論文の概要: SEEC: Segmentation-Assisted Multi-Entropy Models for Learned Lossless Image Compression

• arxiv url: http://arxiv.org/abs/2509.07704v1
• Date: Tue, 09 Sep 2025 13:10:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.321153
• Title: SEEC: Segmentation-Assisted Multi-Entropy Models for Learned Lossless Image Compression
• Title（参考訳）: SEEC:Segmentation-Assisted Multi-Entropy Models for Learned Lossless Image Compression
• Authors: Chunhang Zheng, Zichang Ren, Dou Li,
• Abstract要約: ロスレス画像圧縮(SEEC)のためのマルチアシストマルチエントロピーモデルを提案する。 本フレームワークはセマンティックセグメンテーションを利用して,複数のエントロピーモデルの選択と適応を導出する。 SEECは、最小のエンコーディングとデコードレイテンシのみを導入しながら、最先端の圧縮比を実現している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, learned image compression has attracted considerable attention due to its superior performance over traditional methods. However, most existing approaches employ a single entropy model to estimate the probability distribution of pixel values across the entire image, which limits their ability to capture the diverse statistical characteristics of different semantic regions. To overcome this limitation, we propose Segmentation-Assisted Multi-Entropy Models for Lossless Image Compression (SEEC). Our framework utilizes semantic segmentation to guide the selection and adaptation of multiple entropy models, enabling more accurate probability distribution estimation for distinct semantic regions. Specifically, SEEC first extracts image features and then applies semantic segmentation to identify different regions, each assigned a specialized entropy model to better capture its unique statistical properties. Finally, a multi-channel discrete logistic mixture likelihood is employed to model the pixel value distributions effectively. Experimental results on benchmark datasets demonstrate that SEEC achieves state-of-the-art compression ratios while introducing only minimal encoding and decoding latency. With superior performance, the proposed model also supports Regions of Interest (ROIs) coding condition on the provided segmentation mask. Our code is available at https://github.com/chunbaobao/SEEC.
• Abstract（参考訳）: 近年,従来の手法よりも優れた画像圧縮技術が注目されている。 しかし、既存のほとんどのアプローチでは、画像全体にわたって画素値の確率分布を推定するために単一のエントロピーモデルを採用しており、異なる意味領域の様々な統計特性を捉える能力を制限する。 この制限を克服するために、ロスレス画像圧縮のためのセグメンテーション支援マルチエントロピーモデル(SEEC)を提案する。 本フレームワークはセマンティックセグメンテーションを利用して,複数のエントロピーモデルの選択と適応を誘導し,異なるセマンティック領域に対するより正確な確率分布推定を可能にする。 特に、SEECはまず画像の特徴を抽出し、異なる領域を識別するためにセマンティックセグメンテーションを適用する。 最後に、画素値分布を効果的にモデル化するために、多チャンネル離散ロジスティック混合の可能性を用いる。 ベンチマークデータセットによる実験結果から,SEECは最小エンコーディングと復号遅延のみを導入しながら,最先端圧縮比を達成することが示された。 また,提案モデルでは,提案したセグメンテーションマスク上でのROI(Rereas of Interest)符号化条件もサポートしている。 私たちのコードはhttps://github.com/chunbaobao/SEEC.comで公開されています。

関連論文リスト

• CriDiff: Criss-cross Injection Diffusion Framework via Generative Pre-train for Prostate Segmentation [60.61972883059688]
  CridiffはCrisscross Injection Strategy(CIS)とGenerative Pre-train(GP)アプローチによる2段階の機能注入フレームワークである。 CISでは,複数レベルのエッジ特徴と非エッジ特徴を効果的に学習するために,並列コンディショナーを2つ提案した。 GPアプローチは、追加パラメータを追加することなく、画像特徴と拡散モデルとの矛盾を緩和する。
  論文  参考訳（メタデータ） (2024-06-20T10:46:50Z)
• Probabilistic Deep Metric Learning for Hyperspectral Image Classification [91.5747859691553]
  本稿では,ハイパースペクトル画像分類のための確率論的深度学習フレームワークを提案する。 ハイパースペクトルセンサーが捉えた画像に対して、各ピクセルのカテゴリを予測することを目的としている。 我々のフレームワークは、既存のハイパースペクトル画像分類法に容易に適用できる。
  論文  参考訳（メタデータ） (2022-11-15T17:57:12Z)
• MLIC: Multi-Reference Entropy Model for Learned Image Compression [28.63380127598021]
  本稿では,マルチ参照エントロピーモデル(MEM)と高度なバージョンであるMEM$+$を提案する。 MEM と MEM$+$ に基づいて,画像圧縮モデル MLIC と MLIC$+$ を提案する。 我々のMLICとMLIC$+$モデルは最先端のパフォーマンスを実現し、PSNRで測定されたVTM-17.0と比較して、KodakデータセットのBDレートを8.05%、11.39%削減した。
  論文  参考訳（メタデータ） (2022-11-14T11:07:18Z)
• Semantic Image Synthesis via Diffusion Models [174.24523061460704]
  Denoising Diffusion Probabilistic Models (DDPM) は様々な画像生成タスクにおいて顕著な成功を収めた。 セマンティック画像合成に関する最近の研究は、主に事実上のGANベースのアプローチに従っている。 意味画像合成のためのDDPMに基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-30T18:31:51Z)
• Learned Image Compression with Gaussian-Laplacian-Logistic Mixture Model and Concatenated Residual Modules [22.818632387206257]
  学習画像圧縮の2つの重要な要素は、潜在表現のエントロピーモデルと符号化/復号化ネットワークアーキテクチャである。 本稿では,よりフレキシブルなガウス・ラプラシア・ロジスティック混合モデル(GLLMM)を提案する。 符号化/復号化ネットワーク設計部では、複数の残差ブロックを追加のショートカット接続で直列接続する残差ブロック(CRB)を提案する。
  論文  参考訳（メタデータ） (2021-07-14T02:54:22Z)
• A Feature Fusion-Net Using Deep Spatial Context Encoder and Nonstationary Joint Statistical Model for High Resolution SAR Image Classification [10.152675581771113]
  HR SAR画像に対して, エンドツーエンドの教師付き分類法を提案する。 より効果的な空間特徴を抽出するために,新しい深部空間コンテキストエンコーダネットワーク(DSCEN)を提案する。 統計の多様性を高めるため、非定常連成統計モデル(NS-JSM)が採用され、グローバルな統計特性を形成する。
  論文  参考訳（メタデータ） (2021-05-11T06:20:14Z)
• PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and Localization [64.39761523935613]
  本稿では,画像中の異常を同時検出・ローカライズするPatch Distribution Modeling, PaDiMを提案する。 PaDiMは、パッチの埋め込みに事前訓練された畳み込みニューラルネットワーク(CNN)を使用している。 また、CNNの異なるセマンティックレベル間の相関を利用して、異常のローカライズも改善している。
  論文  参考訳（メタデータ） (2020-11-17T17:29:18Z)
• Prototype Mixture Models for Few-shot Semantic Segmentation [50.866870384596446]
  サポートやクエリ画像内のオブジェクトが外観やポーズで大きく異なる可能性があるため、ショットのセグメンテーションは難しい。 プロトタイプベースセマンティック表現を強制するために,多種多様な画像領域と複数のプロトタイプとの相関関係を持つプロトタイプ混合モデル(PMMs)を提案する。 PMMはMS-COCOの5ショットセグメンテーション性能を最大5.82%改善し、モデルサイズと推論速度の適度なコストに留まった。
  論文  参考訳（メタデータ） (2020-08-10T04:33:17Z)

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。