論文の概要: Improving Lossless Compression Rates via Monte Carlo Bits-Back Coding
- arxiv url: http://arxiv.org/abs/2102.11086v1
- Date: Mon, 22 Feb 2021 14:58:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-23 15:07:28.908519
- Title: Improving Lossless Compression Rates via Monte Carlo Bits-Back Coding
- Title(参考訳): モンテカルロビットバック符号化によるロスレス圧縮率の向上
- Authors: Yangjun Ruan, Karen Ullrich, Daniel Severo, James Townsend, Ashish
Khisti, Arnaud Doucet, Alireza Makhzani, Chris J. Maddison
- Abstract要約: bits-backは、およその後方と真の後方の間のKLの発散に等しい増加に苦しむ。
より厳密な変動境界からビットバック符号化アルゴリズムを導出することにより、このギャップを取り除く方法を示す。
- 参考スコア(独自算出の注目度): 45.66971406567023
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Latent variable models have been successfully applied in lossless compression
with the bits-back coding algorithm. However, bits-back suffers from an
increase in the bitrate equal to the KL divergence between the approximate
posterior and the true posterior. In this paper, we show how to remove this gap
asymptotically by deriving bits-back coding algorithms from tighter variational
bounds. The key idea is to exploit extended space representations of Monte
Carlo estimators of the marginal likelihood. Naively applied, our schemes would
require more initial bits than the standard bits-back coder, but we show how to
drastically reduce this additional cost with couplings in the latent space.
When parallel architectures can be exploited, our coders can achieve better
rates than bits-back with little additional cost. We demonstrate improved
lossless compression rates in a variety of settings, including entropy coding
for lossy compression.
- Abstract(参考訳): 潜在変数モデルはビットバック符号化アルゴリズムでロスレス圧縮にうまく適用されている。
しかし、ビットバックは、近似後部と真の後部の間のKL偏差と等しいビットレートの増加に悩まされる。
本稿では,ビットバック符号化アルゴリズムをより厳密な変動境界から導出することにより,このギャップを漸近的に除去する方法を示す。
鍵となるアイデアは、限界確率のモンテカルロ推定子の拡張空間表現を利用することである。
つまり、我々のスキームは標準ビットバックコーダよりも多くの初期ビットを必要とするが、潜在空間における結合によってこの追加コストを劇的に削減する方法を示す。
並列アーキテクチャを活用できる場合、プログラマはビットバックよりも高いレートで、追加コストがほとんどありません。
損失圧縮のためのエントロピー符号化を含む,各種設定におけるロスレス圧縮率の改善を実証した。
関連論文リスト
- Extreme Image Compression using Fine-tuned VQGANs [43.43014096929809]
本稿ではベクトル量子化(VQ)に基づく生成モデルを画像圧縮領域に導入する。
VQGANモデルによって学習されたコードブックは、強い表現能力をもたらす。
提案したフレームワークは、知覚的品質指向のメトリクスで最先端のコーデックより優れている。
論文 参考訳(メタデータ) (2023-07-17T06:14:19Z) - 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) - Unrolled Compressed Blind-Deconvolution [77.88847247301682]
sparse multi channel blind deconvolution (S-MBD) はレーダー/ソナー/超音波イメージングなどの多くの工学的応用で頻繁に発生する。
そこで本研究では,受信した全信号に対して,はるかに少ない測定値からブラインドリカバリを可能にする圧縮手法を提案する。
論文 参考訳(メタデータ) (2022-09-28T15:16:58Z) - 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) - 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) - Sequential Encryption of Sparse Neural Networks Toward Optimum
Representation of Irregular Sparsity [9.062897838978955]
固定固定型暗号アーキテクチャ/アルゴリズムについて検討し, きめ細かいプルーニング法をサポートする。
本提案の圧縮方式はトランスとResNet-50の最大圧縮比を達成できることを実証した。
論文 参考訳(メタデータ) (2021-05-05T05:14:50Z) - 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) - 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) - Content Adaptive and Error Propagation Aware Deep Video Compression [110.31693187153084]
本稿では,コンテンツ適応型・誤り伝搬対応型ビデオ圧縮システムを提案する。
本手法では, 複数フレームの圧縮性能を1フレームではなく複数フレームで考慮し, 共同学習手法を用いる。
従来の圧縮システムでは手作りのコーディングモードを使用する代わりに,オンラインエンコーダ更新方式をシステム内に設計する。
論文 参考訳(メタデータ) (2020-03-25T09:04:24Z)
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。