論文の概要: FLLIC: Functionally Lossless Image Compression

• arxiv url: http://arxiv.org/abs/2401.13616v1
• Date: Wed, 24 Jan 2024 17:44:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-25 13:55:35.519390
• Title: FLLIC: Functionally Lossless Image Compression
• Title（参考訳）: FLLIC:機能的にロスレスな画像圧縮
• Authors: Xi Zhang, Xiaolin Wu
• Abstract要約: 機能的ロスレス画像圧縮(FLLIC)と呼ばれる,関節の認知と圧縮の新しいパラダイムを提案する。 FLLICは、ノイズの多い画像の調音・圧縮における最先端性能を実現し、計算コストを下げる。
• 参考スコア（独自算出の注目度）: 19.956623883051844
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, DNN models for lossless image coding have surpassed their traditional counterparts in compression performance, reducing the bit rate by about ten percent for natural color images. But even with these advances, mathematically lossless image compression (MLLIC) ratios for natural images still fall short of the bandwidth and cost-effectiveness requirements of most practical imaging and vision systems at present and beyond. To break the bottleneck of MLLIC in compression performance, we question the necessity of MLLIC, as almost all digital sensors inherently introduce acquisition noises, making mathematically lossless compression counterproductive. Therefore, in contrast to MLLIC, we propose a new paradigm of joint denoising and compression called functionally lossless image compression (FLLIC), which performs lossless compression of optimally denoised images (the optimality may be task-specific). Although not literally lossless with respect to the noisy input, FLLIC aims to achieve the best possible reconstruction of the latent noise-free original image. Extensive experiments show that FLLIC achieves state-of-the-art performance in joint denoising and compression of noisy images and does so at a lower computational cost.
• Abstract（参考訳）: 近年、ロスレス画像符号化のためのdnnモデルは、従来の圧縮性能を上回っており、自然色画像のビットレートを約10%削減している。 しかし、これらの進歩にもかかわらず、自然画像の数学的ロスレス画像圧縮(mllic)比は、現在でも最も実用的な撮像システムや視覚システムの帯域幅やコスト効率要件に届かない。 圧縮性能におけるMLLICのボトルネックを打破するためには、ほとんどのデジタルセンサが本質的に取得ノイズを導入し、数学的に損失のない圧縮を非生産的にするMLLICの必要性を疑問視する。 そこで,mllicとは対照的に,機能的ロスレス画像圧縮 (fllic) と呼ばれる,最適デノレーション画像のロスレス圧縮(最適性はタスク固有かもしれない)を行うジョイントデノイジングと圧縮の新しいパラダイムを提案する。 ノイズの入力に対して文字通りロスレスというわけではないが、fllicは潜在ノイズのない原画像の最良の再構成を達成することを目指している。 広汎な実験により,FLLICは雑音画像の調音・圧縮において最先端の性能を達成し,計算コストの低減を図っている。

関連論文リスト

• Semantic Ensemble Loss and Latent Refinement for High-Fidelity Neural Image Compression [58.618625678054826]
  本研究は、最適な視覚的忠実度のために設計された強化されたニューラル圧縮手法を提案する。 我々は,洗練されたセマンティック・アンサンブル・ロス,シャルボニエ・ロス,知覚的損失,スタイル・ロス,非バイナリ・ディバイザ・ロスを組み込んだモデルを構築した。 実験により,本手法は神経画像圧縮の統計的忠実度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） (2024-01-25T08:11:27Z)
• Make Lossy Compression Meaningful for Low-Light Images [26.124632089007523]
  低照度画像の圧縮率と高精細化性能を同時に達成する新しいジョイントソリューションを提案する。 我々は,主エンハンスメント分岐と信号-雑音比(SNR)対応分岐を含むエンドツーエンドのトレーニング可能なアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2023-05-24T11:14:40Z)
• Improving Multi-generation Robustness of Learned Image Compression [16.86614420872084]
  ネットワーク構造を変更せずに50回再符号化しても,BPGの最初の圧縮に匹敵する性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-10-31T03:26:11Z)
• Deep Lossy Plus Residual Coding for Lossless and Near-lossless Image Compression [85.93207826513192]
  本稿では、損失のない画像圧縮とほぼロスレス画像圧縮の両面において、統合された強力な深い損失+残差(DLPR)符号化フレームワークを提案する。 VAEのアプローチにおける連立損失と残留圧縮の問題を解く。 ほぼロスレスモードでは、元の残差を量子化し、与えられた$ell_infty$エラー境界を満たす。
  論文  参考訳（メタデータ） (2022-09-11T12:11:56Z)
• Learned Lossless Image Compression With Combined Autoregressive Models And Attention Modules [22.213840578221678]
  ロスレス画像圧縮は画像圧縮において重要な研究分野である。 近年の学習に基づく画像圧縮法は優れた性能を示した。 本稿では,ロスレス圧縮に広く用いられている手法について検討し,ロスレス圧縮に適用する。
  論文  参考訳（メタデータ） (2022-08-30T03:27:05Z)
• 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)
• Analysis of the Effect of Low-Overhead Lossy Image Compression on the Performance of Visual Crowd Counting for Smart City Applications [78.55896581882595]
  画像圧縮技術は画像の品質を低下させ、精度を低下させる。 本稿では,低オーバヘッド損失画像圧縮法の適用が視覚的群集カウントの精度に与える影響を解析する。
  論文  参考訳（メタデータ） (2022-07-20T19:20:03Z)
• Learning Scalable $\ell_\infty$-constrained Near-lossless Image Compression via Joint Lossy Image and Residual Compression [118.89112502350177]
  本稿では,$ell_infty$-constrained near-lossless image compressionを学習するための新しいフレームワークを提案する。 元の残差の学習確率モデルを定量化し、量子化残差の確率モデルを導出する。
  論文  参考訳（メタデータ） (2021-03-31T11:53:36Z)
• Early Exit or Not: Resource-Efficient Blind Quality Enhancement for Compressed Images [54.40852143927333]
  ロスシー画像圧縮は、通信帯域を節約するために広範に行われ、望ましくない圧縮アーティファクトをもたらす。 圧縮画像に対する資源効率の高いブラインド品質向上手法(RBQE)を提案する。 提案手法は, 評価された画像の品質に応じて, 自動的にエンハンスメントを終了するか, 継続するかを決定することができる。
  論文  参考訳（メタデータ） (2020-06-30T07:38:47Z)

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。