論文の概要: Generative Adversarial Networks for Spatio-Spectral Compression of Hyperspectral Images

• arxiv url: http://arxiv.org/abs/2305.08514v1
• Date: Mon, 15 May 2023 10:23:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-16 15:02:58.818919
• Title: Generative Adversarial Networks for Spatio-Spectral Compression of Hyperspectral Images
• Title（参考訳）: ハイパースペクトル画像の比スペクトル圧縮のための生成逆ネットワーク
• Authors: Akshara Preethy Byju, Martin Hermann Paul Fuchs, Alisa Walda, Beg\"um Demir
• Abstract要約: Squeeze と Excitation (SEC) ブロックを用いた HiFiC モデルと 3D を用いた HiFiC モデルを提案する。 チャネルアテンションと依存性間分析による冗長性を利用したHiFiC_SSCSE$とHiFiC$_dist3D$の有効性を解析した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning-based image compression methods have led to high rate-distortion performances compared to traditional codecs. Recently, Generative Adversarial Networks (GANs)-based compression models, e.g., High Fidelity Compression (HiFiC), have attracted great attention in the computer vision community. However, most of these works aim for spatial compression only and do not consider the spatio-spectral redundancies observed in hyperspectral images (HSIs). To address this problem, in this paper, we adapt the HiFiC spatial compression model to perform spatio-spectral compression of HSIs. To this end, we introduce two new models: i) HiFiC using Squeeze and Excitation (SE) blocks (denoted as HiFiC$_{SE}$); and ii) HiFiC with 3D convolutions (denoted as HiFiC$_{3D}$). We analyze the effectiveness of HiFiC$_{SE}$ and HiFiC$_{3D}$ in exploiting the spatio-spectral redundancies with channel attention and inter-dependency analysis. Experimental results show the efficacy of the proposed models in performing spatio-spectral compression and reconstruction at reduced bitrates and higher reconstruction quality when compared to JPEG 2000 and the standard HiFiC spatial compression model. The code of the proposed models is publicly available at https://git.tu-berlin.de/rsim/HSI-SSC .
• Abstract（参考訳）: 深層学習に基づく画像圧縮手法は,従来のコーデックに比べて高速な歪み性能を実現している。 近年、GAN(Generative Adversarial Networks)ベースの圧縮モデル、例えばHiFiC(High Fidelity Compression)がコンピュータビジョンコミュニティで注目を集めている。 しかし,これらの研究の多くは空間圧縮のみを目的としており,高スペクトル像(HSIs)で観察される時空間冗長性は考慮していない。 この問題に対処するため,本稿では空間圧縮モデルを用いてhsisの空間スペクトル圧縮を行う。 この目的のために 2つの新しいモデルを紹介します i) HiFiC using Squeeze and Excitation (SE) block (denoted as HiFiC$_{SE}$); そして 二 三次元畳み込みを有するHiFiC(HiFiC$_{3D}$と表記する) チャネルアテンションと依存性間分析によるスペクトル冗長性を利用したHiFiC$_{SE}$とHiFiC$_{3D}$の有効性を解析した。 実験結果から,jpeg 2000や標準hific空間圧縮モデルと比較して,ビットレートの低減と高い再構成品質で空間スペクトル圧縮および再構成を行う際に,提案モデルの有効性が示された。 提案されたモデルのコードはhttps://git.tu-berlin.de/rsim/HSI-SSC で公開されている。

