論文の概要: Image Compression Using Novel View Synthesis Priors

• arxiv url: http://arxiv.org/abs/2411.13862v1
• Date: Thu, 21 Nov 2024 05:46:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-22 15:17:53.618023
• Title: Image Compression Using Novel View Synthesis Priors
• Title（参考訳）: 新しいビュー合成プリミティブを用いた画像圧縮
• Authors: Luyuan Peng, Mandar Chitre, Hari Vishnu, Yuen Min Too, Bharath Kalyan, Rajat Mishra, Soo Pieng Tan,
• Abstract要約: 遠隔操作車両のテザレス制御にはリアルタイム視覚フィードバックが不可欠である。 水中における中距離通信には音響通信が好ましい。 本稿では,従来のミッション情報を利用したモデルベース画像圧縮手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Real-time visual feedback is essential for tetherless control of remotely operated vehicles, particularly during inspection and manipulation tasks. Though acoustic communication is the preferred choice for medium-range communication underwater, its limited bandwidth renders it impractical to transmit images or videos in real-time. To address this, we propose a model-based image compression technique that leverages prior mission information. Our approach employs trained machine-learning based novel view synthesis models, and uses gradient descent optimization to refine latent representations to help generate compressible differences between camera images and rendered images. We evaluate the proposed compression technique using a dataset from an artificial ocean basin, demonstrating superior compression ratios and image quality over existing techniques. Moreover, our method exhibits robustness to introduction of new objects within the scene, highlighting its potential for advancing tetherless remotely operated vehicle operations.
• Abstract（参考訳）: 遠隔操作車両のテザレス制御にはリアルタイム視覚フィードバックが不可欠である。 水中では、音響通信が中距離通信に好まれるが、帯域幅が限られているため、画像や動画をリアルタイムに伝送することは不可能である。 そこで本研究では,従来のミッション情報を利用したモデルベース画像圧縮手法を提案する。 提案手法は,機械学習に基づく新しいビュー合成モデルを用いており,カメラ画像と描画画像の圧縮性の違いを生成するために,勾配降下最適化を用いて遅延表現を洗練する。 人工海盆から得られたデータセットを用いて,提案した圧縮技術を評価し,既存の技術よりも優れた圧縮比と画像品質を示す。 さらに,本手法は,遠隔操作車両の遠隔操作を進展させる可能性を強調し,シーン内の新しい物体の導入に対する堅牢性を示す。

関連論文リスト

• Drive-1-to-3: Enriching Diffusion Priors for Novel View Synthesis of Real Vehicles [81.29018359825872]
  本稿では,実世界の課題に対して,大規模な事前学習モデルを微調整するための一連の優れたプラクティスを統合する。 具体的には,合成データと実運転データとの相違を考慮に入れたいくつかの戦略を開発する。 我々の洞察は、先行芸術よりも新しいビュー合成のためのFIDを68.8%値下げする効果のある微調整につながる。
  論文  参考訳（メタデータ） (2024-12-19T03:39:13Z)
• HUPE: Heuristic Underwater Perceptual Enhancement with Semantic Collaborative Learning [62.264673293638175]
  既存の水中画像強調法は主に視覚的品質の向上に重点を置いており、実際的な意味を見落としている。 視覚的品質を高め,他の下流タスクに対処する柔軟性を示す,水中知覚向上のための可逆的ネットワークHを提案する。
  論文  参考訳（メタデータ） (2024-11-27T12:37:03Z)
• Learning-Based Image Compression for Machines [3.678615604632945]
  近年、画像の圧縮は後部座席に置かれており、その上に機械学習に基づく分析を行う際の画像の有用性に焦点が移っている。 このような特徴をイメージから取り入れた圧縮パイプラインの需要はこれまでになく高まっている。 本稿では,事前訓練された圧縮符号化パイプラインの様々な部分を微調整し,拡張する様々な手法を提案する。
  論文  参考訳（メタデータ） (2024-09-27T23:47:02Z)
• Is Synthetic Image Useful for Transfer Learning? An Investigation into Data Generation, Volume, and Utilization [62.157627519792946]
  ブリッジドトランスファー(ブリッジドトランスファー)と呼ばれる新しいフレームワークを導入する。このフレームワークは、当初、トレーニング済みモデルの微調整に合成画像を使用し、転送性を向上させる。 合成画像と実画像のスタイルアライメントを改善するために,データセットスタイルの逆変換方式を提案する。 提案手法は10の異なるデータセットと5つの異なるモデルで評価され、一貫した改善が示されている。
  論文  参考訳（メタデータ） (2024-03-28T22:25:05Z)
• A Training-Free Defense Framework for Robust Learned Image Compression [48.41990144764295]
  本研究では,学習した画像圧縮モデルの敵攻撃に対する堅牢性について検討する。 簡単な画像変換関数をベースとした無訓練防御手法を提案する。
  論文  参考訳（メタデータ） (2024-01-22T12:50:21Z)
• 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)
• Text + Sketch: Image Compression at Ultra Low Rates [22.771914148234103]
  テキスト記述がサイド情報と連動して高忠実度再構築を実現する方法を示す。 本手法は, エンド・ツー・エンドのトレーニングを行わず, 知覚的・意味的忠実度の観点から, 学習圧縮機の性能を著しく向上させることができる。
  論文  参考訳（メタデータ） (2023-07-04T22:26:20Z)
• Preprocessing Enhanced Image Compression for Machine Vision [14.895698385236937]
  本稿では,マシンビジョンタスクのための前処理による画像圧縮手法を提案する。 私たちのフレームワークは従来の非微分コーデックの上に構築されています。 実験の結果,提案手法は,約20%の節約により,ダウンストリームマシンビジョンタスクのコーディングと性能のトレードオフを向上することが示された。
  論文  参考訳（メタデータ） (2022-06-12T03:36:38Z)
• ELIC: Efficient Learned Image Compression with Unevenly Grouped Space-Channel Contextual Adaptive Coding [9.908820641439368]
  本研究では,最先端の速度と圧縮能力を実現するための効率的なモデルであるELICを提案する。 優れたパフォーマンスで、提案モデルは極めて高速なプレビューデコーディングとプログレッシブデコーディングもサポートする。
  論文  参考訳（メタデータ） (2022-03-21T11:19:50Z)
• Adaptive Compact Attention For Few-shot Video-to-video Translation [13.535988102579918]
  本稿では,複数の参照画像からコンテキスト特徴を効率的に抽出する適応型コンパクトアテンション機構を提案する。 我々の中心となる考え方は、すべての参照画像からより高レベルな表現としてコンパクトな基底集合を抽出することである。 提案手法を大規模トーキングヘッドビデオデータセットと人間のダンスデータセットで広範囲に評価した。
  論文  参考訳（メタデータ） (2020-11-30T11:19:12Z)
• Learning End-to-End Lossy Image Compression: A Benchmark [90.35363142246806]
  まず,学習した画像の圧縮方法に関する総合的な文献調査を行う。 本稿では,最先端の学習画像圧縮手法のマイルストーンについて述べるとともに,既存の幅広い作品について概観し,その歴史的開発ルートについて考察する。 エントロピー推定と信号再構成のための粗大な超高次モデルを導入することにより、速度歪み性能の向上を実現する。
  論文  参考訳（メタデータ） (2020-02-10T13:13:43Z)

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。