論文の概要: HCF: Hierarchical Cascade Framework for Distributed Multi-Stage Image Compression

• arxiv url: http://arxiv.org/abs/2508.02051v1
• Date: Mon, 04 Aug 2025 04:37:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:22.17586
• Title: HCF: Hierarchical Cascade Framework for Distributed Multi-Stage Image Compression
• Title（参考訳）: HCF:分散マルチステージ画像圧縮のための階層型カスケードフレームワーク
• Authors: Junhao Cai, Taegun An, Chengjun Jin, Sung Il Choi, JuHyun Park, Changhee Joo,
• Abstract要約: 階層型カスケードフレームワーク(HCF)は、高速な歪み性能と計算効率の向上を実現するために開発された。 HCFは、ネットワークノード間の直接ラテント空間変換により、高速な歪み性能と計算効率の向上を実現する。
• 参考スコア（独自算出の注目度）: 5.995201755175342
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Distributed multi-stage image compression -- where visual content traverses multiple processing nodes under varying quality requirements -- poses challenges. Progressive methods enable bitstream truncation but underutilize available compute resources; successive compression repeats costly pixel-domain operations and suffers cumulative quality loss and inefficiency; fixed-parameter models lack post-encoding flexibility. In this work, we developed the Hierarchical Cascade Framework (HCF) that achieves high rate-distortion performance and better computational efficiency through direct latent-space transformations across network nodes in distributed multi-stage image compression system. Under HCF, we introduced policy-driven quantization control to optimize rate-distortion trade-offs, and established the edge quantization principle through differential entropy analysis. The configuration based on this principle demonstrates up to 0.6dB PSNR gains over other configurations. When comprehensively evaluated on the Kodak, CLIC, and CLIC2020-mobile datasets, HCF outperforms successive-compression methods by up to 5.56% BD-Rate in PSNR on CLIC, while saving up to 97.8% FLOPs, 96.5% GPU memory, and 90.0% execution time. It also outperforms state-of-the-art progressive compression methods by up to 12.64% BD-Rate on Kodak and enables retraining-free cross-quality adaptation with 7.13-10.87% BD-Rate reductions on CLIC2020-mobile.
• Abstract（参考訳）: ビジュアルコンテンツがさまざまな品質要件の下で複数の処理ノードを横断する分散マルチステージ画像圧縮は、課題を提起する。 逐次圧縮はコストのかかるピクセルドメインの操作を繰り返し、累積的な品質損失と非効率を被り、固定パラメータモデルはエンコーディング後の柔軟性に欠ける。 本研究では,分散マルチステージ画像圧縮システムにおいて,ネットワークノード間の直接遅延空間変換による高速歪み性能と計算効率の向上を実現する階層型カスケードフレームワーク(HCF)を開発した。 HCFの下では、レート歪みトレードオフを最適化するためのポリシー駆動量子化制御を導入し、微分エントロピー解析によりエッジ量子化の原理を確立した。 この原理に基づく構成は、他の構成よりも最大0.6dBのPSNRが向上することを示している。 Kodak、CLIC、CLIC2020モバイルデータセットを総合的に評価すると、HCFは、CLIC上のPSNRにおいて、最大5.56%のBD-Rate、97.8%のFLOP、96.5%のGPUメモリ、90.0%の実行時間で連続圧縮メソッドのパフォーマンスを向上する。 また、コダックで12.64%のBD-Rateで最先端のプログレッシブ圧縮法を上回り、CLIC2020-モバイルで7.13-10.87%のBD-Rate還元でトレーニングなしのクロスクオリティ適応を可能にする。

