論文の概要: Random-Access Neural Compression of Material Textures
- arxiv url: http://arxiv.org/abs/2305.17105v1
- Date: Fri, 26 May 2023 17:16:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-29 13:19:56.807427
- Title: Random-Access Neural Compression of Material Textures
- Title（参考訳）: 材料テクスチャのランダム・アクセススニューラル圧縮
- Authors: Karthik Vaidyanathan, Marco Salvi, Bartlomiej Wronski, Tomas
Akenine-M\"oller, Pontus Ebelin, Aaron Lefohn
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.2971248363246106
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The continuous advancement of photorealism in rendering is accompanied by a
growth in texture data and, consequently, increasing storage and memory
demands. To address this issue, we propose a novel neural compression technique
specifically designed for material textures. We unlock two more levels of
detail, i.e., 16x more texels, using low bitrate compression, with image
quality that is better than advanced image compression techniques, such as AVIF
and JPEG XL. At the same time, our method allows on-demand, real-time
decompression with random access similar to block texture compression on GPUs,
enabling compression on disk and memory. The key idea behind our approach is
compressing multiple material textures and their mipmap chains together, and
using a small neural network, that is optimized for each material, to
decompress them. Finally, we use a custom training implementation to achieve
practical compression speeds, whose performance surpasses that of general
frameworks, like PyTorch, by an order of magnitude.
- Abstract（参考訳）: レンダリングにおけるフォトリアリズムの継続的な進歩には、テクスチャデータの増加と、ストレージとメモリ要求の増加が伴う。
そこで本研究では,素材テクスチャに特化したニューラル圧縮手法を提案する。
AVIFやJPEG XLのような先進的な画像圧縮技術よりも優れた画質を持つ低ビットレート圧縮を用いて、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。
同時に,GPU上のブロックテクスチャ圧縮と同様の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となり,ディスクやメモリ上での圧縮が可能となった。
このアプローチの背後にある重要なアイデアは、複数の素材テクスチャとそのミップマップチェーンを圧縮し、各材料に最適化された小さなニューラルネットワークを使用してそれらを圧縮することです。
最後に、PyTorchのような一般的なフレームワークのパフォーマンスを桁違いに上回る、実用的な圧縮速度を達成するために、カスタムトレーニング実装を使用します。
関連論文リスト
- Map-Assisted Remote-Sensing Image Compression at Extremely Low Bitrates [47.47031054057152]
生成モデルはRS画像を極低ビットレートストリームに圧縮するために研究されている。
これらの生成モデルは、非常に低ビットレート画像圧縮の極めて不適切な性質のため、視覚的に可視な画像の再構成に苦慮している。
本研究では,高現実性再構築を実現するために,自然画像に先行した事前学習拡散モデルを用いた画像圧縮フレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-03T14:29:54Z) - Neural Graphics Texture Compression Supporting Random Access [34.974631096947284]
本稿では,従来のGPUテクスチャ表現とNIC技術を統合したテクスチャセット圧縮手法を提案する。
本稿では、畳み込みエンコーダを用いた非対称自動エンコーダフレームワークを提案する。
実験により,従来のテクスチャ圧縮よりも優れた結果が得られた。
論文 参考訳（メタデータ） (2024-05-06T19:44:13Z) - Exploring the Limits of Semantic Image Compression at Micro-bits per
Pixel [8.518076792914039]
我々はOpenAIのGPT-4VとDALL-E3を使って画像圧縮のための品質圧縮フロンティアを探索する。
我々は、反復的なリフレクションプロセスを導入することで、セマンティック圧縮を100$mu$bpp(JPEGより1万ドル以上安い)まで低くします。
さらに、この100$mu$bppレベルは、標準的な画像解像度におけるセマンティック圧縮のソフトな制限を表すと仮定する。
論文 参考訳（メタデータ） (2024-02-21T05:14:30Z) - 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) - Optimizing Image Compression via Joint Learning with Denoising [49.83680496296047]
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。
論文 参考訳（メタデータ） (2022-07-22T04:23:01Z) - 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) - How to Exploit the Transferability of Learned Image Compression to
Conventional Codecs [25.622863999901874]
本稿では,学習した画像の符号化をサロゲートとして利用して,画像の符号化を最適化する方法を示す。
提案手法は,MS-SSIM歪みをデコードオーバーヘッドを伴わずに20%以上の速度改善で補正するために,従来の画像を再構成することができる。
論文 参考訳（メタデータ） (2020-12-03T12:34:51Z) - Conditional Entropy Coding for Efficient Video Compression [82.35389813794372]
本稿では,フレーム間の条件エントロピーをモデル化することのみに焦点を当てた,非常にシンプルで効率的なビデオ圧縮フレームワークを提案する。
まず、画像遅延符号間のエントロピーをモデル化する単純なアーキテクチャが、他のニューラルビデオ圧縮やビデオコーデックと同等の競争力を持つことを示す。
次に、このアーキテクチャの上に新しい内部学習拡張を提案し、復号速度を抑えることなく10%の節約を実現した。
論文 参考訳（メタデータ） (2020-08-20T20:01:59Z) - Quantization Guided JPEG Artifact Correction [69.04777875711646]
我々はJPEGファイル量子化行列を用いたアーティファクト修正のための新しいアーキテクチャを開発した。
これにより、特定の品質設定のためにトレーニングされたモデルに対して、単一のモデルで最先端のパフォーマンスを達成できます。
論文 参考訳（メタデータ） (2020-04-17T00:10:08Z)
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。