework [88.18310777246735]
  本稿では,1台のNVIDIA Tesla V100 GPUを用いて,圧縮と圧縮の両面で200MB/sを実現するエンドツーエンド画像圧縮フレームワークを提案する。 実験により、我々のフレームワークは、複数のデータセットで30%のマージンで、PNGよりも圧縮が優れていることが示された。
  論文  参考訳（メタデータ） (2022-06-10T03:00:10Z)
• Block Modulating Video Compression: An Ultra Low Complexity Image Compression Encoder for Resource Limited Platforms [15.646001803032421]
  省電力・計算資源の少ないモバイルプラットフォーム上で, BMVCの超低コスト化が提案されている。 ディープニューラルネットワークによって実装された2種類のBMVCデコーダを提示する。
  論文  参考訳（メタデータ） (2022-05-07T16:20:09Z)
• Neural JPEG: End-to-End Image Compression Leveraging a Standard JPEG Encoder-Decoder [73.48927855855219]
  本稿では,エンコーダとデコーダの両端に内在するニューラル表現を強化することで,符号化性能の向上を図るシステムを提案する。 実験により,提案手法はJPEGに対する速度歪み性能を,様々な品質指標で改善することを示した。
  論文  参考訳（メタデータ） (2022-01-27T20:20:03Z)
• Learning Scalable $\ell_\infty$-constrained Near-lossless Image Compression via Joint Lossy Image and Residual Compression [118.89112502350177]
  本稿では,$ell_infty$-constrained near-lossless image compressionを学習するための新しいフレームワークを提案する。 元の残差の学習確率モデルを定量化し、量子化残差の確率モデルを導出する。
  論文  参考訳（メタデータ） (2021-03-31T11:53:36Z)
• How to Exploit the Transferability of Learned Image Compression to Conventional Codecs [25.622863999901874]
  本稿では,学習した画像の符号化をサロゲートとして利用して,画像の符号化を最適化する方法を示す。 提案手法は,MS-SSIM歪みをデコードオーバーヘッドを伴わずに20%以上の速度改善で補正するために,従来の画像を再構成することができる。
  論文  参考訳（メタデータ） (2020-12-03T12:34:51Z)
• Learning to Improve Image Compression without Changing the Standard Decoder [100.32492297717056]
  本稿では,標準デコーダによる符号化性能向上のための学習法を提案する。 具体的には、DCT係数の分布を最適化する周波数領域事前編集法を提案する。 JPEGデコーダは変更しないので、広く使われている標準JPEGデコーダで画像を見る際には、我々のアプローチが適用可能である。
  論文  参考訳（メタデータ） (2020-09-27T19:24:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。