論文の概要: A Relay System for Semantic Image Transmission based on Shared Feature
Extraction and Hyperprior Entropy Compression
- arxiv url: http://arxiv.org/abs/2311.10492v1
- Date: Fri, 17 Nov 2023 12:45:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-20 14:58:52.537200
- Title: A Relay System for Semantic Image Transmission based on Shared Feature
Extraction and Hyperprior Entropy Compression
- Title(参考訳): 共有特徴抽出とハイパープライアエントロピー圧縮に基づく意味的画像伝送のためのリレーシステム
- Authors: Wannian An, Zhicheng Bao, Haotai Liang, Chen Dong, and Xiaodong
- Abstract要約: 本稿では,共有特徴抽出と高次エントロピー圧縮に基づく意味的画像伝達のための中継通信ネットワークを提案する。
実験により,他の研究手法と比較して,提案方式は伝送オーバーヘッドが低く,セマンティック画像伝送性能も高いことがわかった。
- 参考スコア(独自算出の注目度): 10.094327559669859
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nowadays, the need for high-quality image reconstruction and restoration is
more and more urgent. However, most image transmission systems may suffer from
image quality degradation or transmission interruption in the face of
interference such as channel noise and link fading. To solve this problem, a
relay communication network for semantic image transmission based on shared
feature extraction and hyperprior entropy compression (HEC) is proposed, where
the shared feature extraction technology based on Pearson correlation is
proposed to eliminate partial shared feature of extracted semantic latent
feature. In addition, the HEC technology is used to resist the effect of
channel noise and link fading and carried out respectively at the source node
and the relay node. Experimental results demonstrate that compared with other
recent research methods, the proposed system has lower transmission overhead
and higher semantic image transmission performance. Particularly, under the
same conditions, the multi-scale structural similarity (MS-SSIM) of this system
is superior to the comparison method by approximately 0.2.
- Abstract(参考訳): 近年,高品質な画像復元・復元の必要性が高まっている。
しかし、ほとんどの画像伝送システムは、チャネルノイズやリンクフェードといった干渉に直面して画質劣化や伝送中断に悩まされることがある。
この問題を解決するために,共有特徴抽出とハイパープリオエントロピー圧縮(hec)に基づく意味画像伝送のための中継通信ネットワークを提案し,ピアソン相関に基づく共有特徴抽出技術を提案し,抽出された意味的潜在特徴の部分的共有特徴を除去する。
さらに、HEC技術は、チャネルノイズとリンクフェージングの影響に抵抗し、それぞれソースノードとリレーノードで実行される。
実験の結果, 提案手法は他の研究手法と比較して伝送オーバーヘッドが低く, セマンティック画像伝送性能も高いことがわかった。
特に、同じ条件下では、このシステムのマルチスケール構造類似性(MS-SSIM)は、比較法よりも0.2程度優れている。
関連論文リスト
- DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image
Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。
従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。
提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文 参考訳(メタデータ) (2023-12-12T06:07:21Z) - UNIQA: A Unified Framework for Both Full-Reference and No-Reference
Image Quality Assessment [53.895598734070695]
完全参照(FR)と非参照(NR)のIQAのための統一ネットワークを提案する。
入力画像から多レベル特徴を抽出するためにエンコーダを用いる。
FRおよびNR入力のユニバーサルアダプタとして階層自己認識(HSA)モジュールを提案する。
HSA と CSCA を採用することにより,提案ネットワークは FR と NR IQA の両方を効果的に実行することができる。
論文 参考訳(メタデータ) (2023-10-14T11:03:04Z) - CommIN: Semantic Image Communications as an Inverse Problem with
INN-Guided Diffusion Models [20.005671042281246]
劣化した再構成画像からの高品質なソース画像の復元を逆問題とするComminを提案する。
極端条件下でのDeepJSCCと比較して,コミンは知覚品質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) (2023-10-02T12:06:58Z) - Hierarchical Similarity Learning for Aliasing Suppression Image
Super-Resolution [64.15915577164894]
エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。
HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
論文 参考訳(メタデータ) (2022-06-07T14:55:32Z) - Perceptual Learned Source-Channel Coding for High-Fidelity Image
Semantic Transmission [7.692038874196345]
本稿では, 深部JSCCの最適化のために, 対向損失を導入する。
我々の新しい深層JSCCアーキテクチャは、エンコーダ、無線チャネル、デコーダ/ジェネレータ、および識別器を組み合わせたものである。
ユーザスタディでは、知覚的に類似したエンドツーエンドの画像伝送品質を達成することで、約50%の無線チャネル帯域幅コストを節約できることを確認した。
論文 参考訳(メタデータ) (2022-05-26T03:05:13Z) - Adaptive Information Bottleneck Guided Joint Source and Channel Coding
for Image Transmission [132.72277692192878]
画像伝送には適応情報ボトルネック(IB)誘導ジョイントソースとチャネル符号化(AIB-JSCC)が提案されている。
AIB-JSCCの目的は、画像再構成品質を改善しながら伝送速度を下げることである。
実験の結果,AIB-JSCCは送信データ量を大幅に削減し,再現性を向上させることができることがわかった。
論文 参考訳(メタデータ) (2022-03-12T17:44:02Z) - Image Superresolution using Scale-Recurrent Dense Network [30.75380029218373]
畳み込みニューラルネットワーク(CNN)の設計の最近の進歩は、画像超解像(SR)の性能を大幅に向上させた。
残差ブロック内の一連の密接な接続を含む単位上に構築されたスケールリカレントSRアーキテクチャを提案する(Residual Dense Blocks (RDBs))。
我々のスケールリカレント設計は、現在の最先端のアプローチに比べてパラメトリックに効率的でありながら、より高いスケール要因の競合性能を提供する。
論文 参考訳(メタデータ) (2022-01-28T09:18:43Z) - Transformer-based SAR Image Despeckling [53.99620005035804]
本稿では,SAR画像復号化のためのトランスフォーマーネットワークを提案する。
提案する非特定ネットワークは、トランスフォーマーベースのエンコーダにより、異なる画像領域間のグローバルな依存関係を学習することができる。
実験により,提案手法は従来型および畳み込み型ニューラルネットワークに基づく解法よりも大幅に改善されていることが示された。
論文 参考訳(メタデータ) (2022-01-23T20:09:01Z) - Blur, Noise, and Compression Robust Generative Adversarial Networks [85.68632778835253]
劣化画像から直接クリーンな画像生成装置を学習するために, ぼかし, ノイズ, 圧縮堅牢なGAN(BNCR-GAN)を提案する。
NR-GANにインスパイアされたBNCR-GANは、画像、ぼやけたカーネル、ノイズ、品質要素ジェネレータで構成される多重ジェネレータモデルを使用する。
CIFAR-10の大規模比較とFFHQの一般性解析によるBNCR-GANの有効性を実証する。
論文 参考訳(メタデータ) (2020-03-17T17:56:22Z)
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。