論文の概要: Security and Real-time FPGA integration for Learned Image Compression

• arxiv url: http://arxiv.org/abs/2503.04867v1
• Date: Thu, 06 Mar 2025 12:33:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-10 12:19:51.784665
• Title: Security and Real-time FPGA integration for Learned Image Compression
• Title（参考訳）: 学習画像圧縮のためのセキュリティとリアルタイムFPGA統合
• Authors: Alaa Mazouz, Carl De Sousa Tria, Sumanta Chaudhuri, Attilio Fiandrotti, Marco Cagnanzzo, Mihai Mitrea, Enzo Tartaglione,
• Abstract要約: Learnable Image Compression (lic) は、圧縮効率において、標準化されたビデオコーデックよりも優れていることが証明されている。 本研究は、ハードウェア上でlicモデルをトレーニング、セキュリティ、デプロイするための統合ワークフローとプラットフォームを提供することによって、これらの課題に対処する。 本稿では,量子化時にモデルに透かしを施す新しいQAW手法を提案する。
• 参考スコア（独自算出の注目度）: 8.824600702288848
• License:
• Abstract: Learnable Image Compression (LIC) has proven capable of outperforming standardized video codecs in compression efficiency. However, achieving both real-time and secure LIC operations on hardware presents significant conceptual and methodological challenges. The present work addresses these challenges by providing an integrated workflow and platform for training, securing, and deploying LIC models on hardware. To this end, a hardware-friendly LIC model is obtained by iteratively pruning and quantizing the model within a standard end-to-end learning framework. Notably, we introduce a novel Quantization-Aware Watermarking (QAW) technique, where the model is watermarked during quantization using a join loss function, ensuring robust security without compromising model performance. The watermarked weights are then public-key encrypted, guaranteeing both content protection and user traceability. Experimental results across different FPGA platforms evaluate real-time performance, latency, energy consumption, and compression efficiency, highlighting that the watermarking and encryption processes maintain negligible impact on compression efficiency (average of -0.4 PSNR) and energy consumption (average of +2%), while still meeting real-time constraints and preserving security properties.
• Abstract（参考訳）: Learnable Image Compression (lic) は、圧縮効率において、標準化されたビデオコーデックよりも優れていることが証明されている。 しかし,ハードウェア上でのリアルタイムかつセキュアなlic操作の実現は,概念的かつ方法論的な課題を生じさせる。 本研究は、ハードウェア上でlicモデルをトレーニング、セキュリティ、デプロイするための統合ワークフローとプラットフォームを提供することによって、これらの課題に対処する。 この目的のために、ハードウェアフレンドリーなlicモデルは、標準のエンドツーエンド学習フレームワーク内でモデルを反復的にプルーニングし、定量化する。 特に,結合損失関数を用いた量子化時にモデルを透かし,モデル性能を損なうことなく堅牢なセキュリティを確保するQAW(Quantization-Aware Watermarking)技術を導入する。 透かし付きウェイトは公開鍵で暗号化され、コンテンツ保護とユーザトレーサビリティの両方が保証される。 FPGAプラットフォーム間の実験結果は、リアルタイム性能、レイテンシ、エネルギー消費、圧縮効率を評価し、ウォーターマークと暗号化プロセスが圧縮効率(平均-0.4 PSNR)とエネルギー消費(平均+2%)に無視できる影響を保ちながら、リアルタイムの制約を満たし、セキュリティ特性を保存することを強調した。

