論文の概要: JPEG Processing Neural Operator for Backward-Compatible Coding

• arxiv url: http://arxiv.org/abs/2507.23521v1
• Date: Thu, 31 Jul 2025 13:04:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-01 17:19:09.807207
• Title: JPEG Processing Neural Operator for Backward-Compatible Coding
• Title（参考訳）: 後方対応型符号化のためのJPEG処理ニューラル演算子
• Authors: Woo Kyoung Han, Yongjun Lee, Byeonghun Lee, Sang Hyun Park, Sunghoon Im, Kyong Hwan Jin,
• Abstract要約: 本稿では,現在のJPEGフォーマットとの完全な後方互換性を維持する次世代JPEGアルゴリズムを提案する。 JPNeOはクロマ成分の保存性を向上し,既存のアーティファクト除去法と比較して復元精度を向上させる。
• 参考スコア（独自算出の注目度）: 17.84579881687547
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Despite significant advances in learning-based lossy compression algorithms, standardizing codecs remains a critical challenge. In this paper, we present the JPEG Processing Neural Operator (JPNeO), a next-generation JPEG algorithm that maintains full backward compatibility with the current JPEG format. Our JPNeO improves chroma component preservation and enhances reconstruction fidelity compared to existing artifact removal methods by incorporating neural operators in both the encoding and decoding stages. JPNeO achieves practical benefits in terms of reduced memory usage and parameter count. We further validate our hypothesis about the existence of a space with high mutual information through empirical evidence. In summary, the JPNeO functions as a high-performance out-of-the-box image compression pipeline without changing source coding's protocol. Our source code is available at https://github.com/WooKyoungHan/JPNeO.
• Abstract（参考訳）: 学習ベースの損失圧縮アルゴリズムの大幅な進歩にもかかわらず、コーデックの標準化は依然として重要な課題である。 本稿では,現在のJPEGフォーマットとの完全な後方互換性を維持する次世代JPEGアルゴリズムであるJPEG Processing Neural Operator(JPNeO)を提案する。 JPNeOは, 符号化および復号段階にニューラル演算子を組み込むことにより, 既存のアーティファクト除去法と比較して, クロマ成分の保存性を向上し, 再現性を向上させる。 JPNeOは、メモリ使用量とパラメータカウントの削減の観点から、実用的なメリットを実現している。 経験的証拠を通じて高い相互情報を持つ空間の存在についての仮説をさらに検証する。 要約すると、JPNeOは、ソースコーディングのプロトコルを変更することなく、高性能なアウトオブザボックス画像圧縮パイプラインとして機能する。 ソースコードはhttps://github.com/WooKyoungHan/JPNeO.comで公開されています。

関連論文リスト

• Pathology Image Compression with Pre-trained Autoencoders [52.208181380986524]
  デジタル病理学における全スライド画像は、記憶、伝達、計算効率の面で大きな課題をもたらす。 JPEGのような標準的な圧縮手法はファイルサイズを小さくするが、下流のタスクに不可欠な微細な表現型の詳細を保存できない。 本研究では,遅延拡散モデル用に設計されたオートエンコーダ(AE)を,病理画像の効率的な学習圧縮フレームワークとして再利用する。
  論文  参考訳（メタデータ） (2025-03-14T17:01:17Z)
• JDEC: JPEG Decoding via Enhanced Continuous Cosine Coefficients [17.437568540883106]
  本稿では,コサインの連続的定式化による局所的暗黙的ニューラル表現を用いたJPEG画像デコーディングの実践的手法を提案する。 提案するネットワークは,フレキシブルカラー画像JPEGアーティファクト削除タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-04-03T03:28:04Z)
• Learned Lossless Compression for JPEG via Frequency-Domain Prediction [50.20577108662153]
  JPEG画像のロスレス圧縮を学習するための新しいフレームワークを提案する。 周波数領域での学習を可能にするために、DCT係数は暗黙の局所冗長性を利用するためにグループに分割される。 グループ化されたDCT係数のエントロピーモデリングを実現するために、重み付きブロックに基づいてオートエンコーダのようなアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2023-03-05T13:15:28Z)
• Learned Lossless JPEG Transcoding via Joint Lossy and Residual Compression [21.205453851414248]
  DCT領域の圧縮JPEG画像を圧縮する新しいフレームワークを提案する。 提案するフレームワークはJPEG圧縮に基づいて,平均21.49%の節約を達成できる。 複数のデータセットに対する実験により,提案するフレームワークはJPEG圧縮に基づいて,平均で約21.49%の節約が可能であることを実証した。
  論文  参考訳（メタデータ） (2022-08-24T17:12:00Z)
• 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)
• 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)
• Learning to Improve Image Compression without Changing the Standard Decoder [100.32492297717056]
  本稿では,標準デコーダによる符号化性能向上のための学習法を提案する。 具体的には、DCT係数の分布を最適化する周波数領域事前編集法を提案する。 JPEGデコーダは変更しないので、広く使われている標準JPEGデコーダで画像を見る際には、我々のアプローチが適用可能である。
  論文  参考訳（メタデータ） (2020-09-27T19:24:42Z)
• End-to-End JPEG Decoding and Artifacts Suppression Using Heterogeneous Residual Convolutional Neural Network [0.0]
  既存のディープラーニングモデルは、デコードプロトコルからJPEGアーティファクトを独立したタスクとして分離する。 我々は、スペクトル分解とヘテロジニアス再構成機構を備えた真のエンド・ツー・エンドヘテロジニアス残畳み込みニューラルネットワーク(HR-CNN)を設計する。
  論文  参考訳（メタデータ） (2020-07-01T17:44:00Z)
• Learning Better Lossless Compression Using Lossy Compression [100.50156325096611]
  我々は、ロスレス画像圧縮システムを構築するために、強力なロスレス画像圧縮アルゴリズムであるBPGを利用する。 我々は,BPG再構成を条件とした畳み込みニューラルネットワークに基づく確率モデルを用いて,残差分布をモデル化する。 そして、この画像は、BPGが生成したビットストリームと学習した残留コーダの連結を用いて保存される。
  論文  参考訳（メタデータ） (2020-03-23T11:21:52Z)

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。