論文の概要: Ultra-Low Complexity On-Orbit Compression for Remote Sensing Imagery via Block Modulated Imaging

• arxiv url: http://arxiv.org/abs/2412.18417v1
• Date: Tue, 24 Dec 2024 13:18:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-25 15:54:13.081755
• Title: Ultra-Low Complexity On-Orbit Compression for Remote Sensing Imagery via Block Modulated Imaging
• Title（参考訳）: ブロック変調イメージングによるリモートセンシング画像の軌道上における超低密度圧縮
• Authors: Zhibin Wang, Yanxin Cai, Jiayi Zhou, Yangming Zhang, Tianyu Li, Wei Li, Xun Liu, Guoqing Wang, Yang Yang,
• Abstract要約: 本稿では,リモートセンシング画像圧縮における圧縮センシングの研究を前進させる。 BMI(Block Modulated Imaging)は、1回の露光しか必要とせず、画像取得速度を大幅に向上させる。 本稿では,BMIフレームワークで圧縮された画像の再構成に特化して設計された新しい復号化ネットワークを提案する。
• 参考スコア（独自算出の注目度）: 17.334800411037836
• License:
• Abstract: The growing field of remote sensing faces a challenge: the ever-increasing size and volume of imagery data are exceeding the storage and transmission capabilities of satellite platforms. Efficient compression of remote sensing imagery is a critical solution to alleviate these burdens on satellites. However, existing compression methods are often too computationally expensive for satellites. With the continued advancement of compressed sensing theory, single-pixel imaging emerges as a powerful tool that brings new possibilities for on-orbit image compression. However, it still suffers from prolonged imaging times and the inability to perform high-resolution imaging, hindering its practical application. This paper advances the study of compressed sensing in remote sensing image compression, proposing Block Modulated Imaging (BMI). By requiring only a single exposure, BMI significantly enhances imaging acquisition speeds. Additionally, BMI obviates the need for digital micromirror devices and surpasses limitations in image resolution. Furthermore, we propose a novel decoding network specifically designed to reconstruct images compressed under the BMI framework. Leveraging the gated 3D convolutions and promoting efficient information flow across stages through a Two-Way Cross-Attention module, our decoding network exhibits demonstrably superior reconstruction performance. Extensive experiments conducted on multiple renowned remote sensing datasets unequivocally demonstrate the efficacy of our proposed method. To further validate its practical applicability, we developed and tested a prototype of the BMI-based camera, which has shown promising potential for on-orbit image compression. The code is available at https://github.com/Johnathan218/BMNet.
• Abstract（参考訳）: リモートセンシングの分野では、衛星プラットフォームのストレージや送信能力を上回る画像データのサイズと容量の増大という課題に直面している。 リモートセンシング画像の効率的な圧縮は、衛星上のこれらの負担を軽減するための重要な解決策である。 しかし、既存の圧縮法は、しばしば衛星にとって計算コストが高すぎる。 圧縮センシング理論の進歩により、シングルピクセルイメージングは、軌道上の画像圧縮に新たな可能性をもたらす強力なツールとして出現する。 しかし、画像の長寿命化や高解像度化の不可能さに悩まされ、実用化を妨げている。 本稿では,Block Modulated Imaging (BMI)を提案するリモートセンシング画像圧縮における圧縮センシングの研究を前進させる。 単一の露光しか必要とせず、BMIは画像取得速度を大幅に向上させる。 さらに、BMIはデジタルマイクロミラーデバイスの必要性を排除し、画像解像度の制限を超える。 さらに,BMIフレームワークで圧縮された画像の再構成に特化して設計された新しい復号ネットワークを提案する。 ゲート型3Dコンボリューションを活用し,2ウェイクロスアテンションモジュールを介してステージ間を流れる効率的な情報フローを促進することで,デコードネットワークは明らかに優れた再構成性能を示す。 複数の有名なリモートセンシングデータセットに対して行われた大規模な実験により,提案手法の有効性が明らかとなった。 その実用性をさらに検証するため,我々は,軌道上画像圧縮の可能性を示すBMIカメラのプロトタイプを開発し,テストした。 コードはhttps://github.com/Johnathan218/BMNetで公開されている。

