Fugu-MT 論文翻訳(概要): Lossless Microarray Image Compression by Hardware Array Compactor

論文の概要: Lossless Microarray Image Compression by Hardware Array Compactor

arxiv url: http://arxiv.org/abs/2303.10489v1
Date: Sat, 18 Mar 2023 20:01:37 GMT
ステータス: 処理完了
システム内更新日: 2023-03-21 18:58:40.402841
Title: Lossless Microarray Image Compression by Hardware Array Compactor
Title（参考訳）: ハードウェアアレイコンプレッサによるロスレスマイクロアレイ画像圧縮
Authors: Anahita Banaei, Shadrokh Samavi, Ebrahim Nasr Esfahani
Abstract要約: マイクロアレイ技術は、多数の遺伝子発現を同時に監視するための強力なツールである。各マイクロアレイ実験は数百の画像を生成する。それぞれのデジタル画像は大きなストレージスペースを必要とする。本稿では,マイクロアレイ画像のロスレス圧縮のための新しい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）: 5.372872272443328
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Microarray technology is a new and powerful tool for the concurrent monitoring of a large number of gene expressions. Each microarray experiment produces hundreds of images. Each digital image requires a large storage space. Hence, real-time processing of these images and transmission of them necessitates efficient and custom-made lossless compression schemes. In this paper, we offer a new architecture for the lossless compression of microarray images. In this architecture, we have used dedicated hardware for the separation of foreground pixels from background ones. By separating these pixels and using pipeline architecture, a higher lossless compression ratio has been achieved as compared to other existing methods.
Abstract（参考訳）: マイクロアレイ技術は、多数の遺伝子発現を同時に監視するための新しい強力なツールである。各マイクロアレイ実験は数百の画像を生成する。各デジタル画像は大きなストレージスペースを必要とする。したがって、これらの画像のリアルタイム処理と送信は、効率的でカスタムメイドのロスレス圧縮スキームを必要とする。本稿では,マイクロアレイ画像のロスレス圧縮のための新しいアーキテクチャを提案する。本アーキテクチャでは,前景画素と背景画素を分離するための専用ハードウェアを用いている。これらのピクセルを分離してパイプラインアーキテクチャを使用することで、他の既存の方法と比較して高いロスレス圧縮率を達成している。

関連論文リスト

Large Language Models for Lossless Image Compression: Next-Pixel Prediction in Language Space is All You Need [53.584140947828004]
前例のないインテリジェンスを持つ言語大モデル(LLM)は、様々なデータモダリティのための汎用ロスレス圧縮機である。 P$2$-LLMは,様々な入念な洞察と方法論を統合した次世代の予測型LLMである。ベンチマークデータセットの実験では、P$2$-LLMがSOTAの古典的および学習的コーデックに勝ることを示した。
論文参考訳（メタデータ） (2024-11-19T12:15:40Z)
Lossless Image Compression Using Multi-level Dictionaries: Binary Images [2.2940141855172036]
画像の保存や伝送コストを削減するために、さまざまなアプリケーションにおいてロスレス画像圧縮が必要である。カラー画像の圧縮性は、本質的には空間構造におけるパターンから導かれるものであると論じる。提案手法はまず,バイナリ画像のデータセットから16時間16ドル,8時間8ドル,4時間4ドル,2時間2平方ピクセルパターンの辞書を学習する。
論文参考訳（メタデータ） (2024-06-05T09:24:10Z)
Implicit Neural Image Field for Biological Microscopy Image Compression [37.0218688308699]
Inlicit Neural Representation (INR) に基づく適応圧縮ワークフローを提案する。このアプローチは、任意の形状の画像を圧縮し、任意のピクセル単位の圧縮が可能な、アプリケーション固有の圧縮目的を許容する。我々は,我々のワークフローが高精細圧縮比を達成しただけでなく,下流解析に不可欠な詳細な情報も保存できることを,広範囲にわたる顕微鏡画像で実証した。
論文参考訳（メタデータ） (2024-05-29T11:51:33Z)
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)
Streaming Lossless Volumetric Compression of Medical Images Using Gated Recurrent Convolutional Neural Network [0.0]
本稿では,ハードウェアフレンドリーなストリーミングロスレスボリューム圧縮フレームワークを提案する。本稿では,多種多様な畳み込み構造と融合ゲート機構を組み合わせたゲートリカレント畳み込みニューラルネットワークを提案する。提案手法は,堅牢な一般化能力と競争圧縮速度を示す。
論文参考訳（メタデータ） (2023-11-27T07:19:09Z)
CompaCT: Fractal-Based Heuristic Pixel Segmentation for Lossless Compression of High-Color DICOM Medical Images [0.0]
医用画像は、医師による正確な分析のために、ピクセル単位の12ビットの高色深度を必要とする。フィルタリングによる画像の標準圧縮はよく知られているが、具体化されていない実装のため、医療領域ではまだ最適ではない。本研究では,動的に拡張されたデータ処理のための画素濃度の空間的特徴とパターンをターゲットとした医用画像圧縮アルゴリズムCompaCTを提案する。
論文参考訳（メタデータ） (2023-08-24T21:43:04Z)
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)
Random-Access Neural Compression of Material Textures [1.2971248363246106]
材料テクスチャに特化して設計された新しいニューラル圧縮手法を提案する。我々は低圧縮でさらに2つの詳細レベル、すなわち16倍のテクセルをアンロックする。本手法では,ランダムアクセスによるオンデマンドリアルタイム圧縮が可能で,ディスクやメモリ上での圧縮が可能となる。
論文参考訳（メタデータ） (2023-05-26T17:16:22Z)
Raw Image Reconstruction with Learned Compact Metadata [61.62454853089346]
本稿では,メタデータとしての潜在空間におけるコンパクトな表現をエンドツーエンドで学習するための新しいフレームワークを提案する。提案する生画像圧縮方式は,グローバルな視点から重要な画像領域に適応的により多くのビットを割り当てることができることを示す。
論文参考訳（メタデータ） (2023-02-25T05:29:45Z)
PILC: Practical Image Lossless Compression with an End-to-end GPU Oriented Neural Framework [88.18310777246735]
本稿では,1台のNVIDIA Tesla V100 GPUを用いて,圧縮と圧縮の両面で200MB/sを実現するエンドツーエンド画像圧縮フレームワークを提案する。実験により、我々のフレームワークは、複数のデータセットで30%のマージンで、PNGよりも圧縮が優れていることが示された。
論文参考訳（メタデータ） (2022-06-10T03:00:10Z)
Analyzing and Mitigating JPEG Compression Defects in Deep Learning [69.04777875711646]
本稿では,JPEG圧縮が共通タスクやデータセットに与える影響を統一的に検討する。高圧縮の一般的なパフォーマンス指標には大きなペナルティがあることが示される。
論文参考訳（メタデータ） (2020-11-17T20:32:57Z)

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。