論文の概要: JPEG Inspired Deep Learning

• arxiv url: http://arxiv.org/abs/2410.07081v1
• Date: Wed, 9 Oct 2024 17:23:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-31 22:37:20.456388
• Title: JPEG Inspired Deep Learning
• Title（参考訳）: JPEGがディープラーニングにインスパイア
• Authors: Ahmed H. Salamah, Kaixiang Zheng, Yiwen Liu, En-Hui Yang,
• Abstract要約: 精巧なJPEG圧縮は、ディープラーニング(DL)の性能を実際に向上させる トレーニング可能なJPEG圧縮層で基盤となるDNNアーキテクチャをプリペイドする新しいDLフレームワークであるJPEG-DLを提案する。
• 参考スコア（独自算出の注目度）: 4.958744940097937
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although it is traditionally believed that lossy image compression, such as JPEG compression, has a negative impact on the performance of deep neural networks (DNNs), it is shown by recent works that well-crafted JPEG compression can actually improve the performance of deep learning (DL). Inspired by this, we propose JPEG-DL, a novel DL framework that prepends any underlying DNN architecture with a trainable JPEG compression layer. To make the quantization operation in JPEG compression trainable, a new differentiable soft quantizer is employed at the JPEG layer, and then the quantization operation and underlying DNN are jointly trained. Extensive experiments show that in comparison with the standard DL, JPEG-DL delivers significant accuracy improvements across various datasets and model architectures while enhancing robustness against adversarial attacks. Particularly, on some fine-grained image classification datasets, JPEG-DL can increase prediction accuracy by as much as 20.9%. Our code is available on https://github.com/JpegInspiredDl/JPEG-Inspired-DL.git.
• Abstract（参考訳）: JPEG圧縮のような損失のある画像圧縮はディープニューラルネットワーク(DNN)の性能に悪影響を及ぼすと伝統的に信じられているが、近年の研究では、精巧なJPEG圧縮がディープラーニング(DL)の性能を実際に改善できることが示されている。 これに触発されて、トレーニング可能なJPEG圧縮層で基盤となるDNNアーキテクチャをプリペイドする新しいDLフレームワークJPEG-DLを提案する。 JPEG圧縮における量子化操作を訓練するために、JPEG層に新しい微分可能なソフト量子化器を用い、次いで、量子化演算と基礎となるDNNを共同で訓練する。 実験の結果、JPEG-DLは標準のDLと比較して、さまざまなデータセットやモデルアーキテクチャで大幅な精度向上を実現し、敵攻撃に対する堅牢性を高めていることがわかった。 特に、細かな画像分類データセットでは、JPEG-DLは予測精度を最大20.9%向上させることができる。 私たちのコードはhttps://github.com/JpegInspiredDl/JPEG-Inspired-DL.gitで利用可能です。

関連論文リスト

• JDEC: JPEG Decoding via Enhanced Continuous Cosine Coefficients [17.437568540883106]
  本稿では,コサインの連続的定式化による局所的暗黙的ニューラル表現を用いたJPEG画像デコーディングの実践的手法を提案する。 提案するネットワークは,フレキシブルカラー画像JPEGアーティファクト削除タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-04-03T03:28:04Z)
• 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)
• 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)
• Neural JPEG: End-to-End Image Compression Leveraging a Standard JPEG Encoder-Decoder [73.48927855855219]
  本稿では,エンコーダとデコーダの両端に内在するニューラル表現を強化することで,符号化性能の向上を図るシステムを提案する。 実験により,提案手法はJPEGに対する速度歪み性能を,様々な品質指標で改善することを示した。
  論文  参考訳（メタデータ） (2022-01-27T20:20:03Z)
• 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)
• MBRS : Enhancing Robustness of DNN-based Watermarking by Mini-Batch of Real and Simulated JPEG Compression [40.944632292011846]
  JPEGのロバスト性を高めるために,Mini-Batch of Real and Simulated JPEG compression (MBRS) を用いた新しいエンドツーエンドトレーニングアーキテクチャを提案する。 我々のモデルは抽出されたメッセージに対して0.01%未満のビット誤り率を達成し、符号化された画像に対してPSNRが36以上であり、JPEG攻撃に対する堅牢性を示す。
  論文  参考訳（メタデータ） (2021-08-18T15:47:37Z)
• Towards Robust Data Hiding Against (JPEG) Compression: A Pseudo-Differentiable Deep Learning Approach [78.05383266222285]
  これらの圧縮に対抗できるデータ隠蔽の目標を達成することは、依然としてオープンな課題である。 ディープラーニングはデータの隠蔽に大きな成功を収めていますが、JPEGの非差別化性は、損失のある圧縮に対する堅牢性を改善するための深いパイプラインのトレーニングを困難にしています。 本稿では,上記の制約をすべて一度に解決するための,単純かつ効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2020-12-30T12:30:09Z)
• 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)
• 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。

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。