論文の概要: HiHa: Introducing Hierarchical Harmonic Decomposition to Implicit Neural Compression for Atmospheric Data

• arxiv url: http://arxiv.org/abs/2411.06155v1
• Date: Sat, 09 Nov 2024 11:44:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:07:08.620834
• Title: HiHa: Introducing Hierarchical Harmonic Decomposition to Implicit Neural Compression for Atmospheric Data
• Title（参考訳）: HiHa: 階層型高調波分解の導入による大気データへのニューラル圧縮
• Authors: Zhewen Xu, Baoxiang Pan, Hongliang Li, Xiaohui Wei,
• Abstract要約: 大気データに対する階層型暗黙的ニューラル圧縮(HiHa)を提案する。 HiHaは複数の複素調和の分解を通じてデータを多周波信号に分割する。 また、時間的連続性を利用して圧縮を加速する時間的残留圧縮モジュールを設計する。
• 参考スコア（独自算出の注目度）: 7.453116854690232
• License:
• Abstract: The rapid development of large climate models has created the requirement of storing and transferring massive atmospheric data worldwide. Therefore, data compression is essential for meteorological research, but an efficient compression scheme capable of keeping high accuracy with high compressibility is still lacking. As an emerging technique, Implicit Neural Representation (INR) has recently acquired impressive momentum and demonstrates high promise for compressing diverse natural data. However, the INR-based compression encounters a bottleneck due to the sophisticated spatio-temporal properties and variability. To address this issue, we propose Hierarchical Harmonic decomposition implicit neural compression (HiHa) for atmospheric data. HiHa firstly segments the data into multi-frequency signals through decomposition of multiple complex harmonic, and then tackles each harmonic respectively with a frequency-based hierarchical compression module consisting of sparse storage, multi-scale INR and iterative decomposition sub-modules. We additionally design a temporal residual compression module to accelerate compression by utilizing temporal continuity. Experiments depict that HiHa outperforms both mainstream compressors and other INR-based methods in both compression fidelity and capabilities, and also demonstrate that using compressed data in existing data-driven models can achieve the same accuracy as raw data.
• Abstract（参考訳）: 大規模な気候モデルが急速に発展し、世界中の大気圧データを保存・転送する必要性が生じた。 したがって、気象学研究にはデータ圧縮が不可欠であるが、高い圧縮性で高い精度を維持することができる効率的な圧縮スキームはいまだに欠落している。 Inlicit Neural Representation (INR)は、新しい技術として近年、印象的な運動量を獲得し、多様な自然データを圧縮する高い可能性を示している。 しかし、INRベースの圧縮は、洗練された時空間特性と変動性のためにボトルネックに直面している。 この問題に対処するため,大気データに対する階層型高調波分解暗黙的ニューラル圧縮(HiHa)を提案する。 HiHaはまず、複数の複素調和の分解を通じてデータを多周波信号に分割し、それぞれにスパースストレージ、マルチスケールINR、反復分解サブモジュールからなる周波数ベースの階層圧縮モジュールを配置する。 また、時間的連続性を利用して圧縮を加速する時間的残留圧縮モジュールを設計する。 実験では、HiHaは圧縮忠実度と能力の両方において、主流圧縮機および他のINRベースの手法よりも優れており、既存のデータ駆動モデルで圧縮データを使用することで、生データと同じ精度が得られることを示した。

関連論文リスト

• Variable Rate Neural Compression for Sparse Detector Data [9.331686712558144]
  本稿では,スパース畳み込みによるキーポイント識別によるTPCデータ圧縮手法を提案する。 BCAE-VSは、以前の最先端モデルよりも圧縮率を10%高め、再構築精度を75%高めている。
  論文  参考訳（メタデータ） (2024-11-18T17:15:35Z)
• UniCompress: Enhancing Multi-Data Medical Image Compression with Knowledge Distillation [59.3877309501938]
  Inlicit Neural Representation (INR) ネットワークは、その柔軟な圧縮比のため、顕著な汎用性を示している。 周波数領域情報を含むコードブックをINRネットワークへの事前入力として導入する。 これにより、INRの表現力が向上し、異なる画像ブロックに対して特異な条件付けが提供される。
  論文  参考訳（メタデータ） (2024-05-27T05:52:13Z)
• Convolutional variational autoencoders for secure lossy image compression in remote sensing [47.75904906342974]
  本研究では,畳み込み変分オートエンコーダ(CVAE)に基づく画像圧縮について検討する。 CVAEは、JPEG2000のような従来の圧縮手法を圧縮ベンチマークデータセットのかなりのマージンで上回ることが示されている。
  論文  参考訳（メタデータ） (2024-04-03T15:17:29Z)
• Compression of Structured Data with Autoencoders: Provable Benefit of Nonlinearities and Depth [83.15263499262824]
  勾配勾配勾配は入力のスパース構造を完全に無視する解に収束することを示す。 浅層構造にデノナイジング関数を付加することにより,スパースデータの圧縮におけるガウス性能の改善方法を示す。 CIFAR-10 や MNIST などの画像データセットに対して,本研究の成果を検証した。
  論文  参考訳（メタデータ） (2024-02-07T16:32:29Z)
• SRN-SZ: Deep Leaning-Based Scientific Error-bounded Lossy Compression with Super-resolution Neural Networks [13.706955134941385]
  本研究では,SRN-SZを提案する。 SRN-SZはその圧縮に最も高度な超解像ネットワークHATを適用している。 実験では、SRN-SZは最大75%の圧縮比の改善を同じ誤差境界下で達成する。
  論文  参考訳（メタデータ） (2023-09-07T22:15:32Z)
• Realistic Noise Synthesis with Diffusion Models [68.48859665320828]
  Deep Image Denoisingモデルは、しばしば高品質なパフォーマンスのために大量のトレーニングデータに依存します。 本稿では,拡散モデル,すなわちRealistic Noise Synthesize Diffusor(RNSD)を用いて現実的な雑音を合成する新しい手法を提案する。 RNSDは、より現実的なノイズや空間的相関を複数の周波数で生成できるような、ガイド付きマルチスケールコンテンツを組み込むことができる。
  論文  参考訳（メタデータ） (2023-05-23T12:56:01Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• SCI: A spectrum concentrated implicit neural compression for biomedical data [26.621981063249645]
  本稿では, 適応圧縮手法SCIを提案する。これは, 対象データを, 適用したINRのスペクトル包み込みに適合するブロックに適応的に分割する。 実験により、SCIは従来の技術よりも優れた性能を示し、様々な医療データに適用可能であることが示された。
  論文  参考訳（メタデータ） (2022-09-30T02:05:39Z)
• Compressing gradients by exploiting temporal correlation in momentum-SGD [17.995905582226463]
  エラーフィードバックのないシステムにおける時間相関を利用した圧縮手法を解析する。 ImageNetデータセットを用いた実験により,提案手法は通信速度を著しく低減することを示した。 我々は、最小勾配ノルムの有界性を確立することにより、予測誤差仮定の下でSGDの収束を証明した。
  論文  参考訳（メタデータ） (2021-08-17T18:04:06Z)
• Towards Compact CNNs via Collaborative Compression [166.86915086497433]
  チャネルプルーニングとテンソル分解を結合してCNNモデルを圧縮する協調圧縮方式を提案する。 52.9%のFLOPを削減し、ResNet-50で48.4%のパラメータを削除しました。
  論文  参考訳（メタデータ） (2021-05-24T12:07:38Z)

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。