論文の概要: Optimizing Image Compression via Joint Learning with Denoising

• arxiv url: http://arxiv.org/abs/2207.10869v1
• Date: Fri, 22 Jul 2022 04:23:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-25 13:30:55.755707
• Title: Optimizing Image Compression via Joint Learning with Denoising
• Title（参考訳）: Denoisingを用いた共同学習による画像圧縮の最適化
• Authors: Ka Leong Cheng and Yueqi Xie and Qifeng Chen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 49.83680496296047
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High levels of noise usually exist in today's captured images due to the relatively small sensors equipped in the smartphone cameras, where the noise brings extra challenges to lossy image compression algorithms. Without the capacity to tell the difference between image details and noise, general image compression methods allocate additional bits to explicitly store the undesired image noise during compression and restore the unpleasant noisy image during decompression. Based on the observations, we optimize the image compression algorithm to be noise-aware as joint denoising and compression to resolve the bits misallocation problem. The key is to transform the original noisy images to noise-free bits by eliminating the undesired noise during compression, where the bits are later decompressed as clean images. Specifically, we propose a novel two-branch, weight-sharing architecture with plug-in feature denoisers to allow a simple and effective realization of the goal with little computational cost. Experimental results show that our method gains a significant improvement over the existing baseline methods on both the synthetic and real-world datasets. Our source code is available at https://github.com/felixcheng97/DenoiseCompression.
• Abstract（参考訳）: ハイレベルなノイズは、スマートフォンのカメラに搭載された比較的小さなセンサーによって、現在の撮像された画像に通常存在し、ノイズは画像圧縮アルゴリズムの損失に余計な課題をもたらす。 画像の詳細とノイズを区別する能力がないため、一般的な画像圧縮法では、圧縮中に望ましくない画像ノイズを明示的に保存し、圧縮時に不快なノイズを回復するために追加ビットを割り当てる。 観測結果から,画像圧縮アルゴリズムの雑音認識を,共振および圧縮として最適化し,ビットの誤配置問題を解決する。 鍵となるのは、圧縮中の望ましくないノイズを排除し、元のノイズのない画像をノイズのないビットに変換することである。 具体的には,プラグイン機能付き二分岐重み共有アーキテクチャを提案し,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する。 実験の結果,本手法は,合成データと実世界データの両方において,既存のベースライン法よりも大幅に改善することが判明した。 ソースコードはhttps://github.com/felixcheng97/denoisecompressionで入手できます。

関連論文リスト

• 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)
• On the Importance of Denoising when Learning to Compress Images [34.99683302788977]
  そこで本研究では,aを訓練する際,画像認知タスクを明示的に学習することを提案する。 私たちは、さまざまなISO番号でキャプチャされたさまざまなシーンを提供するNatural Image Noiseデータセットを活用しています。 ノイズレベルの異なる画像の混合に基づいて訓練した1つのモデルでは,ノイズとクリーンな画像の両方でクラス内の最良の結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-07-12T15:26:04Z)
• You Can Mask More For Extremely Low-Bitrate Image Compression [80.7692466922499]
  近年,学習画像圧縮(lic)法は大きな進歩を遂げている。 licメソッドは、画像圧縮に不可欠な画像構造とテクスチャコンポーネントを明示的に探索することができない。 原画像の構造とテクスチャに基づいて可視パッチをサンプリングするDA-Maskを提案する。 極めて低ビットレート圧縮のために, lic と lic のエンドツーエンドを統一する最初のフレームワークである, 単純で効果的なマスク付き圧縮モデル (MCM) を提案する。
  論文  参考訳（メタデータ） (2023-06-27T15:36:22Z)
• A Unified Image Preprocessing Framework For Image Compression [5.813935823171752]
  そこで我々は,既存のコーデックの性能向上を図るために,Kuchenと呼ばれる統合された画像圧縮前処理フレームワークを提案する。 このフレームワークは、ハイブリッドデータラベリングシステムと、パーソナライズされた前処理をシミュレートする学習ベースのバックボーンで構成されている。 その結果,我々の統合前処理フレームワークによって最適化された現代のコーデックは,常に最先端圧縮の効率を向上することを示した。
  論文  参考訳（メタデータ） (2022-08-15T10:41:00Z)
• 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)
• Joint Image Compression and Denoising via Latent-Space Scalability [36.5211475555805]
  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。
  論文  参考訳（メタデータ） (2022-05-04T03:29:50Z)
• 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)
• Synergy Between Semantic Segmentation and Image Denoising via Alternate Boosting [102.19116213923614]
  ノイズ除去とセグメンテーションを交互に行うためのブーストネットワークを提案する。 我々は,ノイズによるセグメンテーション精度の低下に対処するだけでなく,画素別意味情報によってデノージング能力が向上することを示す。 実験の結果,デノイド画像の品質が大幅に向上し,セグメンテーション精度がクリーン画像に近いことを示した。
  論文  参考訳（メタデータ） (2021-02-24T06:48:45Z)

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。