論文の概要: DANICE: Domain adaptation without forgetting in neural image compression

• arxiv url: http://arxiv.org/abs/2104.09370v1
• Date: Mon, 19 Apr 2021 14:58:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-20 13:34:14.134852
• Title: DANICE: Domain adaptation without forgetting in neural image compression
• Title（参考訳）: DANICE:ニューラルイメージ圧縮を忘れずにドメイン適応
• Authors: Sudeep Katakol, Luis Herranz, Fei Yang and Marta Mrak
• Abstract要約: コーデックのカスタムドメインへの適応性について検討する。 NICコーデックは転送可能であり,比較的少数のターゲット領域画像で適用可能であることを示す。 これらの問題を回避するフレームワークであるCAwF(Codec Adaptation without Forgetting)を提案する。
• 参考スコア（独自算出の注目度）: 18.68975231802982
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural image compression (NIC) is a new coding paradigm where coding capabilities are captured by deep models learned from data. This data-driven nature enables new potential functionalities. In this paper, we study the adaptability of codecs to custom domains of interest. We show that NIC codecs are transferable and that they can be adapted with relatively few target domain images. However, naive adaptation interferes with the solution optimized for the original source domain, resulting in forgetting the original coding capabilities in that domain, and may even break the compatibility with previously encoded bitstreams. Addressing these problems, we propose Codec Adaptation without Forgetting (CAwF), a framework that can avoid these problems by adding a small amount of custom parameters, where the source codec remains embedded and unchanged during the adaptation process. Experiments demonstrate its effectiveness and provide useful insights on the characteristics of catastrophic interference in NIC.
• Abstract（参考訳）: ニューラル画像圧縮(NIC)は、データから学習したディープモデルによって符号化能力をキャプチャする新しいコーディングパラダイムである。 このデータ駆動の性質は、新しい潜在的な機能を可能にする。 本稿では,コーデックのカスタムドメインへの適応性について検討する。 NICコーデックは転送可能であり,比較的少数のターゲット領域画像で適用可能であることを示す。 しかし、ナイーブ適応は元のソースドメインに最適化されたソリューションに干渉し、結果としてそのドメインの元のコーディング能力を忘れ、以前エンコードされたビットストリームとの互換性を損なう可能性がある。 このような問題に対処するため,我々は,ソースコードが組み込まれ,適応プロセス中に変化しない,少数のカスタムパラメータを追加することで,これらの問題を回避するためのフレームワークであるCodec Adaptation without Forgetting (CAwF)を提案する。 実験は、その効果を示し、NICにおける破滅的干渉の特性に関する有用な洞察を提供する。

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)
• Domain Adaptation for Learned Image Compression with Supervised Adapters [13.322199338779237]
  我々は,デコーダにアダプタモジュールを挿入することで,事前学習されたモデルを複数のターゲットドメインに適用する問題に対処する。 ゲートネットワークは、ビットストリームの復号化時にアダプタからのコントリビューションを最適にブレンドするために重みを演算する。 提案手法を2つの最先端事前訓練モデルに対して実験的に検証し, 対象領域の速度歪み効率の改善を, ソース領域のペナルティを伴わずに観測した。
  論文  参考訳（メタデータ） (2024-04-24T01:50:36Z)
• Dynamic Low-Rank Instance Adaptation for Universal Neural Image Compression [33.92792778925365]
  ドメイン外のデータセットで観測される速度歪みの減少に対処する低ランク適応手法を提案する。 提案手法は,多様な画像データセットにまたがる普遍性を示す。
  論文  参考訳（メタデータ） (2023-08-15T12:17:46Z)
• Condition-Invariant Semantic Segmentation [77.10045325743644]
  我々は現在最先端のドメイン適応アーキテクチャ上で条件不変セマンティック(CISS)を実装している。 本手法は,通常の都市景観$to$ACDCベンチマークにおいて,2番目に高い性能を実現する。 CISSはBDD100K-nightやACDC-nightのようなトレーニング中に見えない領域によく一般化している。
  論文  参考訳（メタデータ） (2023-05-27T03:05:07Z)
• Content Adaptive Latents and Decoder for Neural Image Compression [31.03018315147814]
  本稿では,ラテントとデコーダの両方におけるコンテンツ適応性を改善する新しいNICフレームワークを提案する。 具体的には,潜伏者の冗長性を取り除くために,潜伏者の最適な品質レベルを自動的に選択するコンテンツ適応チャネルドロップ法(CACD)を提案する。 また、デコーダ側のコンテンツ適応性を改善するために、コンテンツ適応型特徴変換法(CAFT)を提案する。
  論文  参考訳（メタデータ） (2022-12-20T10:01:23Z)
• Flexible Neural Image Compression via Code Editing [8.499248314440557]
  ニューラル画像圧縮(NIC)は、レート歪み(R-D)性能において従来の画像コーデックよりも優れていた。 通常、R-D曲線の各点に専用エンコーダとデコーダのペアが必要であるため、実際の展開を妨げている。 本稿では,セミアモタイズされた推論と適応量子化に基づくNICの高フレキシブルな符号化手法であるCode Editingを提案する。
  論文  参考訳（メタデータ） (2022-09-19T09:41:43Z)
• Learned Video Compression via Heterogeneous Deformable Compensation Network [78.72508633457392]
  不安定な圧縮性能の問題に対処するために,不均一変形補償戦略(HDCVC)を用いた学習ビデオ圧縮フレームワークを提案する。 より具体的には、提案アルゴリズムは隣接する2つのフレームから特徴を抽出し、コンテンツ近傍の不均一な変形(HetDeform)カーネルオフセットを推定する。 実験結果から,HDCVCは最近の最先端の学習ビデオ圧縮手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-07-11T02:31:31Z)
• The Devil Is in the Details: Window-based Attention for Image Compression [58.1577742463617]
  既存の学習画像圧縮モデルは畳み込みニューラルネットワーク(CNN)に基づいている。 本稿では,複数種類の注意機構が局所特徴学習に与える影響について検討し,より単純で効果的なウィンドウベースの局所的注意ブロックを提案する。 提案されたウィンドウベースのアテンションは非常に柔軟で、CNNとTransformerモデルを強化するためのプラグイン・アンド・プレイコンポーネントとして機能する可能性がある。
  論文  参考訳（メタデータ） (2022-03-16T07:55:49Z)
• 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)
• Rate Distortion Characteristic Modeling for Neural Image Compression [59.25700168404325]
  エンドツーエンドの最適化機能は、ニューラルイメージ圧縮(NIC)の優れた損失圧縮性能を提供する。 異なるモデルは、R-D空間の異なる点に到達するために訓練される必要がある。 深層ネットワークと統計モデルを用いてNICのR-D挙動を記述するために,本質的な数学的関数の定式化に努めている。
  論文  参考訳（メタデータ） (2021-06-24T12:23:05Z)

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。