論文の概要: Learning Better Lossless Compression Using Lossy Compression

• arxiv url: http://arxiv.org/abs/2003.10184v1
• Date: Mon, 23 Mar 2020 11:21:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 23:57:54.528011
• Title: Learning Better Lossless Compression Using Lossy Compression
• Title（参考訳）: Lossy Compression を用いたロスレス圧縮の学習
• Authors: Fabian Mentzer, Luc Van Gool, Michael Tschannen
• Abstract要約: 我々は、ロスレス画像圧縮システムを構築するために、強力なロスレス画像圧縮アルゴリズムであるBPGを利用する。 我々は,BPG再構成を条件とした畳み込みニューラルネットワークに基づく確率モデルを用いて,残差分布をモデル化する。 そして、この画像は、BPGが生成したビットストリームと学習した残留コーダの連結を用いて保存される。
• 参考スコア（独自算出の注目度）: 100.50156325096611
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We leverage the powerful lossy image compression algorithm BPG to build a lossless image compression system. Specifically, the original image is first decomposed into the lossy reconstruction obtained after compressing it with BPG and the corresponding residual. We then model the distribution of the residual with a convolutional neural network-based probabilistic model that is conditioned on the BPG reconstruction, and combine it with entropy coding to losslessly encode the residual. Finally, the image is stored using the concatenation of the bitstreams produced by BPG and the learned residual coder. The resulting compression system achieves state-of-the-art performance in learned lossless full-resolution image compression, outperforming previous learned approaches as well as PNG, WebP, and JPEG2000.
• Abstract（参考訳）: 我々は、ロスレス画像圧縮システムを構築するために、強力なロスレス画像圧縮アルゴリズムBPGを利用する。 具体的には、BPGと対応する残留物とを圧縮した後に得られた損失再構成に、原画像が最初に分解される。 次に,bpg再構成を条件とした畳み込みニューラルネットワークに基づく確率モデルを用いて残差の分布をモデル化し,残差を損失なく符号化するエントロピー符号化と組み合わせる。 最後に、bpgが生成するビットストリームと学習残差符号化器との結合を用いて画像を保存する。 得られた圧縮システムは、PNG、WebP、JPEG2000と同様に、学習済みのロスレスフル解像度画像圧縮において最先端の性能を達成する。

関連論文リスト

• Distribution prediction for image compression: An experimental re-compressor for JPEG images [1.8416014644193066]
  JPEG画像を入力として使用することにより、アルゴリズムは信号の一部をデコードして量子化されたDCT係数を取得し、より効率的な方法で再圧縮する。
  論文  参考訳（メタデータ） (2023-10-16T15:33:58Z)
• Learned Lossless Compression for JPEG via Frequency-Domain Prediction [50.20577108662153]
  JPEG画像のロスレス圧縮を学習するための新しいフレームワークを提案する。 周波数領域での学習を可能にするために、DCT係数は暗黙の局所冗長性を利用するためにグループに分割される。 グループ化されたDCT係数のエントロピーモデリングを実現するために、重み付きブロックに基づいてオートエンコーダのようなアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2023-03-05T13:15:28Z)
• 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)
• Learned Lossless JPEG Transcoding via Joint Lossy and Residual Compression [21.205453851414248]
  DCT領域の圧縮JPEG画像を圧縮する新しいフレームワークを提案する。 提案するフレームワークはJPEG圧縮に基づいて,平均21.49%の節約を達成できる。 複数のデータセットに対する実験により,提案するフレームワークはJPEG圧縮に基づいて,平均で約21.49%の節約が可能であることを実証した。
  論文  参考訳（メタデータ） (2022-08-24T17:12:00Z)
• 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)
• Modeling Lost Information in Lossy Image Compression [72.69327382643549]
  ロスシー画像圧縮は、デジタル画像の最もよく使われる演算子の1つである。 Invertible Lossy Compression (ILC) と呼ばれる新しい非可逆的フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-22T04:04:56Z)

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。