論文の概要: Generalized Image Reconstruction over T-Algebra
- arxiv url: http://arxiv.org/abs/2101.06650v2
- Date: Wed, 20 Jan 2021 01:42:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-27 20:19:48.669339
- Title: Generalized Image Reconstruction over T-Algebra
- Title(参考訳): T代数を用いた一般化画像再構成
- Authors: Liang Liao, Xuechun Zhang, Xinqiang Wang, Sen Lin, Xin Liu
- Abstract要約: 我々はTPCA(Tensorial principal Component Analysis)を用いて複合画素の合成画像の圧縮と再構成を行う。
公開データを用いた実験の結果, TPCAは画像の圧縮と再構成においてPCAと良好に比較できることがわかった。
- 参考スコア(独自算出の注目度): 8.124975720520567
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Principal Component Analysis (PCA) is well known for its capability of
dimension reduction and data compression. However, when using PCA for
compressing/reconstructing images, images need to be recast to vectors. The
vectorization of images makes some correlation constraints of neighboring
pixels and spatial information lost. To deal with the drawbacks of the
vectorizations adopted by PCA, we used small neighborhoods of each pixel to
form compounded pixels and use a tensorial version of PCA, called TPCA
(Tensorial Principal Component Analysis), to compress and reconstruct a
compounded image of compounded pixels. Our experiments on public data show that
TPCA compares favorably with PCA in compressing and reconstructing images. We
also show in our experiments that the performance of TPCA increases when the
order of compounded pixels increases.
- Abstract(参考訳): 主成分分析(PCA)はその次元削減とデータ圧縮の能力でよく知られている。
しかし、画像の圧縮/再構成にPCAを使用する場合、イメージをベクトルに再キャストする必要がある。
画像のベクトル化は、隣接する画素と空間情報の相関制約を生じさせる。
そこで我々は,PCAが採用するベクトル化の欠点に対処するため,各画素の小さな近傍を用いて複合画素を形成し,TPCA(Tensorial principal Component Analysis)と呼ばれるPCAのテンソルバージョンを用いて複合画素の合成画像の圧縮と再構成を行った。
公開データを用いた実験の結果, TPCAは画像の圧縮と再構成においてPCAと良好に比較できることがわかった。
また, 複合画素の順序が大きくなるとTPCAの性能が向上することを示した。
関連論文リスト
- Image2Points:A 3D Point-based Context Clusters GAN for High-Quality PET
Image Reconstruction [47.398304117228584]
LPETから高品質なSPET画像を再構成する3DポイントベースのコンテキストクラスタGAN(PCC-GAN)を提案する。
臨床とファントムの両方の実験により、PCC-GANは最先端の再建方法よりも優れています。
論文 参考訳(メタデータ) (2024-02-01T06:47:56Z) - Hyperspectral Image Compression Using Sampling and Implicit Neural
Representations [2.3931689873603603]
ハイパースペクトル画像は、シーンの画像中の画素の電磁スペクトルを記録する。
これらの画像の撮影コストが低下する中で、ハイパースペクトル画像の保存、送信、解析のための効率的な技術を開発する必要がある。
本稿では,暗黙的ニューラル表現を用いたハイパースペクトル画像圧縮法を提案する。
論文 参考訳(メタデータ) (2023-12-04T01:10:04Z) - JPEG Quantized Coefficient Recovery via DCT Domain Spatial-Frequential
Transformer [53.32016332306767]
本稿では,DCTransformer という名前の DCT 領域空間周波数変換器を提案する。
提案するDCTransformerは,現在最先端のJPEGアーティファクト除去技術より優れている。
論文 参考訳(メタデータ) (2023-08-17T17:32:56Z) - 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) - PPCR: Learning Pyramid Pixel Context Recalibration Module for Medical
Image Classification [9.099294414440283]
深層畳み込みニューラルネットワーク(CNN)に広く組み込まれた空間的注意機構
実用的で軽量なアーキテクチャユニットであるPraamid Pixel Context Recalibration (PPCR) モジュールを提案する。
PPCRは、マルチスケールの画素コンテキスト情報を利用して、画素非依存の方法で画素位置を適応的に補正する。
論文 参考訳(メタデータ) (2023-03-03T13:36:55Z) - Raw Image Reconstruction with Learned Compact Metadata [61.62454853089346]
本稿では,メタデータとしての潜在空間におけるコンパクトな表現をエンドツーエンドで学習するための新しいフレームワークを提案する。
提案する生画像圧縮方式は,グローバルな視点から重要な画像領域に適応的により多くのビットを割り当てることができることを示す。
論文 参考訳(メタデータ) (2023-02-25T05:29:45Z) - SINCO: A Novel structural regularizer for image compression using
implicit neural representations [10.251120382395332]
Inlicit Neural representations (INR) は、画像圧縮のためのディープラーニング(DL)ベースのソリューションとして最近提案されている。
本稿では、画像圧縮のための新しいINR法として、INR圧縮(SINCO)の構造正則化を提案する。
論文 参考訳(メタデータ) (2022-10-26T18:35:54Z) - Estimating the Resize Parameter in End-to-end Learned Image Compression [50.20567320015102]
本稿では,最近の画像圧縮モデルの速度歪みトレードオフをさらに改善する検索自由化フレームワークについて述べる。
提案手法により,Bjontegaard-Deltaレート(BD-rate)を最大10%向上させることができる。
論文 参考訳(メタデータ) (2022-04-26T01:35:02Z) - Implicit Neural Representations for Image Compression [103.78615661013623]
Inlicit Neural Representations (INRs) は、様々なデータ型の新規かつ効果的な表現として注目されている。
量子化、量子化を考慮した再学習、エントロピー符号化を含むINRに基づく最初の包括的圧縮パイプラインを提案する。
我々は、INRによるソース圧縮に対する我々のアプローチが、同様の以前の作業よりも大幅に優れていることに気付きました。
論文 参考訳(メタデータ) (2021-12-08T13:02:53Z) - A study on the effects of compression on hyperspectral image
classification [2.752817022620644]
PCA, KPCA, ICA, AE, DAEの5次元還元法を用いて, 301次元ハイパースペクトル画素を圧縮する。
圧縮速度が90%を超えると,PCA,KPCA,ICAの信号再構成能力は向上する。
AEおよびDAE法は95%圧縮率でより良い分類精度を示しますが、97%で再び減少します。
論文 参考訳(メタデータ) (2021-04-01T22:22:47Z) - HVS-Based Perceptual Color Compression of Image Data [31.29612353016253]
知覚色圧縮(PCC)と呼ばれる新しい知覚画像符号化手法を提案する。
PCCはヒト視覚系(HVS)スペクトル感度とCIE Just Noticeable Color difference(JNCD)に関する新しいモデルに基づいている
評価では,PCC と Versatile Video Coding (VVC) や High efficient Video Coding (HEVC) などの参照手法を比較した。
論文 参考訳(メタデータ) (2020-05-16T10:05:20Z)
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。