論文の概要: Embedding Novel Views in a Single JPEG Image

• arxiv url: http://arxiv.org/abs/2108.13003v1
• Date: Mon, 30 Aug 2021 06:10:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-31 14:37:48.335626
• Title: Embedding Novel Views in a Single JPEG Image
• Title（参考訳）: 単一のjpeg画像に新しいビューを埋め込む
• Authors: Yue Wu and Guotao Meng and Qifeng Chen
• Abstract要約: 我々は、多面体画像(MPI)の一般的なビュー合成表現を採用する。 我々のモデルはまず32MPI層(128チャンネル)を3チャンネルJPEG画像にエンコードし、MPIが新しいビューを描画するためにデコードできる。 提案手法は,異なる新規ビュー合成手法を用いた公開データセットの実験を行い,提案手法がわずかに修正されたJPEG画像から高忠実な新規ビューを復元できることを実証した。
• 参考スコア（独自算出の注目度）: 43.02653441520764
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a novel approach for embedding novel views in a single JPEG image while preserving the perceptual fidelity of the modified JPEG image and the restored novel views. We adopt the popular novel view synthesis representation of multiplane images (MPIs). Our model first encodes 32 MPI layers (totally 128 channels) into a 3-channel JPEG image that can be decoded for MPIs to render novel views, with an embedding capacity of 1024 bits per pixel. We conducted experiments on public datasets with different novel view synthesis methods, and the results show that the proposed method can restore high-fidelity novel views from a slightly modified JPEG image. Furthermore, our method is robust to JPEG compression, color adjusting, and cropping. Our source code will be publicly available.
• Abstract（参考訳）: 本稿では,修正JPEG画像の知覚的忠実度と復元された新規ビューを保ちながら,新しいビューを単一のJPEGイメージに埋め込む新しいアプローチを提案する。 我々は,多面体画像 (mpis) の合成表現法を広範に採用する。 我々のモデルはまず32MPI層(128チャンネル)を3チャンネルJPEG画像にエンコードし、MPIが新しいビューを描画できるようにデコードして1ピクセルあたり1024ビットの埋め込み能力を持つ。 提案手法は,異なる新規ビュー合成手法を用いた公開データセットを用いた実験を行い,少し修正したjpeg画像から高精細な新規ビューを復元できることを示した。 さらに,提案手法はJPEG圧縮,色調整,収穫に対して堅牢である。 ソースコードは公開される予定だ。

関連論文リスト

• JPEG-LM: LLMs as Image Generators with Canonical Codec Representations [51.097213824684665]
  離散化は、画像やビデオのような連続したデータを離散トークンとして表現する。 画像やビデオを識別する一般的な方法は、生のピクセル値のモデリングである。 正規表現を用いることで、言語生成と視覚生成の障壁を低くすることができることを示す。
  論文  参考訳（メタデータ） (2024-08-15T23:57:02Z)
• Unified learning-based lossy and lossless JPEG recompression [15.922937139019547]
  本稿では,学習量子化テーブルとマルコフ階層型変分オートエンコーダから構成されるJPEG再圧縮フレームワークを提案する。 実験の結果,JPEGが上界に近づくと,任意に低歪みが得られることがわかった。
  論文  参考訳（メタデータ） (2023-12-05T12:07:27Z)
• Raw Image Reconstruction with Learned Compact Metadata [61.62454853089346]
  本稿では,メタデータとしての潜在空間におけるコンパクトな表現をエンドツーエンドで学習するための新しいフレームワークを提案する。 提案する生画像圧縮方式は,グローバルな視点から重要な画像領域に適応的により多くのビットを割り当てることができることを示す。
  論文  参考訳（メタデータ） (2023-02-25T05:29:45Z)
• Metaheuristic-based Energy-aware Image Compression for Mobile App Development [1.933681537640272]
  本稿では,人口ベースJPEG画像圧縮のための新しい目的関数を提案する。 第2に,包括的カバレッジの欠如に対処するために,新しい表現を提案する。 第3に、22の最先端および最近導入されたPBMHアルゴリズムに関する包括的なベンチマークを提供する。
  論文  参考訳（メタデータ） (2022-12-13T01:39:47Z)
• Practical Learned Lossless JPEG Recompression with Multi-Level Cross-Channel Entropy Model in the DCT Domain [10.655855413391324]
  本稿では,DCT領域で動作するディープラーニングに基づくJPEG再圧縮手法を提案する。 実験により,従来のJPEG再圧縮手法と比較して最先端の性能が得られた。
  論文  参考訳（メタデータ） (2022-03-30T14:36:13Z)
• Towards Flexible Blind JPEG Artifacts Removal [73.46374658847675]
  人工物除去と細部保存のトレードオフを制御するために,適応可能な品質因子を予測できるフレキシブルブラインド畳み込みニューラルネットワーク,すなわちFBCNNを提案する。 提案するFBCNNは,定量的な計測値と視覚的品質の両方の観点から,最先端の手法に対して良好な性能を実現する。
  論文  参考訳（メタデータ） (2021-09-29T17:12:10Z)
• An Image Forensic Technique Based on JPEG Ghosts [0.0]
  JPEG画像に対するディジタル画像法則手法を提案する。 ゴースト画像と呼ばれる鍛造部が、カバー画像と異なる圧縮品質を有する場合、画像中の偽物を検出することができる。
  論文  参考訳（メタデータ） (2021-06-11T14:52:43Z)
• Learning to Improve Image Compression without Changing the Standard Decoder [100.32492297717056]
  本稿では,標準デコーダによる符号化性能向上のための学習法を提案する。 具体的には、DCT係数の分布を最適化する周波数領域事前編集法を提案する。 JPEGデコーダは変更しないので、広く使われている標準JPEGデコーダで画像を見る際には、我々のアプローチが適用可能である。
  論文  参考訳（メタデータ） (2020-09-27T19:24:42Z)
• 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。