Fugu-MT 論文翻訳(概要): Users prefer Jpegli over same-sized libjpeg-turbo or MozJPEG

論文の概要: Users prefer Jpegli over same-sized libjpeg-turbo or MozJPEG

arxiv url: http://arxiv.org/abs/2403.18589v1
Date: Wed, 27 Mar 2024 14:12:56 GMT
ステータス: 処理完了
システム内更新日: 2024-03-28 16:38:49.169913
Title: Users prefer Jpegli over same-sized libjpeg-turbo or MozJPEG
Title（参考訳）: ユーザーは同じサイズのlibjpeg-turboやMozJPEGよりもJpegliを好む
Authors: Martin Bruse, Luca Versari, Zoltan Szabadka, Jyrki Alakuijala,
Abstract要約: lib-turboの品質95のJpegli画像に類似した画質の画像を圧縮する場合は、lib-turbo画像とMoz-turbo画像の両方よりも好まれる。生のレーティングとソースイメージは、さらなる分析と研究のために公開されています。
参考スコア（独自算出の注目度）: 2.257059274138924
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: We performed pairwise comparisons by human raters of JPEG images from MozJPEG, libjpeg-turbo and our new Jpegli encoder. When compressing images at a quality similar to libjpeg-turbo quality 95, the Jpegli images were 54% likely to be preferred over both libjpeg-turbo and MozJPEG images, but used only 2.8 bits per pixel compared to libjpeg-turbo and MozJPEG that used 3.8 and 3.5 bits per pixel respectively. The raw ratings and source images are publicly available for further analysis and study.
Abstract（参考訳）: 我々は,MozJPEG,libjpeg-turbo,および新しいJpegliエンコーダを用いたJPEG画像のレーダによるペアワイズ比較を行った。 libjpeg-turboの品質95に類似した画質で画像を圧縮する場合、Jpegli画像はlibjpeg-turboとMozJPEGの両方よりも54%好まれるが、それぞれ3.8ビットと3.5ビットを使用したlibjpeg-turboとMozJPEGは2.8ビットしか使用しなかった。生のレーティングとソースイメージは、さらなる分析と研究のために公開されています。

関連論文リスト

Unified learning-based lossy and lossless JPEG recompression [15.922937139019547]
本稿では,学習量子化テーブルとマルコフ階層型変分オートエンコーダから構成されるJPEG再圧縮フレームワークを提案する。実験の結果,JPEGが上界に近づくと,任意に低歪みが得られることがわかった。
論文参考訳（メタデータ） (2023-12-05T12:07:27Z)
Learned Lossless Compression for JPEG via Frequency-Domain Prediction [50.20577108662153]
JPEG画像のロスレス圧縮を学習するための新しいフレームワークを提案する。周波数領域での学習を可能にするために、DCT係数は暗黙の局所冗長性を利用するためにグループに分割される。グループ化されたDCT係数のエントロピーモデリングを実現するために、重み付きブロックに基づいてオートエンコーダのようなアーキテクチャを設計する。
論文参考訳（メタデータ） (2023-03-05T13:15:28Z)
Metaheuristic-based Energy-aware Image Compression for Mobile App Development [1.933681537640272]
本稿では,人口ベースJPEG画像圧縮のための新しい目的関数を提案する。第2に,包括的カバレッジの欠如に対処するために,新しい表現を提案する。第3に、22の最先端および最近導入されたPBMHアルゴリズムに関する包括的なベンチマークを提供する。
論文参考訳（メタデータ） (2022-12-13T01:39:47Z)
Practical Learned Lossless JPEG Recompression with Multi-Level Cross-Channel Entropy Model in the DCT Domain [10.655855413391324]
本稿では,DCT領域で動作するディープラーニングに基づくJPEG再圧縮手法を提案する。実験により,従来のJPEG再圧縮手法と比較して最先端の性能が得られた。
論文参考訳（メタデータ） (2022-03-30T14:36:13Z)
Towards Flexible Blind JPEG Artifacts Removal [73.46374658847675]
人工物除去と細部保存のトレードオフを制御するために,適応可能な品質因子を予測できるフレキシブルブラインド畳み込みニューラルネットワーク,すなわちFBCNNを提案する。提案するFBCNNは,定量的な計測値と視覚的品質の両方の観点から,最先端の手法に対して良好な性能を実現する。
論文参考訳（メタデータ） (2021-09-29T17:12:10Z)
Embedding Novel Views in a Single JPEG Image [43.02653441520764]
我々は、多面体画像(MPI)の一般的なビュー合成表現を採用する。我々のモデルはまず32MPI層(128チャンネル)を3チャンネルJPEG画像にエンコードし、MPIが新しいビューを描画するためにデコードできる。提案手法は,異なる新規ビュー合成手法を用いた公開データセットの実験を行い,提案手法がわずかに修正されたJPEG画像から高忠実な新規ビューを復元できることを実証した。
論文参考訳（メタデータ） (2021-08-30T06:10:23Z)
COIN: COmpression with Implicit Neural representations [64.02694714768691]
画像圧縮のための新しい簡易手法を提案する。画像の各ピクセルのRGB値を格納する代わりに、画像に過度に適合したニューラルネットワークの重みを格納する。
論文参考訳（メタデータ） (2021-03-03T10:58:39Z)
Learning to Improve Image Compression without Changing the Standard Decoder [100.32492297717056]
本稿では,標準デコーダによる符号化性能向上のための学習法を提案する。具体的には、DCT係数の分布を最適化する周波数領域事前編集法を提案する。 JPEGデコーダは変更しないので、広く使われている標準JPEGデコーダで画像を見る際には、我々のアプローチが適用可能である。
論文参考訳（メタデータ） (2020-09-27T19:24:42Z)
Extension of JPEG XS for Two-Layer Lossless Coding [14.962745191428073]
提案手法はJPEG XTに類似した2層構造を持つ。これにより、JPEG XSとの互換性を維持しながら、元のイメージを損失なく復元することが可能になります。
論文参考訳（メタデータ） (2020-08-11T07:14:17Z)
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。