論文の概要: Semantic-assisted image compression

• arxiv url: http://arxiv.org/abs/2201.12599v1
• Date: Sat, 29 Jan 2022 14:49:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-03 11:33:08.936186
• Title: Semantic-assisted image compression
• Title（参考訳）: セマンティック支援画像圧縮
• Authors: Qizheng Sun (1), Caili Guo (1), Yang Yang (1), Jiujiu Chen (1), Xijun Xue (2) ((1) bupt.edu.cn, (2) chinatelecom.cn )
• Abstract要約: 本稿では,セマンティック支援画像圧縮法(SAIC)を提案する。 ダウンストリームAIタスクのハイパフォーマンスを実現するために、セマンティックレベルの一貫性を維持することができる。 実験結果から,提案手法はよりセマンティックレベルの情報を保持し,下流AIタスクの性能を向上させることができることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conventional image compression methods typically aim at pixel-level consistency while ignoring the performance of downstream AI tasks.To solve this problem, this paper proposes a Semantic-Assisted Image Compression method (SAIC), which can maintain semantic-level consistency to enable high performance of downstream AI tasks.To this end, we train the compression network using semantic-level loss function. In particular, semantic-level loss is measured using gradient-based semantic weights mechanism (GSW). GSW directly consider downstream AI tasks' perceptual results. Then, this paper proposes a semantic-level distortion evaluation metric to quantify the amount of semantic information retained during the compression process. Experimental results show that the proposed SAIC method can retain more semantic-level information and achieve better performance of downstream AI tasks compared to the traditional deep learning-based method and the advanced perceptual method at the same compression ratio.
• Abstract（参考訳）: 従来の画像圧縮手法は、ダウンストリームAIタスクのパフォーマンスを無視しながらピクセルレベルの一貫性を目標としており、この問題を解決するために、ダウンストリームAIタスクの高パフォーマンスを実現するために意味レベルの一貫性を維持するセマンティック支援画像圧縮法(SAIC)を提案する。 特に意味レベルの損失は、勾配に基づく意味重み付け機構(GSW)を用いて測定される。 GSWは、下流AIタスクの知覚結果を直接考慮する。 そこで本研究では,圧縮過程中に保持される意味情報の量を定量化する意味レベルの歪み評価指標を提案する。 実験の結果,提案手法は,従来の深層学習法と高度知覚法と比較して,より意味レベルの情報を保持し,下流AIタスクの性能を向上させることができることがわかった。

関連論文リスト

• Learned Image Compression for HE-stained Histopathological Images via Stain Deconvolution [33.69980388844034]
  本稿では,一般的なJPEGアルゴリズムがさらなる圧縮に適していないことを示す。 Stain Quantized Latent Compression, a novel DL based histopathology data compression approach。 提案手法はJPEGのような従来の手法と比較して,下流タスクの分類において優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2024-06-18T13:47:17Z)
• Sensitivity Decouple Learning for Image Compression Artifacts Reduction [39.67836965306397]
  本稿では, 固有属性を2つの相補的特徴に分解して, アーティファクトの低減を図ることを提案する。 提案するDAGNでは,圧縮不感な特徴の整合性を維持するために,多機能融合モジュールを開発した。 提案手法はBSD500上で平均2.06dBのPSNRゲインを達成し,最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-05-15T12:29:35Z)
• Semantic Ensemble Loss and Latent Refinement for High-Fidelity Neural Image Compression [58.618625678054826]
  本研究は、最適な視覚的忠実度のために設計された強化されたニューラル圧縮手法を提案する。 我々は,洗練されたセマンティック・アンサンブル・ロス,シャルボニエ・ロス,知覚的損失,スタイル・ロス,非バイナリ・ディバイザ・ロスを組み込んだモデルを構築した。 実験により,本手法は神経画像圧縮の統計的忠実度を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2024-01-25T08:11:27Z)
• 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)
• High-Fidelity Variable-Rate Image Compression via Invertible Activation Transformation [24.379052026260034]
  Invertible Activation Transformation (IAT) モジュールを提案する。 IATとQLevelは、画像圧縮モデルに、画像の忠実さを良く保ちながら、細かな可変レート制御能力を与える。 提案手法は,特に複数再符号化後に,最先端の可変レート画像圧縮法よりも大きなマージンで性能を向上する。
  論文  参考訳（メタデータ） (2022-09-12T07:14:07Z)
• Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
  本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。 事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。 識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
  論文  参考訳（メタデータ） (2022-07-19T14:35:42Z)
• Implicit Neural Representations for Image Compression [103.78615661013623]
  Inlicit Neural Representations (INRs) は、様々なデータ型の新規かつ効果的な表現として注目されている。 量子化、量子化を考慮した再学習、エントロピー符号化を含むINRに基づく最初の包括的圧縮パイプラインを提案する。 我々は、INRによるソース圧縮に対する我々のアプローチが、同様の以前の作業よりも大幅に優れていることに気付きました。
  論文  参考訳（メタデータ） (2021-12-08T13:02:53Z)
• Communication-Efficient Federated Learning via Quantized Compressed Sensing [82.10695943017907]
  提案フレームワークは,無線機器の勾配圧縮とパラメータサーバの勾配再構成からなる。 勾配スペーシフィケーションと量子化により、我々の戦略は1ビット勾配圧縮よりも高い圧縮比を達成することができる。 圧縮を行わない場合とほぼ同じ性能を実現できることを示す。
  論文  参考訳（メタデータ） (2021-11-30T02:13:54Z)
• 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)
• Improving Inference for Neural Image Compression [31.999462074510305]
  State-of-the-art method build on Hierarchical variational autoencoders to predict a compressible latent representation of each data point。 従来の手法では性能を制限した3つの近似ギャップを同定する。 本稿では,これら3つの制約のそれぞれについて,反復的推論に関する考え方に基づく対策を提案する。
  論文  参考訳（メタデータ） (2020-06-07T19:26:37Z)

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。