論文の概要: End-to-end lossless compression of high precision depth maps guided by pseudo-residual

• arxiv url: http://arxiv.org/abs/2201.03195v1
• Date: Mon, 10 Jan 2022 07:19:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-11 17:38:30.660072
• Title: End-to-end lossless compression of high precision depth maps guided by pseudo-residual
• Title（参考訳）: pseudo-residual による高精度深度マップのエンドツーエンドロスレス圧縮
• Authors: Yuyang Wu, Wei Gao
• Abstract要約: 高精度深度マップの圧縮率を向上した新しい圧縮法を検討することが急務である。 本稿では,高精度深度マップのためのエンドツーエンド学習に基づくロスレス圧縮手法を提案する。
• 参考スコア（独自算出の注目度）: 6.213322670014608
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: As a fundamental data format representing spatial information, depth map is widely used in signal processing and computer vision fields. Massive amount of high precision depth maps are produced with the rapid development of equipment like laser scanner or LiDAR. Therefore, it is urgent to explore a new compression method with better compression ratio for high precision depth maps. Utilizing the wide spread deep learning environment, we propose an end-to-end learning-based lossless compression method for high precision depth maps. The whole process is comprised of two sub-processes, named pre-processing of depth maps and deep lossless compression of processed depth maps. The deep lossless compression network consists of two sub-networks, named lossy compression network and lossless compression network. We leverage the concept of pseudo-residual to guide the generation of distribution for residual and avoid introducing context models. Our end-to-end lossless compression network achieves competitive performance over engineered codecs and has low computational cost.
• Abstract（参考訳）: 空間情報を表す基本的なデータ形式として、深度マップは信号処理やコンピュータビジョンの分野で広く使われている。 レーザースキャナやLiDARなどの装置の急速な開発により、高精度深度マップの大量生産が行われている。 そのため,高精度深度マップの圧縮率を向上した新しい圧縮法を検討することが急務である。 広汎な深層学習環境を利用して,高精度深度マップのためのエンドツーエンドの学習に基づくロスレス圧縮手法を提案する。 プロセス全体は、深度マップの前処理と深度マップの深度ロスレス圧縮という、2つのサブプロセスで構成されている。 ディープロスレス圧縮ネットワークは、ロスレス圧縮ネットワークとロスレス圧縮ネットワークという2つのサブネットワークで構成されている。 我々は擬似残差の概念を活用し、残差分布の生成をガイドし、文脈モデルの導入を避ける。 我々のエンドツーエンドのロスレス圧縮ネットワークは、エンジニアリングコーデックよりも競争性能が高く、計算コストも低い。

関連論文リスト

• Decoupling Fine Detail and Global Geometry for Compressed Depth Map Super-Resolution [55.9977636042469]
  ビット深度圧縮は、微妙な変化のある領域で均一な深度表現を生成し、詳細情報の回復を妨げる。 密集したランダムノイズは、シーンのグローバルな幾何学的構造を推定する精度を低下させる。 圧縮深度マップ超解像のための新しいフレームワークGDNetを提案する。
  論文  参考訳（メタデータ） (2024-11-05T16:37:30Z)
• 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)
• Crowd Counting on Heavily Compressed Images with Curriculum Pre-Training [90.76576712433595]
  ディープニューラルネットワークによって処理された画像に損失圧縮を適用することで、大幅な精度低下につながる可能性がある。 カリキュラム学習のパラダイムに着想を得て,圧縮画像の群集カウントのためのカリキュラム事前学習(CPT)と呼ばれる新しいトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-08-15T08:43:21Z)
• Analysis of the Effect of Low-Overhead Lossy Image Compression on the Performance of Visual Crowd Counting for Smart City Applications [78.55896581882595]
  画像圧縮技術は画像の品質を低下させ、精度を低下させる。 本稿では,低オーバヘッド損失画像圧縮法の適用が視覚的群集カウントの精度に与える影響を解析する。
  論文  参考訳（メタデータ） (2022-07-20T19:20:03Z)
• Neural Network Assisted Depth Map Packing for Compression Using Standard Hardware Video Codecs [0.38073142980732994]
  本稿では,ニューラルネットワークモデルによって支援された可変精度パッキング手法を提案する。 モデルが最適な予測に近づき、非常に低いオーバーヘッドでゲームエンジンに統合できることを実証する。
  論文  参考訳（メタデータ） (2022-06-30T10:46:05Z)
• Supervised Compression for Resource-constrained Edge Computing Systems [26.676557573171618]
  フルスケールのディープニューラルネットワークは、エネルギーとストレージの面でリソース集約的すぎることが多い。 本稿では、知識蒸留とニューラルイメージ圧縮のアイデアを採用し、中間特徴表現をより効率的に圧縮する。 教師付きレート歪み性能を向上するとともに、エンドツーエンドのレイテンシも小さくする。
  論文  参考訳（メタデータ） (2021-08-21T11:10:29Z)
• Learning to Localize Through Compressed Binary Maps [83.03367511221437]
  私たちは、地図表現をローカリゼーションタスクに最適なように圧縮することを学びます。 本実験により,汎用コーデック上での2桁のストレージ要求を削減できるタスク固有圧縮を学習できることが示唆された。
  論文  参考訳（メタデータ） (2020-12-20T14:47:15Z)

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。