論文の概要: Deep Perceptual Image Quality Assessment for Compression
- arxiv url: http://arxiv.org/abs/2103.01114v1
- Date: Mon, 1 Mar 2021 16:31:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-04 08:37:15.057226
- Title: Deep Perceptual Image Quality Assessment for Compression
- Title（参考訳）: 圧縮のための深部知覚画像品質評価
- Authors: Juan Carlos Mier, Eddie Huang, Hossein Talebi, Feng Yang, Peyman
Milanfar
- Abstract要約: 人間の好みに合わせて、これまでで最大の画像圧縮品質データセットを提案します。
新しいデータセットで利用可能な数千の例から,提案モデルが効果的に学習できることを実証する。
- 参考スコア（独自算出の注目度）: 12.868773445948507
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Lossy Image compression is necessary for efficient storage and transfer of
data. Typically the trade-off between bit-rate and quality determines the
optimal compression level. This makes the image quality metric an integral part
of any imaging system. While the existing full-reference metrics such as PSNR
and SSIM may be less sensitive to perceptual quality, the recently introduced
learning methods may fail to generalize to unseen data. In this paper we
propose the largest image compression quality dataset to date with human
perceptual preferences, enabling the use of deep learning, and we develop a
full reference perceptual quality assessment metric for lossy image compression
that outperforms the existing state-of-the-art methods. We show that the
proposed model can effectively learn from thousands of examples available in
the new dataset, and consequently it generalizes better to other unseen
datasets of human perceptual preference.
- Abstract（参考訳）: データの効率的な保存と転送には、Lossy Image圧縮が必要です。
通常、ビットレートと品質のトレードオフは最適な圧縮レベルを決定する。
これにより、画像品質メトリックはあらゆるイメージングシステムの不可欠な部分になります。
PSNRやSSIMのような既存のフルリファレンスメトリックは、知覚品質に敏感ではないかもしれないが、最近導入された学習方法は、見えないデータに一般化できないかもしれない。
本稿では,人間の知覚的嗜好で現在まで最大の画像圧縮品質データセットを提案し,ディープラーニングの利用を可能にし,既存の最先端手法よりも優れた画像圧縮のための完全な参照知覚品質評価指標を開発する。
提案モデルは,新しいデータセットで利用可能な数千のサンプルから効果的に学習できることを示し,その結果,人間の知覚的嗜好の他の見知らぬデータセットに最適化されることを示す。
関連論文リスト
- Transferable Learned Image Compression-Resistant Adversarial Perturbations [66.46470251521947]
敵対的攻撃は容易に画像分類システムを破壊し、DNNベースの認識タスクの脆弱性を明らかにする。
我々は、学習した画像圧縮機を前処理モジュールとして利用する画像分類モデルをターゲットにした新しいパイプラインを提案する。
論文 参考訳（メタデータ） (2024-01-06T03:03:28Z) - HFLIC: Human Friendly Perceptual Learned Image Compression with
Reinforced Transform [16.173583505483272]
現在の学習ベースの画像圧縮法は、人間に優しい圧縮を犠牲にし、長い復号時間を必要とすることが多い。
本稿では、既存の画像圧縮モデルのバックボーンネットワークとロス関数の強化を提案し、人間の知覚と効率の改善に焦点をあてる。
論文 参考訳（メタデータ） (2023-05-12T14:35:27Z) - Machine Perception-Driven Image Compression: A Layered Generative
Approach [32.23554195427311]
階層型生成画像圧縮モデルを提案する。
タスクに依存しない学習に基づく圧縮モデルを提案し、様々な圧縮されたドメインベースの分析タスクを効果的にサポートする。
圧縮比、再構成画像品質、下流知覚性能の最良のバランス点を得るために、共同最適化スケジュールを採用する。
論文 参考訳（メタデータ） (2023-04-14T02:12:38Z) - Perceptual Quality Assessment for Fine-Grained Compressed Images [38.615746092795625]
そこで本研究では,精細レベルの圧縮画像に対するフル参照画像品質評価(FR-IQA)手法を提案する。
提案手法は,FGIQAデータベース上での圧縮画像品質評価(FGIQA)により検証される。
論文 参考訳（メタデータ） (2022-06-08T12:56:45Z) - 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) - Analyzing and Mitigating JPEG Compression Defects in Deep Learning [69.04777875711646]
本稿では,JPEG圧縮が共通タスクやデータセットに与える影響を統一的に検討する。
高圧縮の一般的なパフォーマンス指標には大きなペナルティがあることが示される。
論文 参考訳（メタデータ） (2020-11-17T20:32:57Z) - Perceptually Optimizing Deep Image Compression [53.705543593594285]
平均二乗誤差(MSE)と$ell_p$ノルムは、ニューラルネットワークの損失の測定で大きく支配されている。
本稿では,定量的知覚モデルに対して,画像解析ネットワークを最適化するための異なるプロキシ手法を提案する。
論文 参考訳（メタデータ） (2020-07-03T14:33:28Z) - Early Exit or Not: Resource-Efficient Blind Quality Enhancement for
Compressed Images [54.40852143927333]
ロスシー画像圧縮は、通信帯域を節約するために広範に行われ、望ましくない圧縮アーティファクトをもたらす。
圧縮画像に対する資源効率の高いブラインド品質向上手法(RBQE)を提案する。
提案手法は, 評価された画像の品質に応じて, 自動的にエンハンスメントを終了するか, 継続するかを決定することができる。
論文 参考訳（メタデータ） (2020-06-30T07:38:47Z) - Saliency Driven Perceptual Image Compression [6.201592931432016]
画像圧縮技術の性能評価にはMS-SSIMやPSNRなどの評価指標が不十分であることを示す。
画像圧縮に特有な知覚的類似性データに基づいて学習する新しい指標を提案する。
このモデルは視覚的に優れた画像を生成するだけでなく、その後のコンピュータビジョンタスクに優れた性能を与える。
論文 参考訳（メタデータ） (2020-02-12T13:43:17Z)
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。