論文の概要: Joint Image Compression and Denoising via Latent-Space Scalability

• arxiv url: http://arxiv.org/abs/2205.01874v1
• Date: Wed, 4 May 2022 03:29:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-05 15:10:42.739368
• Title: Joint Image Compression and Denoising via Latent-Space Scalability
• Title（参考訳）: 潜在空間拡張性による関節画像圧縮と雑音除去
• Authors: Saeed Ranjbar Alvar, Mateen Ulhaq, Hyomin Choi, and Ivan V. Baji\'c
• Abstract要約: 本稿では,画像の復調と圧縮を共同で行う学習画像圧縮フレームワークを提案する。 提案手法は,既存の圧縮およびデノナイジングベンチマークと比較し,最大80%の大幅な削減効果を示した。
• 参考スコア（独自算出の注目度）: 36.5211475555805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When it comes to image compression in digital cameras, denoising is traditionally performed prior to compression. However, there are applications where image noise may be necessary to demonstrate the trustworthiness of the image, such as court evidence and image forensics. This means that noise itself needs to be coded, in addition to the clean image itself. In this paper, we present a learnt image compression framework where image denoising and compression are performed jointly. The latent space of the image codec is organized in a scalable manner such that the clean image can be decoded from a subset of the latent space at a lower rate, while the noisy image is decoded from the full latent space at a higher rate. The proposed codec is compared against established compression and denoising benchmarks, and the experiments reveal considerable bitrate savings of up to 80% compared to cascade compression and denoising.
• Abstract（参考訳）: デジタルカメラの画像圧縮に関しては、伝統的にデノイジングは圧縮の前に行われる。 しかし、裁判所の証拠や画像鑑定など、画像の信頼性を示すために画像ノイズが必要なアプリケーションもある。 これはノイズ自体をクリーンなイメージに加えてコード化する必要があることを意味します。 本稿では,画像のデノイジングと圧縮を共同で行う学習型画像圧縮フレームワークを提案する。 画像コーデックの潜像空間は、クリーン画像が潜像空間のサブセットから低レートで復号化できるようにスケーラブルな方法で構成され、ノイズ画像は全潜像空間から高レートで復号化される。 提案コーデックは既存の圧縮およびデノナイジングベンチマークと比較され, 実験によりカスケード圧縮およびデノナイジングと比較して最大80%のビットレートの削減が認められた。

関連論文リスト

• Enhancing the Rate-Distortion-Perception Flexibility of Learned Image Codecs with Conditional Diffusion Decoders [7.485128109817576]
  本研究では,デコーダとして使用する場合,条件拡散モデルが生成圧縮タスクにおいて有望な結果をもたらすことを示す。 本稿では,デコーダとして使用する場合,条件拡散モデルが生成圧縮タスクにおいて有望な結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-03-05T11:48:35Z)
• MISC: Ultra-low Bitrate Image Semantic Compression Driven by Large Multimodal Model [78.4051835615796]
  本稿では,マルチモーダル画像セマンティック圧縮法を提案する。 画像の意味情報を抽出するLMMエンコーダと、その意味に対応する領域を特定するマップエンコーダと、非常に圧縮されたビットストリームを生成する画像エンコーダと、前記情報に基づいて画像を再構成するデコーダとからなる。 知覚50%を節約しながら最適な一貫性と知覚結果を達成することができ、これは次世代のストレージと通信において強力な可能性を持つ。
  論文  参考訳（メタデータ） (2024-02-26T17:11:11Z)
• Joint End-to-End Image Compression and Denoising: Leveraging Contrastive Learning and Multi-Scale Self-ONNs [18.71504105967766]
  ノイズの圧縮が本質的に困難であるため,ノイズ画像は画像圧縮アルゴリズムの課題である。 本稿では,共同画像圧縮・復号化のための自己組織型オペレーショナルニューラルネットワークからなるマルチスケールデノイザの統合手法を提案する。
  論文  参考訳（メタデータ） (2024-02-08T11:33:16Z)
• FLLIC: Functionally Lossless Image Compression [16.892815659154053]
  機能的ロスレス画像圧縮(FLLIC)と呼ばれる,関節の認知と圧縮の新しいパラダイムを提案する。 FLLICは、ノイズの多い画像の調音・圧縮における最先端性能を実現し、計算コストを下げる。
  論文  参考訳（メタデータ） (2024-01-24T17:44:33Z)
• 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)
• Optimizing Image Compression via Joint Learning with Denoising [49.83680496296047]
  スマートフォンカメラに搭載された比較的小さなセンサーのため、今日の撮像画像には高レベルのノイズが通常存在している。 計算コストを少なくして目的をシンプルかつ効果的に実現できるように,プラグイン機能付き2分岐重み共有アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-07-22T04:23:01Z)
• 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)
• Soft Compression for Lossless Image Coding [17.714164324169037]
  画像に関する新しい概念である圧縮可能なインジケータ関数を提案する。 ソフト圧縮を施すことにより、同じ種類の画像の送受信に必要となる帯域幅とストレージスペースを大幅に削減することが期待される。
  論文  参考訳（メタデータ） (2020-12-11T10:59:47Z)
• Discernible Image Compression [124.08063151879173]
  本稿では、外観と知覚の整合性の両方を追求し、圧縮画像を作成することを目的とする。 エンコーダ・デコーダ・フレームワークに基づいて,事前学習したCNNを用いて,オリジナル画像と圧縮画像の特徴を抽出する。 ベンチマーク実験により,提案手法を用いて圧縮した画像は,その後の視覚認識・検出モデルでもよく認識できることが示された。
  論文  参考訳（メタデータ） (2020-02-17T07:35:08Z)

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。