関連論文リスト

• Learning Lossless Compression for High Bit-Depth Volumetric Medical Image [61.740026014860256]
  本稿では,高ビット深度医用ボリューム圧縮に適したBit-DivisionベースのLosless Volumetric Image Compressionフレームワークを提案する。 BD-LVICフレームワークは、高ビット深度を2つの下位ビット深度セグメント(MSBV)とLast Significant Bit-Volume(LSBV)に巧みに分割する。
  論文  参考訳（メタデータ） (2024-10-23T12:18:36Z)
• COSMIC: Compress Satellite Images Efficiently via Diffusion Compensation [18.963383434754515]
  衛星画像の送信を行うための簡易かつ効果的な圧縮ソリューションであるCOSMICを提案する。 まず,衛星間リンクを保存するために,高圧縮率を実現するために,衛星上に軽量エンコーダを設計する。 そこで,地上での再構成のために,デコード時に画像の詳細を補償する拡散モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-02T16:05:15Z)
• Enhancing Perception Quality in Remote Sensing Image Compression via Invertible Neural Network [10.427300958330816]
  リモートセンシング画像をデコードして、特に低解像度で高い知覚品質を実現することは、依然として大きな課題である。 Invertible Neural Network-based Remote Sensor Image compression (INN-RSIC)法を提案する。 我々の INN-RSIC は、認識品質の観点から、既存の最先端のディープラーニングベースの画像圧縮手法よりも優れています。
  論文  参考訳（メタデータ） (2024-05-17T03:52:37Z)
• 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)
• MISC: Ultra-low Bitrate Image Semantic Compression Driven by Large Multimodal Model [78.4051835615796]
  本稿では,マルチモーダル画像セマンティック圧縮法を提案する。 画像の意味情報を抽出するLMMエンコーダと、その意味に対応する領域を特定するマップエンコーダと、非常に圧縮されたビットストリームを生成する画像エンコーダと、前記情報に基づいて画像を再構成するデコーダとからなる。 知覚50%を節約しながら最適な一貫性と知覚結果を達成することができ、これは次世代のストレージと通信において強力な可能性を持つ。
  論文  参考訳（メタデータ） (2024-02-26T17:11:11Z)
• Exploring Effective Mask Sampling Modeling for Neural Image Compression [171.35596121939238]
  既存のニューラルイメージ圧縮手法の多くは、空間的冗長性を排除するために、ハイパープライアモデルやコンテキストモデルからのサイド情報に依存している。 近年の自然言語処理と高次視覚のための自己教師付き学習手法におけるマスクサンプリングモデルに着想を得て,ニューラル画像圧縮のための新しい事前学習戦略を提案する。 提案手法は,最先端画像圧縮法と比較して計算複雑性の低い競合性能を実現する。
  論文  参考訳（メタデータ） (2023-06-09T06:50:20Z)
• Deep Lossy Plus Residual Coding for Lossless and Near-lossless Image Compression [85.93207826513192]
  本稿では、損失のない画像圧縮とほぼロスレス画像圧縮の両面において、統合された強力な深い損失+残差(DLPR)符号化フレームワークを提案する。 VAEのアプローチにおける連立損失と残留圧縮の問題を解く。 ほぼロスレスモードでは、元の残差を量子化し、与えられた$ell_infty$エラー境界を満たす。
  論文  参考訳（メタデータ） (2022-09-11T12:11:56Z)
• Analysis of the Effect of Low-Overhead Lossy Image Compression on the Performance of Visual Crowd Counting for Smart City Applications [78.55896581882595]
  画像圧縮技術は画像の品質を低下させ、精度を低下させる。 本稿では,低オーバヘッド損失画像圧縮法の適用が視覚的群集カウントの精度に与える影響を解析する。
  論文  参考訳（メタデータ） (2022-07-20T19:20:03Z)
• Asymmetric Learned Image Compression with Multi-Scale Residual Block, Importance Map, and Post-Quantization Filtering [15.056672221375104]
  ディープラーニングに基づく画像圧縮は、最新のH.266/VVCよりも高いレート歪み(R-D)性能を実現している。 多くの先導的な学習スキームは、パフォーマンスと複雑さの間の良いトレードオフを維持することができません。 そこで本研究では,R-D の性能を技術状況よりも低い複雑さで実現した,効率的かつ効果的な画像符号化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-21T09:34:29Z)
• 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)

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。