論文の概要: Adaptive Information Bottleneck Guided Joint Source-Channel Coding

• arxiv url: http://arxiv.org/abs/2203.06492v1
• Date: Sat, 12 Mar 2022 17:44:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-15 17:47:25.374307
• Title: Adaptive Information Bottleneck Guided Joint Source-Channel Coding
• Title（参考訳）: 適応型情報ボトルネック誘導ジョイント・チャネル符号化
• Authors: Lunan Sun, Caili Guo, Yang Yang
• Abstract要約: AIB-JSCCは、所定の再構成品質に対して理論上最大圧縮比を達成することを目的としている。 実験の結果,AIB-JSCCは送信データに必要な量を著しく削減できることがわかった。
• 参考スコア（独自算出の注目度）: 11.211813655220297
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Joint source channel coding (JSCC) has attracted increasing attentions due to its robustness and high efficiency. However, the existing research on JSCC mainly focuses on minimizing the distortion between the transmitted and received information, while limiting the required data rate. Therefore, even though the transmitted information is well recovered, the transmitted bits may be far more than the minimal threshold according to the rate-distortion (RD) theory. In this paper, we propose an adaptive Information Bottleneck (IB) guided JSCC (AIB-JSCC), which aims at achieving the theoretically maximal compression ratio for a given reconstruction quality. In particular, we first derive a mathematically tractable form of loss function for AIB-JSCC. To keep a better tradeoff between compression and reconstruction quality, we further propose an adaptive algorithm that adjusts hyperparameter beta of the proposed loss function dynamically according to the distortion during training. Experiment results show that AIB-JSCC can significantly reduce the required amount of the transmitted data and improve the reconstruction quality and downstream artificial-intelligent task performance.
• Abstract（参考訳）: ジョイントソースチャネル符号化(JSCC)は、その堅牢性と高い効率性から注目されている。 しかし,現行のjscc研究は,送信情報と受信情報との歪みを最小限に抑えつつ,必要なデータ速度を制限している。 したがって、送信された情報が十分に回収されているにもかかわらず、送信されたビットはレート歪み(RD)理論により最小限の閾値よりもはるかに大きい可能性がある。 本稿では,任意の復元品質に対して理論的に最大圧縮率を達成することを目的とした適応型情報ボトルネック(ib)誘導型jscc(aib-jscc)を提案する。 特に,AIB-JSCCにおける損失関数の数学的に抽出可能な形式を導出する。 さらに, 圧縮と復元品質のトレードオフを良好に保ちつつ, 学習中の歪みに応じて, 提案する損失関数のハイパーパラメータベータを動的に調整する適応アルゴリズムを提案する。 実験の結果,aib-jsccは送信データ量を大幅に削減し,復元品質と下流の人工知能タスク性能を向上させることができた。

関連論文リスト

• SC-CDM: Enhancing Quality of Image Semantic Communication with a Compact Diffusion Model [27.462224078883786]
  無線画像伝送のための生成SC(SC-CDM)を提案する。 我々は,Swin Transformerを効率的な意味的特徴抽出と圧縮のための新しいバックボーンとして再設計することを目指している。 我々はさらに、CNNベースのDeepJSCC上でPak Signal-to-Noise Ratio(PSNR)を17%以上増加させます。
  論文  参考訳（メタデータ） (2024-10-03T01:01:04Z)
• Spatial-Contextual Discrepancy Information Compensation for GAN Inversion [67.21442893265973]
  空間的不一致情報補償に基づく新しいGAN-inversion法(SDIC)を提案する。 SDICは、オリジナルの画像と再構成/編集された画像との間の画像詳細のギャップを埋める。 提案手法は,画像インバージョンと編集作業の両方において,高速な推論速度で優れた歪み適応性トレードオフを実現する。
  論文  参考訳（メタデータ） (2023-12-12T08:58:56Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• A Relay System for Semantic Image Transmission based on Shared Feature Extraction and Hyperprior Entropy Compression [10.094327559669859]
  本稿では,共有特徴抽出と高次エントロピー圧縮に基づく意味的画像伝達のための中継通信ネットワークを提案する。 実験により,他の研究手法と比較して,提案方式は伝送オーバーヘッドが低く,セマンティック画像伝送性能も高いことがわかった。
  論文  参考訳（メタデータ） (2023-11-17T12:45:30Z)
• CommIN: Semantic Image Communications as an Inverse Problem with INN-Guided Diffusion Models [20.005671042281246]
  劣化した再構成画像からの高品質なソース画像の復元を逆問題とするComminを提案する。 極端条件下でのDeepJSCCと比較して,コミンは知覚品質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） (2023-10-02T12:06:58Z)
• Uncertainty-Aware Source-Free Adaptive Image Super-Resolution with Wavelet Augmentation Transformer [60.31021888394358]
  Unsupervised Domain Adaptation (UDA)は、現実世界の超解像(SR)における領域ギャップ問題に効果的に対処できる 本稿では,画像SR(SODA-SR)のためのSOurce-free Domain Adaptationフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-31T03:14:44Z)
• Perceptual Learned Source-Channel Coding for High-Fidelity Image Semantic Transmission [7.692038874196345]
  本稿では, 深部JSCCの最適化のために, 対向損失を導入する。 我々の新しい深層JSCCアーキテクチャは、エンコーダ、無線チャネル、デコーダ/ジェネレータ、および識別器を組み合わせたものである。 ユーザスタディでは、知覚的に類似したエンドツーエンドの画像伝送品質を達成することで、約50%の無線チャネル帯域幅コストを節約できることを確認した。
  論文  参考訳（メタデータ） (2022-05-26T03:05:13Z)
• MASA-SR: Matching Acceleration and Spatial Adaptation for Reference-Based Image Super-Resolution [74.24676600271253]
  本稿では、RefSRのためのMASAネットワークを提案し、これらの問題に対処するために2つの新しいモジュールを設計する。 提案したMatch & extract Moduleは、粗大な対応マッチング方式により計算コストを大幅に削減する。 空間適応モジュールは、LR画像とRef画像の分布の差を学習し、Ref特徴の分布を空間適応的にLR特徴の分布に再マップする。
  論文  参考訳（メタデータ） (2021-06-04T07:15:32Z)
• Learning Task-Oriented Communication for Edge Inference: An Information Bottleneck Approach [3.983055670167878]
  ローエンドエッジ装置は、ローカルデータサンプルの抽出された特徴ベクトルを強力なエッジサーバに送信して処理する。 帯域幅が限られているため、データを低遅延推論のための情報的かつコンパクトな表現に符号化することが重要である。 特徴抽出,ソース符号化,チャネル符号化を協調的に最適化する学習型通信方式を提案する。
  論文  参考訳（メタデータ） (2021-02-08T12:53:32Z)
• Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
  シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。 本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。 我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
  論文  参考訳（メタデータ） (2020-04-08T10:08:20Z)

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。