論文の概要: DeepFGS: Fine-Grained Scalable Coding for Learned Image Compression

• arxiv url: http://arxiv.org/abs/2412.00437v1
• Date: Sat, 30 Nov 2024 11:19:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:42:51.229039
• Title: DeepFGS: Fine-Grained Scalable Coding for Learned Image Compression
• Title（参考訳）: DeepFGS: 学習した画像圧縮のための細粒度スケーラブルコーディング
• Authors: Yongqi Zhai, Yi Ma, Luyang Tang, Wei Jiang, Ronggang Wang,
• Abstract要約: 本稿では,DeepFGSと呼ばれる微細な画像圧縮フレームワークを提案する。 エントロピー符号化では,基本的特徴とスケーラブルな特徴の相関関係を網羅する相互エントロピーモデルを設計する。 実験の結果,提案したDeepFGSは,従来の学習ベースでスケーラブルな画像圧縮モデルよりも優れていた。
• 参考スコア（独自算出の注目度）: 27.834491128701963
• License:
• Abstract: Scalable coding, which can adapt to channel bandwidth variation, performs well in today's complex network environment. However, most existing scalable compression methods face two challenges: reduced compression performance and insufficient scalability. To overcome the above problems, this paper proposes a learned fine-grained scalable image compression framework, namely DeepFGS. Specifically, we introduce a feature separation backbone to divide the image information into basic and scalable features, then redistribute the features channel by channel through an information rearrangement strategy. In this way, we can generate a continuously scalable bitstream via one-pass encoding. For entropy coding, we design a mutual entropy model to fully explore the correlation between the basic and scalable features. In addition, we reuse the decoder to reduce the parameters and computational complexity. Experiments demonstrate that our proposed DeepFGS outperforms previous learning-based scalable image compression models and traditional scalable image codecs in both PSNR and MS-SSIM metrics.
• Abstract（参考訳）: チャネル帯域幅のばらつきに適応できるスケーラブルコーディングは、今日の複雑なネットワーク環境ではうまく機能する。 しかし、既存の拡張性のある圧縮手法のほとんどは、圧縮性能の低下とスケーラビリティの不足という2つの課題に直面している。 以上の課題を克服するために,DeepFGS という,学習したきめ細かなスケーラブルな画像圧縮フレームワークを提案する。 具体的には、特徴分離バックボーンを導入し、画像情報を基本的でスケーラブルな特徴に分割し、情報再構成戦略を通じて特徴チャネルを再分割する。 このようにして、ワンパス符号化によって連続的にスケーラブルなビットストリームを生成することができる。 エントロピー符号化では,基本的特徴とスケーラブルな特徴の相関関係を網羅する相互エントロピーモデルを設計する。 さらに,デコーダを再利用してパラメータと計算複雑性を低減する。 実験の結果,提案したDeepFGSはPSNRとMS-SSIMの両方で,従来の学習ベースでスケーラブルな画像圧縮モデルや従来型のスケーラブルな画像コーデックよりも優れていた。

関連論文リスト

• Once-for-All: Controllable Generative Image Compression with Dynamic Granularity Adaption [57.056311855630916]
  本稿では,制御可能な生成画像圧縮フレームワークである制御-GICを提案する。 高忠実度および一般性圧縮を確保しつつ、広帯域での微粒化適応を可能にする。 我々は、歴史的符号化された多粒度表現に遡ることができる条件条件付き条件付けを開発する。
  論文  参考訳（メタデータ） (2024-06-02T14:22:09Z)
• Exploring Resolution Fields for Scalable Image Compression with Uncertainty Guidance [47.96024424475888]
  本研究では,スケーラブルな画像圧縮における分解能場の可能性について検討する。 本稿では,より適応的で多目的な圧縮を実現するための相互ピラミッドネットワーク(RPN)を提案する。 実験は、既存の古典的およびディープラーニングベースのスケーラブルコーデックに対するRPNの優位性を示している。
  論文  参考訳（メタデータ） (2023-06-15T08:26:24Z)
• Device Interoperability for Learned Image Compression with Weights and Activations Quantization [1.373801677008598]
  本稿では,最先端の画像圧縮ネットワークのデバイス相互運用性問題を解決する手法を提案する。 本稿では,クロスプラットフォームの符号化と復号化を保証し,高速に実装できる簡易な手法を提案する。
  論文  参考訳（メタデータ） (2022-12-02T17:45:29Z)
• 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)
• DeepFGS: Fine-Grained Scalable Coding for Learned Image Compression [22.933872281183497]
  最初に学習したきめ細かなスケーラブルな画像圧縮モデル(DeepFGS)を提案する。 本稿では,特徴分離バックボーンを導入し,画像情報を基本的かつスケーラブルな特徴に分割し,情報再構成戦略を通じて特徴チャネルを再分割する。 実験により,私たちのDeepFGSはPSNRおよびMS-SSIMメトリクスにおいて,学習ベースでスケーラブルな画像圧縮モデルや従来型のスケーラブルな画像コーデックよりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-01-04T15:03:13Z)
• Implicit Neural Representations for Image Compression [103.78615661013623]
  Inlicit Neural Representations (INRs) は、様々なデータ型の新規かつ効果的な表現として注目されている。 量子化、量子化を考慮した再学習、エントロピー符号化を含むINRに基づく最初の包括的圧縮パイプラインを提案する。 我々は、INRによるソース圧縮に対する我々のアプローチが、同様の以前の作業よりも大幅に優れていることに気付きました。
  論文  参考訳（メタデータ） (2021-12-08T13:02:53Z)
• Enhanced Invertible Encoding for Learned Image Compression [40.21904131503064]
  本稿では,改良されたインバーチブルを提案する。 非可逆ニューラルネットワーク(INN)によるネットワークは、情報損失問題を大幅に軽減し、圧縮性を向上する。 Kodak, CLIC, Tecnick のデータセットによる実験結果から,本手法は既存の学習画像圧縮法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-08-08T17:32:10Z)
• Modeling Lost Information in Lossy Image Compression [72.69327382643549]
  ロスシー画像圧縮は、デジタル画像の最もよく使われる演算子の1つである。 Invertible Lossy Compression (ILC) と呼ばれる新しい非可逆的フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-22T04:04:56Z)
• 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。