論文の概要: Generalized Gaussian Entropy Model for Point Cloud Attribute Compression with Dynamic Likelihood Intervals

• arxiv url: http://arxiv.org/abs/2506.09510v1
• Date: Wed, 11 Jun 2025 08:34:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:02.757227
• Title: Generalized Gaussian Entropy Model for Point Cloud Attribute Compression with Dynamic Likelihood Intervals
• Title（参考訳）: 動的類似区間を持つ点クラウド属性圧縮に対する一般化ガウスエントロピーモデル
• Authors: Changhao Peng, Yuqi Ye, Wei Gao,
• Abstract要約: ニューラルネットワークが現在の方法で推定するエントロピーパラメータは、より正確な確率推定に利用できる。 平均誤差判別器 (MED) を提案し, エントロピーパラメータ推定が正確かどうかを判定し, 順列間隔を動的に調整する。 実験により,本手法は3つのVAEモデル上での速度歪み(RD)性能を著しく向上することが示された。
• 参考スコア（独自算出の注目度）: 4.230780744307392
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gaussian and Laplacian entropy models are proved effective in learned point cloud attribute compression, as they assist in arithmetic coding of latents. However, we demonstrate through experiments that there is still unutilized information in entropy parameters estimated by neural networks in current methods, which can be used for more accurate probability estimation. Thus we introduce generalized Gaussian entropy model, which controls the tail shape through shape parameter to more accurately estimate the probability of latents. Meanwhile, to the best of our knowledge, existing methods use fixed likelihood intervals for each integer during arithmetic coding, which limits model performance. We propose Mean Error Discriminator (MED) to determine whether the entropy parameter estimation is accurate and then dynamically adjust likelihood intervals. Experiments show that our method significantly improves rate-distortion (RD) performance on three VAE-based models for point cloud attribute compression, and our method can be applied to other compression tasks, such as image and video compression.
• Abstract（参考訳）: ガウスエントロピーモデルとラプラシアエントロピーモデルは、学習点の雲の属性圧縮において有効であることが証明されている。 しかし、実験を通して、ニューラルネットワークが推定するエントロピーパラメータには、より正確な確率推定に使用できる未利用情報が存在することを示した。 そこで, 一般化されたガウスエントロピーモデルを導入し, 形状パラメータを通して尾の形状を制御し, 潜伏者の確率をより正確に推定する。 一方、我々の知る限りでは、既存の手法では算術符号中に各整数に対して一定間隔を使い、モデル性能を制限している。 平均誤差判別器 (MED) を提案し, エントロピーパラメータ推定が正確かどうかを判定し, 順列間隔を動的に調整する。 実験により,本手法は点クラウド属性圧縮のための3つのVAEモデル上でのレート歪み(RD)性能を著しく向上し,画像やビデオ圧縮などの他の圧縮タスクにも適用可能であることが示された。

関連論文リスト

• Multi-fidelity Parameter Estimation Using Conditional Diffusion Models [6.934199382834925]
  複素系におけるパラメータ推定の不確実性定量化のための多要素法を提案する。 対象条件分布のサンプル化のために,条件生成モデルを訓練した。 提案手法の有効性をいくつかの数値例で示す。
  論文  参考訳（メタデータ） (2025-04-02T16:54:47Z)
• Conditionally-Conjugate Gaussian Process Factor Analysis for Spike Count Data via Data Augmentation [8.114880112033644]
  近年、GPFAはスパイクカウントデータをモデル化するために拡張されている。 本稿では,解析的および計算的抽出可能な推論が可能な条件共役型ガウス過程因子解析(ccGPFA)を提案する。
  論文  参考訳（メタデータ） (2024-05-19T21:53:36Z)
• Data-driven Modeling and Inference for Bayesian Gaussian Process ODEs via Double Normalizing Flows [28.62579476863723]
  本稿では,ODEベクトル場を再パラメータ化するために正規化フローを導入し,データ駆動の事前分布を導出する。 また, GP ODE の後部推定に正規化フローを適用し, 強平均場仮定の問題を解く。 シミュレーション力学系と実世界の人間の動作データに対するアプローチの有効性を検証した。
  論文  参考訳（メタデータ） (2023-09-17T09:28:47Z)
• Dynamic Kernel-Based Adaptive Spatial Aggregation for Learned Image Compression [63.56922682378755]
  本稿では,空間アグリゲーション機能の拡張に焦点をあて,動的カーネルベースの変換符号化を提案する。 提案したアダプティブアグリゲーションはカーネルオフセットを生成し、コンテント条件付き範囲の有効な情報をキャプチャして変換を支援する。 実験により,本手法は,最先端の学習手法と比較して,3つのベンチマークにおいて高い速度歪み性能が得られることを示した。
  論文  参考訳（メタデータ） (2023-08-17T01:34:51Z)
• Score-based Diffusion Models in Function Space [137.70916238028306]
  拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。 この研究は、関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)と呼ばれる数学的に厳密なフレームワークを導入する。 データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
  論文  参考訳（メタデータ） (2023-02-14T23:50:53Z)
• A Model for Multi-View Residual Covariances based on Perspective Deformation [88.21738020902411]
  マルチビューSfM, オードメトリ, SLAMセットアップにおける視覚的残差の共分散モデルの導出を行う。 我々は、合成データと実データを用いてモデルを検証し、それを光度および特徴量に基づくバンドル調整に統合する。
  論文  参考訳（メタデータ） (2022-02-01T21:21:56Z)
• SODEN: A Scalable Continuous-Time Survival Model through Ordinary Differential Equation Networks [14.564168076456822]
  本稿では、ニューラルネットワークとスケーラブルな最適化アルゴリズムを用いた生存分析のためのフレキシブルモデルを提案する。 提案手法の有効性を,既存の最先端ディープラーニングサバイバル分析モデルと比較した。
  論文  参考訳（メタデータ） (2020-08-19T19:11:25Z)
• SLEIPNIR: Deterministic and Provably Accurate Feature Expansion for Gaussian Process Regression with Derivatives [86.01677297601624]
  本稿では,2次フーリエ特徴に基づく導関数によるGP回帰のスケーリング手法を提案する。 我々は、近似されたカーネルと近似された後部の両方に適用される決定論的、非漸近的、指数関数的に高速な崩壊誤差境界を証明した。
  論文  参考訳（メタデータ） (2020-03-05T14:33:20Z)
• Variational Bayesian Quantization [31.999462074510305]
  訓練されたモデルにおける連続潜伏表現の定量化のための新しいアルゴリズムを提案する。 固定量子化スキームにモデルを組み込む現在のエンドツーエンドのニューラル圧縮法とは異なり、我々のアルゴリズムはモデル設計とトレーニングを量子化から分離する。 我々のアルゴリズムは連続領域への算術符号の新たな拡張と見なすことができる。
  論文  参考訳（メタデータ） (2020-02-18T00:15:37Z)

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。