論文の概要: iFlow: Numerically Invertible Flows for Efficient Lossless Compression via a Uniform Coder

• arxiv url: http://arxiv.org/abs/2111.00965v1
• Date: Mon, 1 Nov 2021 14:15:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-02 21:18:10.787342
• Title: iFlow: Numerically Invertible Flows for Efficient Lossless Compression via a Uniform Coder
• Title（参考訳）: iflow:一様コーダによる効率的なロスレス圧縮のための数値可逆流れ
• Authors: Shifeng Zhang, Ning Kang, Tom Ryder and Zhenguo Li
• Abstract要約: iFlowは効率的なロスレス圧縮を実現するための新しい方法である。 iFlowは最先端の圧縮比を達成し、他の高性能スキームよりも5倍速くなる。
• 参考スコア（独自算出の注目度）: 38.297114268193
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: It was estimated that the world produced $59 ZB$ ($5.9 \times 10^{13} GB$) of data in 2020, resulting in the enormous costs of both data storage and transmission. Fortunately, recent advances in deep generative models have spearheaded a new class of so-called "neural compression" algorithms, which significantly outperform traditional codecs in terms of compression ratio. Unfortunately, the application of neural compression garners little commercial interest due to its limited bandwidth; therefore, developing highly efficient frameworks is of critical practical importance. In this paper, we discuss lossless compression using normalizing flows which have demonstrated a great capacity for achieving high compression ratios. As such, we introduce iFlow, a new method for achieving efficient lossless compression. We first propose Modular Scale Transform (MST) and a novel family of numerically invertible flow transformations based on MST. Then we introduce the Uniform Base Conversion System (UBCS), a fast uniform-distribution codec incorporated into iFlow, enabling efficient compression. iFlow achieves state-of-the-art compression ratios and is $5\times$ quicker than other high-performance schemes. Furthermore, the techniques presented in this paper can be used to accelerate coding time for a broad class of flow-based algorithms.
• Abstract（参考訳）: 世界は2020年に59ZB$ (5.9 \times 10^{13} GB$) のデータを生産したと推定され、データストレージと送信の両方で莫大なコストがかかった。 幸いなことに、ディープジェネレーティブモデルの最近の進歩は、いわゆる「ニューラル圧縮」アルゴリズムの新たなクラスを先導し、圧縮比の点で従来のコーデックを大きく上回っている。 残念ながら、ニューラルネットワークの圧縮は、その帯域幅が限られているため、商業的関心をほとんど集めていないため、非常に効率的なフレームワークの開発は、実用上非常に重要である。 本稿では,高圧縮比を実現するための大きな能力を示す正規化フローを用いた無損失圧縮について論じる。 そこで我々は,効率的なロスレス圧縮を実現する新しい手法iFlowを紹介する。 まず, モジュールスケール変換(MST)と, MSTに基づく数値逆流変換の新たなファミリを提案する。 次に、iFlowに組み込まれた高速均一分散コーデックであるUniform Base Conversion System (UBCS)を導入し、効率的な圧縮を実現する。 iFlowは最先端圧縮比を達成し、他の高性能スキームよりも5\times$高速である。 さらに,本論文では,フローに基づく幅広いアルゴリズムの符号化時間を高速化する手法を提案する。

関連論文リスト

• Ultra Dual-Path Compression For Joint Echo Cancellation And Noise Suppression [38.09558772881095]
  固定圧縮比の下では、時間と周波数の両方の手法を組み合わせたデュアルパス圧縮により、さらなる性能向上が期待できる。 提案されたモデルは、高速なFullSubNetやDeepNetFilterと比較して、競争力のある性能を示している。
  論文  参考訳（メタデータ） (2023-08-21T21:36:56Z)
• DiffRate : Differentiable Compression Rate for Efficient Vision Transformers [98.33906104846386]
  Token圧縮は、プルーニング(ドロップ)やトークンのマージによって、大規模な視覚変換器(ViTなど)を高速化することを目的としている。 DiffRate(ディフレート)は、先行技術にはないいくつかの魅力的な特性を持つ新しいトークン圧縮手法である。
  論文  参考訳（メタデータ） (2023-05-29T10:15:19Z)
• Unrolled Compressed Blind-Deconvolution [77.88847247301682]
  sparse multi channel blind deconvolution (S-MBD) はレーダー/ソナー/超音波イメージングなどの多くの工学的応用で頻繁に発生する。 そこで本研究では,受信した全信号に対して,はるかに少ない測定値からブラインドリカバリを可能にする圧縮手法を提案する。
  論文  参考訳（メタデータ） (2022-09-28T15:16:58Z)
• Deep Lossy Plus Residual Coding for Lossless and Near-lossless Image Compression [85.93207826513192]
  本稿では、損失のない画像圧縮とほぼロスレス画像圧縮の両面において、統合された強力な深い損失+残差(DLPR)符号化フレームワークを提案する。 VAEのアプローチにおける連立損失と残留圧縮の問題を解く。 ほぼロスレスモードでは、元の残差を量子化し、与えられた$ell_infty$エラー境界を満たす。
  論文  参考訳（メタデータ） (2022-09-11T12:11:56Z)
• Lossless Compression with Probabilistic Circuits [42.377045986733776]
  確率回路 (PC) は、$|p|$計算単位を含むニューラルネットワークのクラスである。 時間複雑性が $mathcalO (log(D) cdot |p|)$ であるような効率的な符号化と復号化スキームを導出する。 従来のPC構造学習パイプラインをスケールアップすることにより、MNISTなどの画像データセットで最先端の結果が得られた。
  論文  参考訳（メタデータ） (2021-11-23T03:30:22Z)
• ANFIC: Image Compression Using Augmented Normalizing Flows [16.161901495436233]
  本稿では、ANF(Augmented Normalizing Flows)に基づく、エンドツーエンドの学習画像圧縮システムANFICを紹介する。 PSNR-RGBの観点では、ANFICは最先端の学習画像圧縮と同等かそれ以上に機能する。 特に、ANFICは1つのモデルで可変レート圧縮の条件付き畳み込みで拡張した場合、最先端の性能を達成する。
  論文  参考訳（メタデータ） (2021-07-18T15:02:31Z)
• Towards Compact CNNs via Collaborative Compression [166.86915086497433]
  チャネルプルーニングとテンソル分解を結合してCNNモデルを圧縮する協調圧縮方式を提案する。 52.9%のFLOPを削減し、ResNet-50で48.4%のパラメータを削除しました。
  論文  参考訳（メタデータ） (2021-05-24T12:07:38Z)
• iVPF: Numerical Invertible Volume Preserving Flow for Efficient Lossless Compression [21.983560104199622]
  近年急速に成長しているビッグデータを保存することは、高性能な圧縮技術を必要とする。 本論文では,一般体積保存フローから導出した数値逆体積保存フロー(iVPF)計算を提案する。 様々なデータセットの実験により、iVPFに基づくアルゴリズムは、軽量圧縮アルゴリズムよりも最先端圧縮比を達成することが示された。
  論文  参考訳（メタデータ） (2021-03-30T09:50:58Z)
• PowerGossip: Practical Low-Rank Communication Compression in Decentralized Deep Learning [62.440827696638664]
  本稿では,近隣労働者間のモデル差を直接圧縮する簡単なアルゴリズムを提案する。 中央集権的なディープラーニングのためにPowerSGDにインスパイアされたこのアルゴリズムは、パワーステップを使用して、1ビットあたりの転送情報を最大化する。
  論文  参考訳（メタデータ） (2020-08-04T09:14:52Z)

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。