論文の概要: Learned Lossless JPEG Transcoding via Joint Lossy and Residual Compression

• arxiv url: http://arxiv.org/abs/2208.11673v1
• Date: Wed, 24 Aug 2022 17:12:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-25 13:15:28.390393
• Title: Learned Lossless JPEG Transcoding via Joint Lossy and Residual Compression
• Title（参考訳）: ジョイントロスおよび残差圧縮による学習型ロスレスjpegトランスコーディング
• Authors: Xiaoshuai Fan, Xin Li, Zhibo Chen
• Abstract要約: DCT領域の圧縮JPEG画像を圧縮する新しいフレームワークを提案する。 提案するフレームワークはJPEG圧縮に基づいて,平均21.49%の節約を達成できる。 複数のデータセットに対する実験により,提案するフレームワークはJPEG圧縮に基づいて,平均で約21.49%の節約が可能であることを実証した。
• 参考スコア（独自算出の注目度）: 21.205453851414248
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As a commonly-used image compression format, JPEG has been broadly applied in the transmission and storage of images. To further reduce the compression cost while maintaining the quality of JPEG images, lossless transcoding technology has been proposed to recompress the compressed JPEG image in the DCT domain. Previous works, on the other hand, typically reduce the redundancy of DCT coefficients and optimize the probability prediction of entropy coding in a hand-crafted manner that lacks generalization ability and flexibility. To tackle the above challenge, we propose the learned lossless JPEG transcoding framework via Joint Lossy and Residual Compression. Instead of directly optimizing the entropy estimation, we focus on the redundancy that exists in the DCT coefficients. To the best of our knowledge, we are the first to utilize the learned end-to-end lossy transform coding to reduce the redundancy of DCT coefficients in a compact representational domain. We also introduce residual compression for lossless transcoding, which adaptively learns the distribution of residual DCT coefficients before compressing them using context-based entropy coding. Our proposed transcoding architecture shows significant superiority in the compression of JPEG images thanks to the collaboration of learned lossy transform coding and residual entropy coding. Extensive experiments on multiple datasets have demonstrated that our proposed framework can achieve about 21.49% bits saving in average based on JPEG compression, which outperforms the typical lossless transcoding framework JPEG-XL by 3.51%.
• Abstract（参考訳）: 一般的に使用される画像圧縮フォーマットとして、JPEGは画像の伝送と記憶に広く応用されている。 JPEG画像の品質を維持しながら圧縮コストをさらに削減するため,DCT領域の圧縮JPEG画像を圧縮するロスレス変換技術が提案されている。 一方、従来の研究は一般的にDCT係数の冗長性を減少させ、一般化能力や柔軟性に欠ける手作りの方法でエントロピー符号化の確率予測を最適化する。 上記の課題に取り組むために,ジョイントロスおよび残差圧縮により学習したロスレスjpegトランスコーディングフレームワークを提案する。 エントロピー推定を直接最適化するのではなく、DCT係数に存在する冗長性に焦点を当てる。 我々の知る限り、我々は学習したエンドツーエンドの損失変換を初めて利用し、コンパクト表現領域におけるDCT係数の冗長性を低減した。 また,文脈に基づくエントロピー符号化を用いて圧縮する前に,残差dct係数の分布を適応的に学習するロスレストランスコーディングのための残差圧縮を導入する。 提案したトランスコーディングアーキテクチャは、学習した損失変換符号化と残エントロピー符号化の協調によりJPEG画像の圧縮において大きな優位性を示す。 複数のデータセットに対する大規模な実験により、提案するフレームワークはJPEG圧縮に基づいて平均21.49%の節約を達成できることが示された。

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)
• JDEC: JPEG Decoding via Enhanced Continuous Cosine Coefficients [17.437568540883106]
  本稿では,コサインの連続的定式化による局所的暗黙的ニューラル表現を用いたJPEG画像デコーディングの実践的手法を提案する。 提案するネットワークは,フレキシブルカラー画像JPEGアーティファクト削除タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-04-03T03:28:04Z)
• Learned Lossless Compression for JPEG via Frequency-Domain Prediction [50.20577108662153]
  JPEG画像のロスレス圧縮を学習するための新しいフレームワークを提案する。 周波数領域での学習を可能にするために、DCT係数は暗黙の局所冗長性を利用するためにグループに分割される。 グループ化されたDCT係数のエントロピーモデリングを実現するために、重み付きブロックに基づいてオートエンコーダのようなアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2023-03-05T13:15:28Z)
• 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)
• Neural JPEG: End-to-End Image Compression Leveraging a Standard JPEG Encoder-Decoder [73.48927855855219]
  本稿では,エンコーダとデコーダの両端に内在するニューラル表現を強化することで,符号化性能の向上を図るシステムを提案する。 実験により,提案手法はJPEGに対する速度歪み性能を,様々な品質指標で改善することを示した。
  論文  参考訳（メタデータ） (2022-01-27T20:20:03Z)
• Learning to Improve Image Compression without Changing the Standard Decoder [100.32492297717056]
  本稿では,標準デコーダによる符号化性能向上のための学習法を提案する。 具体的には、DCT係数の分布を最適化する周波数領域事前編集法を提案する。 JPEGデコーダは変更しないので、広く使われている標準JPEGデコーダで画像を見る際には、我々のアプローチが適用可能である。
  論文  参考訳（メタデータ） (2020-09-27T19:24:42Z)
• Modeling Lost Information in Lossy Image Compression [72.69327382643549]
  ロスシー画像圧縮は、デジタル画像の最もよく使われる演算子の1つである。 Invertible Lossy Compression (ILC) と呼ばれる新しい非可逆的フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-22T04:04:56Z)
• Learning Better Lossless Compression Using Lossy Compression [100.50156325096611]
  我々は、ロスレス画像圧縮システムを構築するために、強力なロスレス画像圧縮アルゴリズムであるBPGを利用する。 我々は,BPG再構成を条件とした畳み込みニューラルネットワークに基づく確率モデルを用いて,残差分布をモデル化する。 そして、この画像は、BPGが生成したビットストリームと学習した残留コーダの連結を用いて保存される。
  論文  参考訳（メタデータ） (2020-03-23T11:21:52Z)

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。