関連論文リスト

• Fast Feedforward 3D Gaussian Splatting Compression [55.149325473447384]
  3D Gaussian Splatting (FCGS) は、1つのフィードフォワードパスで3DGS表現を高速に圧縮できる最適化フリーモデルである。 FCGSは圧縮比を20倍以上に向上し、高精細度を維持しながら、ほとんどのシーン毎のSOTA最適化手法を上回ります。
  論文  参考訳（メタデータ） (2024-10-10T15:13:08Z)
• Hyper-Compression: Model Compression via Hyperfunction [20.47369296713829]
  本稿では,モデル圧縮問題の解法として,いわゆるハイパー圧縮を提案する。 我々の研究は、スケーリング法則とハードウェアアップグレードの停滞との調和に向けて、モデル圧縮の分野を活性化する可能性がある。
  論文  参考訳（メタデータ） (2024-09-01T02:57:41Z)
• Diff-PCC: Diffusion-based Neural Compression for 3D Point Clouds [12.45444994957525]
  我々はDiff-PCCと呼ばれる最初の拡散ベースの点クラウド圧縮手法を導入し、拡散モデルの表現力を利用して生成的かつ審美的に優れた復号を行う。 実験により,提案したDiff-PCCが最先端の圧縮性能を実現することを示した。
  論文  参考訳（メタデータ） (2024-08-20T04:55:29Z)
• High Frequency Matters: Uncertainty Guided Image Compression with Wavelet Diffusion [35.168244436206685]
  ウェーブレット拡散(UGDiff)を用いた不確実性誘導画像圧縮手法を提案する。 本稿では,ウェーブレット変換による高周波圧縮に着目した。 2つのベンチマークデータセットに関する総合的な実験は、UGDiffの有効性を検証する。
  論文  参考訳（メタデータ） (2024-07-17T13:21:31Z)
• Bidirectional Stereo Image Compression with Cross-Dimensional Entropy Model [11.959608742884408]
  BiSICは対称ステレオ画像圧縮アーキテクチャである。 本研究では,局所的な特徴を捉え,グローバルな特徴を活用するために双方向の注意ブロックを組み込む3次元畳み込みに基づくバックボーンを提案する。 提案するBiSICは,従来の画像/ビデオ圧縮規格より優れている。
  論文  参考訳（メタデータ） (2024-07-15T11:36:22Z)
• Hybrid Convolutional and Attention Network for Hyperspectral Image Denoising [54.110544509099526]
  ハイパースペクトル画像(HSI)は、ハイパースペクトルデータの効果的な解析と解釈に重要である。 ハイブリット・コンボリューション・アテンション・ネットワーク(HCANet)を提案する。 主流HSIデータセットに対する実験結果は,提案したHCANetの合理性と有効性を示している。
  論文  参考訳（メタデータ） (2024-03-15T07:18:43Z)
• Activations and Gradients Compression for Model-Parallel Training [85.99744701008802]
  モデル並列分散トレーニングセットアップにおけるアクティベーションと勾配の同時圧縮が収束に与える影響について検討する。 グラデーションはアクティベーションよりも軽度な圧縮速度を必要とする。 実験では、TopKでトレーニングされたモデルが、推論中に圧縮も適用された場合にのみ正常に動作することが示されている。
  論文  参考訳（メタデータ） (2024-01-15T15:54:54Z)
• Cross Modal Compression: Towards Human-comprehensible Semantic Compression [73.89616626853913]
  クロスモーダル圧縮は、視覚データのためのセマンティック圧縮フレームワークである。 提案したCMCは,超高圧縮比で再現性の向上が期待できることを示す。
  論文  参考訳（メタデータ） (2022-09-06T15:31:11Z)
• Learned Video Compression via Heterogeneous Deformable Compensation Network [78.72508633457392]
  不安定な圧縮性能の問題に対処するために,不均一変形補償戦略(HDCVC)を用いた学習ビデオ圧縮フレームワークを提案する。 より具体的には、提案アルゴリズムは隣接する2つのフレームから特徴を抽出し、コンテンツ近傍の不均一な変形(HetDeform)カーネルオフセットを推定する。 実験結果から,HDCVCは最近の最先端の学習ビデオ圧縮手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-07-11T02:31:31Z)
• Towards Compact CNNs via Collaborative Compression [166.86915086497433]
  チャネルプルーニングとテンソル分解を結合してCNNモデルを圧縮する協調圧縮方式を提案する。 52.9%のFLOPを削減し、ResNet-50で48.4%のパラメータを削除しました。
  論文  参考訳（メタデータ） (2021-05-24T12:07:38Z)

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。