関連論文リスト

• Large Language Models for Lossless Image Compression: Next-Pixel Prediction in Language Space is All You Need [53.584140947828004]
  前例のないインテリジェンスを持つ言語大モデル(LLM)は、様々なデータモダリティのための汎用ロスレス圧縮機である。 P$2$-LLMは,様々な入念な洞察と方法論を統合した次世代の予測型LLMである。 ベンチマークデータセットの実験では、P$2$-LLMがSOTAの古典的および学習的コーデックに勝ることを示した。
  論文  参考訳（メタデータ） (2024-11-19T12:15:40Z)
• Design and Prototype of a Unified Framework for Error-robust Compression and Encryption in IoT [8.081144369967793]
  IoT(Internet of Things)は、データ取得にリソース制約のあるデバイスに依存している。 データ圧縮と機密性はしばしばこれらの装置のエネルギー効率を欠いている。 我々は,圧縮,秘密保持,エラー回復を組み合わせたEMCRUST方式を開発した。
  論文  参考訳（メタデータ） (2024-10-18T12:00:06Z)
• LoRC: Low-Rank Compression for LLMs KV Cache with a Progressive Compression Strategy [59.1298692559785]
  キーバリュー(KV)キャッシュは、トランスフォーマーベースの自己回帰型大言語モデル(LLM)を提供する上で重要なコンポーネントである。 この問題を緩和するためのアプローチとしては、(1) アップサイクルステージに統合された効率的な注意変動、(2) テスト時のKVキャッシュ圧縮、(3) テスト時のKVキャッシュ圧縮がある。 そこで我々は,KV重み行列の低ランク近似を提案し,モデル再学習なしに既存のトランスフォーマーベースLCMとのプラグイン統合を実現する。 本手法は,テスト段階におけるアップサイクリング段階のモデルチューニングやタスク固有のプロファイリングを伴わずに機能するように設計されている。
  論文  参考訳（メタデータ） (2024-10-04T03:10:53Z)
• Compressing Recurrent Neural Networks for FPGA-accelerated Implementation in Fluorescence Lifetime Imaging [3.502427552446068]
  ディープラーニングモデルはリアルタイム推論を可能にするが、複雑なアーキテクチャと大規模な行列演算のために計算的に要求される。 これにより、フィールドプログラマブルゲートアレイ(FPGA)ベースのカメラハードウェアの直接実装に不適なDLモデルが得られる。 本研究では,FLI時系列データ処理に適したリカレントニューラルネットワーク(RNN)の圧縮に着目し,資源制約付きFPGAボードへの展開を実現する。
  論文  参考訳（メタデータ） (2024-10-01T17:23:26Z)
• CIC: Circular Image Compression [2.079863206645103]
  閉ループ符号化とデコード要素を用いた円形画像圧縮(CIC)手法を提案する。 提案したCICは非線形ループ方程式を確立し、再構成された画像と元の画像の定常誤差がタラー級数展開によってゼロに近いことを証明した。 5つの公開画像圧縮データセットの実験結果から、提案したCICは、復元能力において、最先端のSICアルゴリズムと競合する5つのオープンソースアルゴリズムより優れていることが示された。
  論文  参考訳（メタデータ） (2024-07-18T13:53:51Z)
• Safe and Robust Watermark Injection with a Single OoD Image [90.71804273115585]
  高性能なディープニューラルネットワークをトレーニングするには、大量のデータと計算リソースが必要である。 安全で堅牢なバックドア型透かし注入法を提案する。 我々は,透かし注入時のモデルパラメータのランダムな摂動を誘導し,一般的な透かし除去攻撃に対する防御を行う。
  論文  参考訳（メタデータ） (2023-09-04T19:58:35Z)
• Learning Accurate Performance Predictors for Ultrafast Automated Model Compression [86.22294249097203]
  フレキシブルネットワーク展開のための超高速自動モデル圧縮フレームワークSeerNetを提案する。 本手法は,探索コストを大幅に削減した競合精度・複雑度トレードオフを実現する。
  論文  参考訳（メタデータ） (2023-04-13T10:52:49Z)
• High-Fidelity Variable-Rate Image Compression via Invertible Activation Transformation [24.379052026260034]
  Invertible Activation Transformation (IAT) モジュールを提案する。 IATとQLevelは、画像圧縮モデルに、画像の忠実さを良く保ちながら、細かな可変レート制御能力を与える。 提案手法は,特に複数再符号化後に,最先端の可変レート画像圧縮法よりも大きなマージンで性能を向上する。
  論文  参考訳（メタデータ） (2022-09-12T07:14:07Z)
• 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)
• Identity Preserving Loss for Learned Image Compression [0.0]
  本研究は,高圧縮率を実現するために,ドメイン固有の特徴を学習するエンドツーエンド画像圧縮フレームワークを提案する。 本稿では,CRF-23 HEVC圧縮の38%と42%のビット・パー・ピクセル(BPP)値が得られる新しいID保存再構成(IPR)ロス関数を提案する。 CRF-23 HEVC圧縮の38%の低いBPP値を保ちながら、未確認の認識モデルを用いてLFWデータセットの at-par 認識性能を示す。
  論文  参考訳（メタデータ） (2022-04-22T18:01:01Z)
• Towards Robust Data Hiding Against (JPEG) Compression: A Pseudo-Differentiable Deep Learning Approach [78.05383266222285]
  これらの圧縮に対抗できるデータ隠蔽の目標を達成することは、依然としてオープンな課題である。 ディープラーニングはデータの隠蔽に大きな成功を収めていますが、JPEGの非差別化性は、損失のある圧縮に対する堅牢性を改善するための深いパイプラインのトレーニングを困難にしています。 本稿では,上記の制約をすべて一度に解決するための,単純かつ効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2020-12-30T12:30:09Z)

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。