論文の概要: Adapting JPEG XS gains and priorities to tasks and contents
- arxiv url: http://arxiv.org/abs/2005.08768v3
- Date: Wed, 6 Jan 2021 09:34:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 23:49:52.050403
- Title: Adapting JPEG XS gains and priorities to tasks and contents
- Title（参考訳）: JPEG XS のタスクと内容への適応と優先順位
- Authors: Benoit Brummer, Christophe De Vleeschouwer
- Abstract要約: 低複雑さの画像に対する一定の市場要求は、JPEG XSという軽量画像の開発と標準化に繋がった。
本研究では,デスクトップコンテンツにおける視覚的品質の維持や,ニューラルネットワークセグメンテーションタスクの高精度維持など,JPEG XS圧縮が特定のタスクやコンテンツに適用可能であることを示す。
- 参考スコア（独自算出の注目度）: 34.99683302788977
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most current research in the domain of image compression focuses solely on
achieving state of the art compression ratio, but that is not always usable in
today's workflow due to the constraints on computing resources.
Constant market requirements for a low-complexity image codec have led to the
recent development and standardization of a lightweight image codec named JPEG
XS.
In this work we show that JPEG XS compression can be adapted to a specific
given task and content, such as preserving visual quality on desktop content or
maintaining high accuracy in neural network segmentation tasks, by optimizing
its gain and priority parameters using the covariance matrix adaptation
evolution strategy.
- Abstract（参考訳）: 画像圧縮の領域における現在のほとんどの研究は、アート圧縮比率の達成のみに焦点を当てているが、コンピューティングリソースの制約のため、今日のワークフローでは必ずしも利用できない。
低複雑さの画像コーデックの市場要求は、JPEG XSという軽量画像コーデックの開発と標準化につながっている。
本研究では,共分散行列適応進化戦略を用いて,そのゲインと優先度パラメータを最適化することにより,デスクトップコンテンツの視覚的品質保持やニューラルネットワーク分割タスクの高精度維持といった,特定のタスクやコンテンツにjpeg xs圧縮を適用することができることを示す。
関連論文リスト
- Once-for-All: Controllable Generative Image Compression with Dynamic Granularity Adaption [57.056311855630916]
本稿では,制御可能な生成画像圧縮フレームワークである制御-GICを提案する。
高忠実度および一般性圧縮を確保しつつ、広帯域での微粒化適応を可能にする。
我々は、歴史的符号化された多粒度表現に遡ることができる条件条件付き条件付けを開発する。
論文 参考訳（メタデータ） (2024-06-02T14:22:09Z) - JDEC: JPEG Decoding via Enhanced Continuous Cosine Coefficients [17.437568540883106]
本稿では,コサインの連続的定式化による局所的暗黙的ニューラル表現を用いたJPEG画像デコーディングの実践的手法を提案する。
提案するネットワークは,フレキシブルカラー画像JPEGアーティファクト削除タスクにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2024-04-03T03:28:04Z) - Bit Distribution Study and Implementation of Spatial Quality Map in the
JPEG-AI Standardization [39.71764233394706]
JPEG-AI検証モデルがリリースされ、現在標準化に向けて開発中である。
本稿では,JPEG-AI検証モデルのビット分布を最適化し,視覚的品質を向上させるための空間ビット割り当て手法を提案する。
論文 参考訳（メタデータ） (2024-02-27T12:52:44Z) - 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) - Variable-Rate Deep Image Compression through Spatially-Adaptive Feature
Transform [58.60004238261117]
空間特徴変換(SFT arXiv:1804.02815)に基づく多目的深部画像圧縮ネットワークを提案する。
本モデルは,任意の画素単位の品質マップによって制御される単一モデルを用いて,幅広い圧縮速度をカバーしている。
提案するフレームワークにより,様々なタスクに対してタスク対応の画像圧縮を行うことができる。
論文 参考訳（メタデータ） (2021-08-21T17:30:06Z) - Learning-based Compression for Material and Texture Recognition [23.668803886355683]
本稿では,圧縮領域表現を用いて,圧縮領域内で直接視覚処理やコンピュータビジョンタスクを行う学習ベース圧縮方式について述べる。
学習ベースのJPEG-AIフレームワークを採用し、バリイングビットレートで圧縮ドメインの潜入表現を使用して材料およびテクスチャ認識を行います。
また, 圧縮領域分類は, より小さな縮小複雑度分類モデルを用いてTop-1とTop-5の精度で競合性能が得られることを示した。
論文 参考訳（メタデータ） (2021-04-16T23:16:26Z) - 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) - Quantization Guided JPEG Artifact Correction [69.04777875711646]
我々はJPEGファイル量子化行列を用いたアーティファクト修正のための新しいアーキテクチャを開発した。
これにより、特定の品質設定のためにトレーニングされたモデルに対して、単一のモデルで最先端のパフォーマンスを達成できます。
論文 参考訳（メタデータ） (2020-04-17T00:10:08Z)
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。