論文の概要: Rate-Distortion-Perception Tradeoff Based on the Conditional-Distribution Perception Measure
- arxiv url: http://arxiv.org/abs/2401.12207v2
- Date: Fri, 25 Apr 2025 21:28:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:51.629297
- Title: Rate-Distortion-Perception Tradeoff Based on the Conditional-Distribution Perception Measure
- Title（参考訳）: 条件分布知覚尺度に基づく速度歪み知覚トレードオフ
- Authors: Sadaf Salehkalaibar, Jun Chen, Ashish Khisti, Wei Yu,
- Abstract要約: 本稿では,大きなブロック長の制限下でのメモリレスソースモデルの速度歪み知覚トレードオフについて検討する。
離散メモリレスソースの場合の関数の単一文字特性を導出し、デコーダがノイズ付加機構に制限可能であることを示す。
- 参考スコア（独自算出の注目度）: 30.285592443654565
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper studies the rate-distortion-perception (RDP) tradeoff for a memoryless source model in the asymptotic limit of large block-lengths. The perception measure is based on a divergence between the distributions of the source and reconstruction sequences \emph{conditioned} on the encoder output, first proposed by Mentzer et al. We consider the case when there is no shared randomness between the encoder and the decoder and derive a single-letter characterization of the RDP function for the case of discrete memoryless sources. This is in contrast to the marginal-distribution metric case (introduced by Blau and Michaeli), whose RDP characterization remains open when there is no shared randomness. The achievability scheme is based on lossy source coding with a posterior reference map. For the case of continuous valued sources under the squared error distortion measure and the squared quadratic Wasserstein perception measure, we also derive a single-letter characterization and show that the decoder can be restricted to a noise-adding mechanism. Interestingly, the RDP function characterized for the case of zero perception loss coincides with that of the marginal metric, and further zero perception loss can be achieved with a 3-dB penalty in minimum distortion. Finally we specialize to the case of Gaussian sources, and derive the RDP function for Gaussian vector case and propose a reverse water-filling type solution. We also partially characterize the RDP function for a mixture of Gaussian vector sources.
- Abstract（参考訳）: 本稿では,大ブロック長の漸近限界におけるメモリレスソースモデルに対するレート歪み知覚(RDP)トレードオフについて検討する。
認識尺度は,まずMentzerらによって提案されたエンコーダ出力におけるソースと再構成シーケンスの分布のばらつきに基づいており,エンコーダとデコーダの間に共有ランダム性がない場合を考慮し,離散メモリレスソースの場合のRTP関数の単一文字特性を導出する。
これは(ブラウとミカエルが導入した)限界分布計量の場合とは対照的であり、RDPの特性は共有ランダム性がない場合にも開のままである。
達成可能性スキームは、後部参照マップによる損失源符号化に基づいている。
2乗誤差歪み測定および2乗二次ワッサーシュタイン知覚測定の下での連続的な値ソースの場合、単一文字のキャラクタリゼーションを導出し、デコーダがノイズ付加機構に制限可能であることを示す。
興味深いことに、知覚損失ゼロの場合に特徴付けられるRDP関数は、限界距離の値と一致し、さらに3dBのペナルティを最小歪みで達成できる。
最後に、ガウス源の場合を専門とし、ガウスベクトルの場合の RDP 関数を導出し、逆水充填型解を提案する。
また、ガウスベクトル源の混合に対する RDP 関数を部分的に特徴づける。
関連論文リスト
- Refined Risk Bounds for Unbounded Losses via Transductive Priors [58.967816314671296]
線形回帰の逐次変分を2乗損失、ヒンジ損失の分類問題、ロジスティック回帰で再検討する。
我々の鍵となるツールは、慎重に選択された導出先を持つ指数重み付けアルゴリズムに基づいている。
論文 参考訳（メタデータ） (2024-10-29T00:01:04Z) - The Rate-Distortion-Perception Trade-off: The Role of Private Randomness [53.81648040452621]
