論文の概要: A Taxonomy of Miscompressions: Preparing Image Forensics for Neural Compression

• arxiv url: http://arxiv.org/abs/2409.05490v2
• Date: Tue, 15 Oct 2024 12:15:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-07 22:27:40.826377
• Title: A Taxonomy of Miscompressions: Preparing Image Forensics for Neural Compression
• Title（参考訳）: ミスコンプレッションの分類法--ニューラルコンプレッションのための画像鑑定の作成
• Authors: Nora Hofer, Rainer Böhme,
• Abstract要約: 本稿では, うつ病の暫定分類法を提案する。 3種類の「何が起こるか」を定義し、シンボルを変更するミス圧縮を示すバイナリの「高影響」フラグを持つ。 本稿では,リスクコミュニケーションの促進と緩和研究について論じる。
• 参考スコア（独自算出の注目度）: 7.328039160501825
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural compression has the potential to revolutionize lossy image compression. Based on generative models, recent schemes achieve unprecedented compression rates at high perceptual quality but compromise semantic fidelity. Details of decompressed images may appear optically flawless but semantically different from the originals, making compression errors difficult or impossible to detect. We explore the problem space and propose a provisional taxonomy of miscompressions. It defines three types of 'what happens' and has a binary 'high impact' flag indicating miscompressions that alter symbols. We discuss how the taxonomy can facilitate risk communication and research into mitigations.
• Abstract（参考訳）: ニューラル圧縮は、損失のある画像圧縮に革命をもたらす可能性がある。 生成モデルに基づいて、近年のスキームは、高い知覚的品質で前例のない圧縮率を達成するが、意味的忠実性を損なう。 圧縮された画像の詳細は光学的に不完全に見えるが、オリジナルと意味的に異なるため、圧縮エラーを検出できないか、あるいは検出できない。 問題空間を探索し, ミスプレッションの暫定分類法を提案する。 3種類の「何が起こるか」を定義し、シンボルを変更するミス圧縮を示すバイナリの「高影響」フラグを持つ。 本稿では,リスクコミュニケーションの促進と緩和研究について論じる。

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)
• Transferable Learned Image Compression-Resistant Adversarial Perturbations [66.46470251521947]
  敵対的攻撃は容易に画像分類システムを破壊し、DNNベースの認識タスクの脆弱性を明らかにする。 我々は、学習した画像圧縮機を前処理モジュールとして利用する画像分類モデルをターゲットにした新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-01-06T03:03:28Z)
• Image Data Hiding in Neural Compressed Latent Representations [1.0878040851638]
  汎用ニューラル圧縮機の潜在表現に秘密を埋め込んで抽出するエンドツーエンドの学習画像データ隠蔽フレームワークを提案する。 既存の手法と比較して,圧縮領域における画像の機密性および競合性に優れた透かしを提供する。
  論文  参考訳（メタデータ） (2023-10-01T03:53:28Z)
• Cross Modal Compression: Towards Human-comprehensible Semantic Compression [73.89616626853913]
  クロスモーダル圧縮は、視覚データのためのセマンティック圧縮フレームワークである。 提案したCMCは,超高圧縮比で再現性の向上が期待できることを示す。
  論文  参考訳（メタデータ） (2022-09-06T15:31:11Z)
• Crowd Counting on Heavily Compressed Images with Curriculum Pre-Training [90.76576712433595]
  ディープニューラルネットワークによって処理された画像に損失圧縮を適用することで、大幅な精度低下につながる可能性がある。 カリキュラム学習のパラダイムに着想を得て,圧縮画像の群集カウントのためのカリキュラム事前学習(CPT)と呼ばれる新しいトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-08-15T08:43:21Z)
• Estimating the Resize Parameter in End-to-end Learned Image Compression [50.20567320015102]
  本稿では,最近の画像圧縮モデルの速度歪みトレードオフをさらに改善する検索自由化フレームワークについて述べる。 提案手法により,Bjontegaard-Deltaレート(BD-rate)を最大10%向上させることができる。
  論文  参考訳（メタデータ） (2022-04-26T01:35:02Z)
• Metric Learning for Anti-Compression Facial Forgery Detection [32.33501564446107]
  新規な抗圧縮顔面フォージェリー検出フレームワークを提案する。 オリジナル版と圧縮版の両方を使って、圧縮に敏感な埋め込み機能空間を学習する。
  論文  参考訳（メタデータ） (2021-03-15T14:11:14Z)
• What's in the Image? Explorable Decoding of Compressed Images [45.22726784749359]
  ユビキタスJPEG標準のための新しいデコーダアーキテクチャを開発し、圧縮された画像の集合をトラバースする。 我々は、グラフィカル、医学的、法医学的なユースケースに関する我々のフレームワークを例示し、その幅広い潜在的な応用を実証する。
  論文  参考訳（メタデータ） (2020-06-16T17:15:44Z)
• Discernible Image Compression [124.08063151879173]
  本稿では、外観と知覚の整合性の両方を追求し、圧縮画像を作成することを目的とする。 エンコーダ・デコーダ・フレームワークに基づいて,事前学習したCNNを用いて,オリジナル画像と圧縮画像の特徴を抽出する。 ベンチマーク実験により,提案手法を用いて圧縮した画像は,その後の視覚認識・検出モデルでもよく認識できることが示された。
  論文  参考訳（メタデータ） (2020-02-17T07:35:08Z)
• Saliency Driven Perceptual Image Compression [6.201592931432016]
  画像圧縮技術の性能評価にはMS-SSIMやPSNRなどの評価指標が不十分であることを示す。 画像圧縮に特有な知覚的類似性データに基づいて学習する新しい指標を提案する。 このモデルは視覚的に優れた画像を生成するだけでなく、その後のコンピュータビジョンタスクに優れた性能を与える。
  論文  参考訳（メタデータ） (2020-02-12T13:43:17Z)

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。