関連論文リスト

• Higher fidelity perceptual image and video compression with a latent conditioned residual denoising diffusion model [55.2480439325792]
  本稿では,認知品質に最適化されたハイブリッド圧縮方式を提案し,CDCモデルのアプローチをデコーダネットワークで拡張する。 CDCと比較した場合,LPIPSとFIDの知覚スコアを比較検討しながら,最大2dBPSNRの忠実度向上を実現した。
  論文  参考訳（メタデータ） (2025-05-19T14:13:14Z)
• Ultra Lowrate Image Compression with Semantic Residual Coding and Compression-aware Diffusion [28.61304513668606]
  ResULICは残留誘導型超低レート画像圧縮システムである。 残差信号は意味検索と拡散に基づく生成プロセスの両方に組み込む。 最先端拡散法に比べて客観的・主観的性能に優れる。
  論文  参考訳（メタデータ） (2025-05-13T06:51:23Z)
• Multi-Scale Invertible Neural Network for Wide-Range Variable-Rate Learned Image Compression [90.59962443790593]
  本稿では,制限を克服するために,可逆変換に基づく可変レート画像圧縮モデルを提案する。 具体的には、入力画像をマルチスケールの潜在表現にマッピングする、軽量なマルチスケール非可逆ニューラルネットワークを設計する。 実験結果から,提案手法は既存の可変レート法と比較して最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2025-03-27T09:08:39Z)
• CALLIC: Content Adaptive Learning for Lossless Image Compression [64.47244912937204]
  CALLICは、学習したロスレス画像圧縮のための新しい最先端(SOTA)を設定する。 本稿では,畳み込みゲーティング操作を利用したコンテンツ認識型自己回帰自己保持機構を提案する。 エンコーディング中、低ランク行列を用いて深度の畳み込みを含む事前学習層を分解し、レート誘導プログレッシブファインタニング(RPFT)による画像検査にインクリメンタルウェイトを適応させる。 推定エントロピーにより下位順にソートされたパッチを徐々に増加させたRPFTファインチューン,学習過程の最適化,適応時間の短縮を実現した。
  論文  参考訳（メタデータ） (2024-12-23T10:41:18Z)
• Extreme Image Compression using Fine-tuned VQGANs [43.43014096929809]
  本稿ではベクトル量子化(VQ)に基づく生成モデルを画像圧縮領域に導入する。 VQGANモデルによって学習されたコードブックは、強い表現能力をもたらす。 提案したフレームワークは、知覚的品質指向のメトリクスで最先端のコーデックより優れている。
  論文  参考訳（メタデータ） (2023-07-17T06:14:19Z)
• Improving Multi-generation Robustness of Learned Image Compression [16.86614420872084]
  ネットワーク構造を変更せずに50回再符号化しても,BPGの最初の圧縮に匹敵する性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-10-31T03:26:11Z)
• 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)
• Variable-Rate Deep Image Compression through Spatially-Adaptive Feature Transform [58.60004238261117]
  空間特徴変換(SFT arXiv:1804.02815)に基づく多目的深部画像圧縮ネットワークを提案する。 本モデルは,任意の画素単位の品質マップによって制御される単一モデルを用いて,幅広い圧縮速度をカバーしている。 提案するフレームワークにより,様々なタスクに対してタスク対応の画像圧縮を行うことができる。
  論文  参考訳（メタデータ） (2021-08-21T17:30:06Z)
• Towards Compact CNNs via Collaborative Compression [166.86915086497433]
  チャネルプルーニングとテンソル分解を結合してCNNモデルを圧縮する協調圧縮方式を提案する。 52.9%のFLOPを削減し、ResNet-50で48.4%のパラメータを削除しました。
  論文  参考訳（メタデータ） (2021-05-24T12:07:38Z)
• Improved Image Coding Autoencoder With Deep Learning [8.92071749364712]
  自動エンコーダベースのパイプラインを構築し,Ball'eのアプローチに基づく極端エンドツーエンドの画像圧縮を実現する。 ピクセル当たりのビット数は4.0%減少し(bpp)、マルチスケール構造類似度(MS-SSIM)は0.03%増加し、ピーク信号-ノイズ比(PSNR)は0.47%低下した。
  論文  参考訳（メタデータ） (2020-02-28T03:21:47Z)
• An End-to-End Joint Learning Scheme of Image Compression and Quality Enhancement with Improved Entropy Minimization [43.878329556261924]
  画像圧縮と品質向上のための新しい共同学習手法であるJointIQ-Netを提案する。 提案するJointIQ-Netには,画像圧縮サブネットワークと品質向上サブネットワークが組み合わさっていて,どちらもJointIQ-Net内でエンドツーエンドにトレーニングされている。
  論文  参考訳（メタデータ） (2019-12-30T05:10:05Z)

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。