圧縮速度がソースのエントロピーよりも低い場合、プライベートなランダム性は役に立たないことを示す。
圧縮速度がソースのエントロピーよりも低い場合, プライベートなランダム性が有用でないことを示す。
論文 参考訳（メタデータ） (2024-04-01T13:36:01Z) - Output-Constrained Lossy Source Coding With Application to Rate-Distortion-Perception Theory [9.464977414419332]
共通乱数に制限のある出力制約付き損失音源符号化の歪み速度関数を解析した。
ソース分布と再構成分布の両方がガウス分布であるときに明示的な表現が得られる。
論文 参考訳（メタデータ） (2024-03-21T21:51:36Z) - Characterization of the Distortion-Perception Tradeoff for Finite
Channels with Arbitrary Metrics [31.383958289479015]
有限アルファベットチャネル上の歪み知覚トレードオフについて検討する。
DP関数と最適再構成の計算は,一連の線形プログラミング問題の解法と等価であることを示す。
論文 参考訳（メタデータ） (2024-02-03T21:17:15Z) - On the Computation of the Gaussian Rate-Distortion-Perception Function [10.564071872770146]
平均二乗誤差(MSE)歪み下における多変量ガウス音源に対するレート歪み知覚関数(RDPF)の計算について検討した。
我々は、関連するアルゴリズムの実現、および収束と収束のキャラクタリゼーションの速度を提供する。
計算結果を数値シミュレーションで相関させ,既存の結果に関連付ける。
論文 参考訳（メタデータ） (2023-11-15T18:34:03Z) - Policy Evaluation in Distributional LQR [70.63903506291383]
ランダムリターンの分布を閉形式で表現する。
この分布は有限個の確率変数で近似できることを示す。
近似回帰分布を用いて,リスク・アバースLQRに対するゼロ階ポリシー勾配アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-03-23T20:27:40Z) - The Rate-Distortion-Perception Tradeoff: The Role of Common Randomness [23.37690979017006]
本稿では,分散保存型損失圧縮問題と一致する完全現実論の事例に焦点を当てる。
既存のトレードオフは、共通ランダム性の量を無限にすることで回復される。
論文 参考訳（メタデータ） (2022-02-08T21:14:57Z) - Robust Estimation for Nonparametric Families via Generative Adversarial
Networks [92.64483100338724]
我々は,高次元ロバストな統計問題を解くためにGAN(Generative Adversarial Networks)を設計するためのフレームワークを提供する。
我々の研究は、これらをロバスト平均推定、第二モーメント推定、ロバスト線形回帰に拡張する。
技術面では、提案したGAN損失は、スムーズで一般化されたコルモゴロフ-スミルノフ距離と見なすことができる。
論文 参考訳（メタデータ） (2022-02-02T20:11:33Z) - On the Double Descent of Random Features Models Trained with SGD [78.0918823643911]
勾配降下(SGD)により最適化された高次元におけるランダム特徴(RF)回帰特性について検討する。
本研究では, RF回帰の高精度な非漸近誤差境界を, 定常および適応的なステップサイズSGD設定の下で導出する。
理論的にも経験的にも二重降下現象を観察する。
論文 参考訳（メタデータ） (2021-10-13T17:47:39Z) - A Theory of the Distortion-Perception Tradeoff in Wasserstein Space [35.25746003630763]
推定器の歪みを下げると、その出力の分布は、推定しようとする信号の分布から逸脱する。
この現象は画像修復において顕著な関心を集めており、真理画像の忠実さは知覚品質の犠牲となる。
知覚歪トレードオフの2つの極端における推定器から推定器をどのように構築できるかを示す。
論文 参考訳（メタデータ） (2021-07-06T11:53:36Z) - Direct Measure Matching for Crowd Counting [59.66286603624411]
そこで本研究では,予測密度マップを散乱点付基底真理に直接回帰する測度に基づく新しい計数手法を提案する。
本稿では, シンクホーンの測位損失を計測するために設計した, 半平衡型のシンクホーン発散を導出する。
論文 参考訳（メタデータ） (2021-07-04T06:37:33Z) - Uncertainty Inspired RGB-D Saliency Detection [70.50583438784571]
本稿では,データラベリングプロセスから学習することで,RGB-D値検出の不確実性を利用した最初のフレームワークを提案する。
そこで本研究では,確率的RGB-Dサリエンシ検出を実現するために,サリエンシデータラベリングプロセスにインスパイアされた生成アーキテクチャを提案する。
6つの挑戦的RGB-Dベンチマークデータセットの結果から,サリエンシマップの分布を学習する際のアプローチの優れた性能が示された。
論文 参考訳（メタデータ） (2020-09-07T13:01:45Z) - Implicit Distributional Reinforcement Learning [61.166030238490634]
2つのディープジェネレータネットワーク(DGN)上に構築された暗黙の分布型アクター批判(IDAC)
半単純アクター (SIA) は、フレキシブルなポリシー分布を利用する。
我々は,代表的OpenAI Gym環境において,IDACが最先端のアルゴリズムより優れていることを観察する。
論文 参考訳（メタデータ） (2020-07-13T02:52:18Z) - Approximation Schemes for ReLU Regression [80.33702497406632]
我々はReLU回帰の根本的な問題を考察する。
目的は、未知の分布から引き出された2乗損失に対して、最も適したReLUを出力することである。
論文 参考訳（メタデータ） (2020-05-26T16:26:17Z)
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。