論文の概要: A Hitchhiker's Guide to Structural Similarity
- arxiv url: http://arxiv.org/abs/2101.06354v2
- Date: Sat, 30 Jan 2021 23:40:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-28 04:26:49.533221
- Title: A Hitchhiker's Guide to Structural Similarity
- Title（参考訳）: ヒッチハイクの構造的類似性に関するガイド
- Authors: Abhinau K. Venkataramanan and Chengyang Wu and Alan C. Bovik and
Ioannis Katsavounidis and Zafar Shahid
- Abstract要約: 構造的類似度(SSIM)指数は、非常に広く使用されている画像/ビデオ品質モデルです。
広く普及しているssimの実装の機能と性能を調査し,比較した。
私たちは最も効果的にSSIMを使用する方法に関する推奨事項のコレクションに到着しました。
- 参考スコア（独自算出の注目度）: 40.567747702628076
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Structural Similarity (SSIM) Index is a very widely used image/video
quality model that continues to play an important role in the perceptual
evaluation of compression algorithms, encoding recipes and numerous other
image/video processing algorithms. Several public implementations of the SSIM
and Multiscale-SSIM (MS-SSIM) algorithms have been developed, which differ in
efficiency and performance. This "bendable ruler" makes the process of quality
assessment of encoding algorithms unreliable. To address this situation, we
studied and compared the functions and performances of popular and widely used
implementations of SSIM, and we also considered a variety of design choices.
Based on our studies and experiments, we have arrived at a collection of
recommendations on how to use SSIM most effectively, including ways to reduce
its computational burden.
- Abstract（参考訳）: 構造類似性(ssim)インデックスは、圧縮アルゴリズムの知覚的評価、レシピの符号化、その他多数の画像/ビデオ処理アルゴリズムにおいて重要な役割を果たす、非常に広く使われている画像/ビデオ品質モデルである。
SSIMとMultiscale-SSIM(Multiscale-SSIM)アルゴリズムのいくつかの公開実装が開発され、効率と性能が異なる。
は、符号化アルゴリズムの品質評価の過程を信頼できないものにしている。
このような状況に対処するため,我々はSSIMの一般的な実装の機能と性能について検討・比較し,また,様々な設計選択についても検討した。
私たちの研究と実験に基づいて、計算負荷を軽減する方法を含む、ssimを最も効果的に使用する方法についての推奨事項のコレクションに到達しました。
関連論文リスト
- Development and Application of a Monte Carlo Tree Search Algorithm for Simulating Da Vinci Code Game Strategies [4.255191342050175]
本研究では,モンテカルロ木探索(MCTS)アルゴリズムの複雑な意思決定環境における効率性について検討する。
この研究は、Da Vinci Codeのボードゲームにおける固有の分岐分岐は、グラフィクス処理ユニット(GPU)上で実行される場合、並列性を著しく損なうことを示唆している。
比較分析の結果,GPU実装とは対照的に,非線形拡張パターンと識別可能な性能トラフを有するCPU実装では,性能が線形に向上していることが明らかとなった。
論文 参考訳（メタデータ） (2024-03-15T22:43:37Z) - Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。
本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-04T01:47:37Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳（メタデータ） (2022-10-02T05:03:38Z) - DSSIM: a structural similarity index for floating-point data [68.8204255655161]
我々は、データSSIM(DSSIM)と呼ばれる浮動小数点データに直接適用可能な、人気のあるSSIMの代替案を提案する。
DSSIMは,大量のシミュレーションデータに対する圧縮損失による差分評価の文脈において有用性を示す一方で,シミュレーションや画像データを含む他の多くのアプリケーションにおいて有用であることを示す。
論文 参考訳（メタデータ） (2022-02-05T19:18:33Z) - A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。
我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。
我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
論文 参考訳（メタデータ） (2020-11-17T22:24:26Z) - Fast and stable MAP-Elites in noisy domains using deep grids [1.827510863075184]
Deep-Grid MAP-ElitesはMAP-Elitesアルゴリズムの変種である。
この単純なアプローチは、適合性最適化の観点から競争性能を達成しつつ、動作記述子のノイズに対する耐性が著しく高いことを示す。
論文 参考訳（メタデータ） (2020-06-25T08:47:23Z) - Differentiable Adaptive Computation Time for Visual Reasoning [4.7518908453572]
本稿では,DACTと呼ばれる適応計算を実現するための新しいアテンションベースアルゴリズムを提案する。
特に,広く知られているMACアーキテクチャへの応用について検討する。
CLEVRデータセットにおいて、使用するステップの最大数を増やすことで、最高の非適応MACであっても精度を上回ることを示す。
論文 参考訳（メタデータ） (2020-04-27T13:20:23Z) - Image Matching across Wide Baselines: From Paper to Practice [80.9424750998559]
局所的な特徴とロバストな推定アルゴリズムの包括的なベンチマークを導入する。
パイプラインのモジュール構造は、さまざまなメソッドの容易な統合、構成、組み合わせを可能にします。
適切な設定で、古典的な解決策は依然として芸術の知覚された状態を上回る可能性があることを示す。
論文 参考訳（メタデータ） (2020-03-03T15:20:57Z) - Optimization of Structural Similarity in Mathematical Imaging [0.0]
本稿では,SSIMを忠実度尺度として利用できる広範囲のイメージングアプリケーションを含む汎用フレームワークを提案する。
我々は,このフレームワークを用いて,最適化問題に標準や独自の画像処理タスクを組み込む方法を示す。
論文 参考訳（メタデータ） (2020-02-07T07:46:31Z)
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。