論文の概要: Slimmable Compressive Autoencoders for Practical Neural Image Compression

• arxiv url: http://arxiv.org/abs/2103.15726v1
• Date: Mon, 29 Mar 2021 16:12:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 14:37:56.321665
• Title: Slimmable Compressive Autoencoders for Practical Neural Image Compression
• Title（参考訳）: 実用的ニューラル画像圧縮のためのスリム圧縮型オートエンコーダ
• Authors: Fei Yang, Luis Herranz, Yongmei Cheng, Mikhail G. Mozerov
• Abstract要約: 実画像圧縮のためのスリム圧縮オートエンコーダ(SlimCAEs)を提案する。 SlimCAEは、優れたレート歪み性能、可変率、メモリの動的調整、計算コスト、レイテンシを提供する柔軟性の高いモデルです。
• 参考スコア（独自算出の注目度）: 20.715312224456138
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural image compression leverages deep neural networks to outperform traditional image codecs in rate-distortion performance. However, the resulting models are also heavy, computationally demanding and generally optimized for a single rate, limiting their practical use. Focusing on practical image compression, we propose slimmable compressive autoencoders (SlimCAEs), where rate (R) and distortion (D) are jointly optimized for different capacities. Once trained, encoders and decoders can be executed at different capacities, leading to different rates and complexities. We show that a successful implementation of SlimCAEs requires suitable capacity-specific RD tradeoffs. Our experiments show that SlimCAEs are highly flexible models that provide excellent rate-distortion performance, variable rate, and dynamic adjustment of memory, computational cost and latency, thus addressing the main requirements of practical image compression.
• Abstract（参考訳）: ニューラルネットワーク圧縮は、ディープニューラルネットワークを利用して、レートゆがみ性能において従来のイメージコーデックを上回る。 しかし、結果のモデルは重く、計算的に要求され、一般に1つのレートに最適化され、実用的使用が制限される。 そこで本研究では,実際の画像圧縮に焦点をあてたスリム化圧縮オートエンコーダ (slimcaes) を提案し,レート (r) と歪み (d) をそれぞれ異なるキャパシティに最適化する。 一度トレーニングされると、エンコーダとデコーダは異なる容量で実行でき、異なるレートと複雑さをもたらす。 我々は、SlimCAEsの実装が成功するためには、適切なキャパシティ固有のRDトレードオフが必要であることを示す。 実験の結果,slimcae は高い柔軟性を持つモデルであり,速度分散性能,可変レート,メモリ,計算コスト,レイテンシの動的調整に優れ,実用的な画像圧縮の主な要件を満たしていることがわかった。

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)
• Enhancing the Rate-Distortion-Perception Flexibility of Learned Image Codecs with Conditional Diffusion Decoders [7.485128109817576]
  本研究では,デコーダとして使用する場合,条件拡散モデルが生成圧縮タスクにおいて有望な結果をもたらすことを示す。 本稿では,デコーダとして使用する場合,条件拡散モデルが生成圧縮タスクにおいて有望な結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-03-05T11:48:35Z)
• Exploring the Rate-Distortion-Complexity Optimization in Neural Image Compression [26.1947289647201]
  ニューラル画像圧縮におけるRDC最適化について検討する。 復号化複雑性を最適化目標の要素として定量化することで、RDCトレードオフを正確に制御できるようになりました。 産業的要求に応じて空間的依存関係を適応的に利用するために、可変複雑性ニューラルネットワークが設計されている。
  論文  参考訳（メタデータ） (2023-05-12T03:56:25Z)
• High-Fidelity Variable-Rate Image Compression via Invertible Activation Transformation [24.379052026260034]
  Invertible Activation Transformation (IAT) モジュールを提案する。 IATとQLevelは、画像圧縮モデルに、画像の忠実さを良く保ちながら、細かな可変レート制御能力を与える。 提案手法は,特に複数再符号化後に,最先端の可変レート画像圧縮法よりも大きなマージンで性能を向上する。
  論文  参考訳（メタデータ） (2022-09-12T07:14:07Z)
• Cross Modal Compression: Towards Human-comprehensible Semantic Compression [73.89616626853913]
  クロスモーダル圧縮は、視覚データのためのセマンティック圧縮フレームワークである。 提案したCMCは,超高圧縮比で再現性の向上が期待できることを示す。
  論文  参考訳（メタデータ） (2022-09-06T15:31:11Z)
• 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)
• Modeling Image Quantization Tradeoffs for Optimal Compression [0.0]
  ロスシー圧縮アルゴリズムは、圧縮率を上げるために高周波データを定量化することでトレードオフを狙う。 本稿では,Deep Learningとminimax損失関数を用いた量子化テーブルの最適化手法を提案する。
  論文  参考訳（メタデータ） (2021-12-14T07:35:22Z)
• 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)
• Substitutional Neural Image Compression [48.20906717052056]
  置換型ニューラルイメージ圧縮(snic)は、あらゆるニューラルイメージ圧縮モデルを強化する一般的なアプローチである。 フレキシブルな歪みメトリックに向けて圧縮性能を高め、単一のモデルインスタンスを使用したビットレート制御を可能にする。
  論文  参考訳（メタデータ） (2021-05-16T20:53:31Z)
• 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。