論文の概要: SINCO: A Novel structural regularizer for image compression using
implicit neural representations
- arxiv url: http://arxiv.org/abs/2210.14974v1
- Date: Wed, 26 Oct 2022 18:35:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-28 15:23:47.807472
- Title: SINCO: A Novel structural regularizer for image compression using
implicit neural representations
- Title(参考訳): SINCO:暗黙的ニューラル表現を用いた画像圧縮のための新しい構造正規化器
- Authors: Harry Gao, Weijie Gan, Zhixin Sun, and Ulugbek S. Kamilov
- Abstract要約: Inlicit Neural representations (INR) は、画像圧縮のためのディープラーニング(DL)ベースのソリューションとして最近提案されている。
本稿では、画像圧縮のための新しいINR法として、INR圧縮(SINCO)の構造正則化を提案する。
- 参考スコア(独自算出の注目度): 10.251120382395332
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Implicit neural representations (INR) have been recently proposed as deep
learning (DL) based solutions for image compression. An image can be compressed
by training an INR model with fewer weights than the number of image pixels to
map the coordinates of the image to corresponding pixel values. While
traditional training approaches for INRs are based on enforcing pixel-wise
image consistency, we propose to further improve image quality by using a new
structural regularizer. We present structural regularization for INR
compression (SINCO) as a novel INR method for image compression. SINCO imposes
structural consistency of the compressed images to the groundtruth by using a
segmentation network to penalize the discrepancy of segmentation masks
predicted from compressed images. We validate SINCO on brain MRI images by
showing that it can achieve better performance than some recent INR methods.
- Abstract(参考訳): Inlicit Neural representations (INR) は、画像圧縮のためのディープラーニング(DL)ベースのソリューションとして最近提案されている。
画像の座標を対応する画素値にマッピングするために、画像画素数よりも重量が少ないINRモデルをトレーニングすることにより、画像圧縮を行うことができる。
従来のINRのトレーニング手法はピクセルワイド画像の一貫性の強化に基づいているが,新しい構造正規化器を用いて画像品質の向上を提案する。
画像圧縮のための新しいINR法として,INR圧縮(SINCO)の構造正則化を提案する。
sincoは、圧縮画像から予測されるセグメンテーションマスクのばらつきをペナルティ化するためにセグメンテーションネットワークを用いて、圧縮画像の構造的一貫性を基礎に課す。
脳MRI画像上でSINCOを検証したところ、最近のINR法よりも優れた性能が得られることがわかった。
関連論文リスト
- Semantic Ensemble Loss and Latent Refinement for High-Fidelity Neural
Image Compression [62.888755394395716]
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 [69.79762292033553]
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) - 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) - Beyond Learned Metadata-based Raw Image Reconstruction [86.1667769209103]
生画像は、線形性や微細な量子化レベルなど、sRGB画像に対して明確な利点がある。
ストレージの要求が大きいため、一般ユーザからは広く採用されていない。
本稿では,メタデータとして,潜在空間におけるコンパクトな表現を学習する新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2023-06-21T06:59:07Z) - Estimating the Resize Parameter in End-to-end Learned Image Compression [50.20567320015102]
本稿では,最近の画像圧縮モデルの速度歪みトレードオフをさらに改善する検索自由化フレームワークについて述べる。
提案手法により,Bjontegaard-Deltaレート(BD-rate)を最大10%向上させることができる。
論文 参考訳(メタデータ) (2022-04-26T01:35:02Z) - 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) - Image Compression with Recurrent Neural Network and Generalized Divisive
Normalization [3.0204520109309843]
深層学習は研究コミュニティから大きな注目を集め、将来有望な画像再構成結果を生み出している。
近年の手法は、ネットワークの複雑さを大幅に増大させる、より深い複雑なネットワークの開発に焦点を当てている。
本稿では、畳み込み層を用いた解析とブロック合成と、可変レートエンコーダとデコーダ側における一般化分割正規化(GDN)の2つの有効な新しいブロックを開発する。
論文 参考訳(メタデータ) (2021-09-05T05:31:55Z) - A GAN-based Tunable Image Compression System [13.76136694287327]
本稿では、GAN(Generative Adversarial Network)を用いてコンテンツベースの圧縮を再考し、重要でない領域を再構築する。
モデルを再トレーニングすることなく、特定の圧縮比に画像を圧縮するチューナブル圧縮スキームも提案する。
論文 参考訳(メタデータ) (2020-01-18T02:40:09Z)
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。