論文の概要: Towards Loss-Resilient Image Coding for Unstable Satellite Networks
- arxiv url: http://arxiv.org/abs/2501.11263v1
- Date: Mon, 20 Jan 2025 04:11:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-22 19:37:19.340149
- Title: Towards Loss-Resilient Image Coding for Unstable Satellite Networks
- Title（参考訳）: 不安定衛星ネットワークのロスレジリエント画像符号化に向けて
- Authors: Hongwei Sha, Muchen Dong, Quanyou Luo, Ming Lu, Hao Chen, Zhan Ma,
- Abstract要約: 地球軌道(GEO)衛星通信は、緊急時短バーストデータサービスにおいて大きな利点を示す。
不安定な衛星ネットワーク、特にパケットロスが頻発する衛星は、正確な画像伝送に深刻な困難をもたらす。
本稿では,学習画像圧縮におけるエンドツーエンドの最適化を生かした損失耐性画像符号化手法を提案する。
- 参考スコア（独自算出の注目度）: 24.752636739603116
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Geostationary Earth Orbit (GEO) satellite communication demonstrates significant advantages in emergency short burst data services. However, unstable satellite networks, particularly those with frequent packet loss, present a severe challenge to accurate image transmission. To address it, we propose a loss-resilient image coding approach that leverages end-to-end optimization in learned image compression (LIC). Our method builds on the channel-wise progressive coding framework, incorporating Spatial-Channel Rearrangement (SCR) on the encoder side and Mask Conditional Aggregation (MCA) on the decoder side to improve reconstruction quality with unpredictable errors. By integrating the Gilbert-Elliot model into the training process, we enhance the model's ability to generalize in real-world network conditions. Extensive evaluations show that our approach outperforms traditional and deep learning-based methods in terms of compression performance and stability under diverse packet loss, offering robust and efficient progressive transmission even in challenging environments. Code is available at https://github.com/NJUVISION/LossResilientLIC.
- Abstract（参考訳）: 地球軌道(GEO)衛星通信は、緊急時短バーストデータサービスにおいて大きな利点を示す。
しかし、不安定な衛星ネットワーク、特にパケットロスが頻発する衛星ネットワークは、正確な画像伝送に深刻な課題をもたらす。
そこで本研究では,学習画像圧縮(lic)におけるエンドツーエンドの最適化を活用する,損失耐性の画像符号化手法を提案する。
提案手法は,エンコーダ側でSCR(Spatial-Channel Rearrangement)とデコーダ側でMask Conditional Aggregation(MCA)を組み込むことで,予測不能なエラーによる再構成品質の向上を実現する。
トレーニングプロセスにギルバート・エリオットモデルを統合することにより、実世界のネットワーク条件でモデルを一般化する能力を高める。
提案手法は,パケット損失の多様さによる圧縮性能と安定性の観点から,従来の深層学習手法よりも優れており,困難環境においても頑健で効率的なプログレッシブトランスミッションを実現する。
コードはhttps://github.com/NJUVISION/LossResilientLICで入手できる。
関連論文リスト
- SING: Semantic Image Communications using Null-Space and INN-Guided Diffusion Models [52.40011613324083]
近年, 無線画像伝送において, 共用音源チャネル符号化システム (DeepJSCC) が顕著な性能を発揮している。
既存の手法では、送信された画像とレシーバーの再構成されたバージョンとの間の歪みを最小限に抑えることに重点を置いており、しばしば知覚的品質を見落としている。
逆問題として,破損した再構成画像から高品質な画像の復元を定式化する新しいフレームワークであるSINGを提案する。
論文 参考訳（メタデータ） (2025-03-16T12:32:11Z) - Rethinking Video Tokenization: A Conditioned Diffusion-based Approach [58.164354605550194]
新しいトークン化ツールであるDiffusion Conditioned-based Gene Tokenizerは、GANベースのデコーダを条件付き拡散モデルで置き換える。
再建に基本的MSE拡散損失とKL項,LPIPSを併用した訓練を行った。
CDTのスケールダウン版(3$times inference speedup)でさえ、トップベースラインと互換性がある。
論文 参考訳（メタデータ） (2025-03-05T17:59:19Z) - Decoding for Punctured Convolutional and Turbo Codes: A Deep Learning Solution for Protocols Compliance [22.85778198575678]
本稿では,Long Short-Term Memory(LSTM)をベースとしたデコードアーキテクチャを提案する。
提案手法は、句読解畳み込み符号とターボ符号を統一する。
句読点埋め込み機構は、句読点パターンを直接ネットワークに統合し、様々なコードレートへのシームレスな適応を可能にする。
論文 参考訳（メタデータ） (2025-02-21T14:00:14Z) - USRNet: Unified Scene Recovery Network for Enhancing Traffic Imaging under Multiple Adverse Weather Conditions [7.587322796437864]
複数種類の画像劣化を処理できる統一シーン回復ネットワーク (USRNet) を導入する。
USRNetは、シーンエンコーダ、注意駆動ノード独立学習機構(NILM)、エッジデコーダ、シーン復元モジュールからなる洗練されたアーキテクチャを備えている。
実験の結果,USRNetは複雑な画像劣化処理において既存の手法を超越していることがわかった。
論文 参考訳（メタデータ） (2025-02-11T08:47:58Z) - Deep Learning-Based Image Compression for Wireless Communications: Impacts on Reliability,Throughput, and Latency [41.77014570882275]
無線通信では、効率的な画像伝送は信頼性、スループット、レイテンシのバランスをとる必要がある。
ハイパープライアモデルとVQGAN(Vector Quantized Generative Adversarial Network)の2つの最先端学習モデルについて検討する。
両モデルのプログレッシブバージョンを提案し、不完全なチャネル条件下で部分的な画像伝送と復号を可能にする。
論文 参考訳（メタデータ） (2024-11-16T01:14:55Z) - Cross-Scan Mamba with Masked Training for Robust Spectral Imaging [51.557804095896174]
本研究では,空間スペクトルSSMを用いたクロススキャンマンバ(CS-Mamba)を提案する。
実験の結果, CS-Mambaは最先端の性能を達成し, マスク付きトレーニング手法によりスムーズな特徴を再構築し, 視覚的品質を向上させることができた。
論文 参考訳（メタデータ） (2024-08-01T15:14:10Z) - Real-Time Compressed Sensing for Joint Hyperspectral Image Transmission and Restoration for CubeSat [9.981107535103687]
本稿では,軽量で比較的少数のトレーニングサンプルを必要とするリアルタイム圧縮センシングネットワークを提案する。
RTCSネットワークは、必要なトレーニングサンプルを削減し、整数8ベースのエンコーダに簡単に実装できる単純化されたアーキテクチャを備えている。
我々のエンコーダは、ストリップライクなHSIデータ伝送に整数8互換の線形プロジェクションを使用し、リアルタイム圧縮センシングを確実にする。
論文 参考訳（メタデータ） (2024-04-24T10:03:37Z) - 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) - DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image
Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。
従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。
提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文 参考訳（メタデータ） (2023-12-12T06:07:21Z) - Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。
本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。
本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
論文 参考訳（メタデータ） (2023-03-16T21:06:13Z) - 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) - Attention Based Real Image Restoration [48.933507352496726]
深層畳み込みニューラルネットワークは、合成劣化を含む画像に対してより良い性能を発揮する。
本稿では,新しい1段ブラインド実画像復元ネットワーク(R$2$Net)を提案する。
論文 参考訳（メタデータ） (2020-04-26T04:21:49Z)
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。