論文の概要: Quality and Complexity Assessment of Learning-Based Image Compression Solutions

• arxiv url: http://arxiv.org/abs/2107.09136v1
• Date: Mon, 19 Jul 2021 20:20:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-21 14:52:59.806497
• Title: Quality and Complexity Assessment of Learning-Based Image Compression Solutions
• Title（参考訳）: 学習型画像圧縮ソリューションの品質と複雑さ評価
• Authors: Jo\~ao Dick, Brunno Abreu, Mateus Grellert, Sergio Bampi
• Abstract要約: Flow Compressionパッケージで利用可能な8つのモデルを比較して、視覚的品質のメトリクスと処理時間を比較します。 その結果,JPEG2000は最速の学習モデルに比べて実行時間が低いことがわかった。
• 参考スコア（独自算出の注目度）: 4.6994519171880995
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This work presents an analysis of state-of-the-art learning-based image compression techniques. We compare 8 models available in the Tensorflow Compression package in terms of visual quality metrics and processing time, using the KODAK data set. The results are compared with the Better Portable Graphics (BPG) and the JPEG2000 codecs. Results show that JPEG2000 has the lowest execution times compared with the fastest learning-based model, with a speedup of 1.46x in compression and 30x in decompression. However, the learning-based models achieved improvements over JPEG2000 in terms of quality, specially for lower bitrates. Our findings also show that BPG is more efficient in terms of PSNR, but the learning models are better for other quality metrics, and sometimes even faster. The results indicate that learning-based techniques are promising solutions towards a future mainstream compression method.
• Abstract（参考訳）: 本稿では,最先端学習に基づく画像圧縮手法の分析を行う。 我々は、KODAKデータセットを用いて、視覚的品質指標と処理時間の観点から、Tensorflow Compressionパッケージで利用可能な8つのモデルを比較した。 結果は、Better Portable Graphics (BPG) とJPEG2000コーデックと比較される。 その結果、JPEG2000は最速の学習ベースモデルと比較して実行時間が低く、圧縮が1.46倍、減圧が30倍であることがわかった。 しかし、学習ベースのモデルはJPEG2000よりも、特に低ビットレートで改善された。 また,psnrの点ではbpgの方が効率的であるが,他の品質指標では学習モデルの方が優れており,時にはより高速であることが示された。 その結果,学習に基づく手法が,将来的な主流圧縮手法への有望な解決策であることを示唆した。

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)
• Deep learning based Image Compression for Microscopy Images: An Empirical Study [3.915183869199319]
  本研究では,古典的および深層学習に基づく画像圧縮法とその深層学習に基づく画像処理モデルへの影響について分析する。 このような所望の方法で画像を圧縮するには、複数の古典的損失画像圧縮技術と、複数のAIベースの圧縮モデルを比較する。 その結果、AIベースの圧縮技術は従来の圧縮技術よりも優れており、2Dケースでは下流のラベルなしタスクに最小限の影響を及ぼすことがわかった。
  論文  参考訳（メタデータ） (2023-11-02T16:00:32Z)
• 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)
• Learned Lossless Image Compression With Combined Autoregressive Models And Attention Modules [22.213840578221678]
  ロスレス画像圧縮は画像圧縮において重要な研究分野である。 近年の学習に基づく画像圧縮法は優れた性能を示した。 本稿では,ロスレス圧縮に広く用いられている手法について検討し,ロスレス圧縮に適用する。
  論文  参考訳（メタデータ） (2022-08-30T03:27:05Z)
• An Empirical Analysis of Recurrent Learning Algorithms In Neural Lossy Image Compression Systems [73.48927855855219]
  近年のディープラーニングの進歩により、JPEGとJPEG 2000を標準のKodakベンチマークで上回る画像圧縮アルゴリズムが実現している。 本稿では,最近の最先端ハイブリッドニューラル圧縮アルゴリズムの大規模比較を行う。
  論文  参考訳（メタデータ） (2022-01-27T19:47:51Z)
• Learned Image Compression for Machine Perception [17.40776913809306]
  人間の知覚と機械知覚の両方に適した圧縮フォーマットを生成するフレームワークを開発する。 コアビジョンタスクの圧縮と性能を同時に最適化する表現が学習可能であることを示す。
  論文  参考訳（メタデータ） (2021-11-03T14:39:09Z)
• 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)
• CompressAI: a PyTorch library and evaluation platform for end-to-end compression research [0.0]
  CompressAIは、画像およびビデオ圧縮コーデックの研究、開発、評価を行うカスタム操作、レイヤ、モデル、ツールを提供するプラットフォームである。 したがって、学習したエンドツーエンドの圧縮に関する最先端モデルからの複数のモデルは、PyTorchで再実装され、スクラッチからトレーニングされている。 このフレームワークは現在、静止画圧縮のためのモデルを実装しているが、すぐにビデオ圧縮領域に拡張される予定である。
  論文  参考訳（メタデータ） (2020-11-05T18:40:50Z)
• 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)
• Learning End-to-End Lossy Image Compression: A Benchmark [90.35363142246806]
  まず,学習した画像の圧縮方法に関する総合的な文献調査を行う。 本稿では,最先端の学習画像圧縮手法のマイルストーンについて述べるとともに,既存の幅広い作品について概観し,その歴史的開発ルートについて考察する。 エントロピー推定と信号再構成のための粗大な超高次モデルを導入することにより、速度歪み性能の向上を実現する。
  論文  参考訳（メタデータ） (2020-02-10T13:13:43Z)

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。