論文の概要: Codebook-Based Adaptive Feature Compression With Semantic Enhancement for Edge-Cloud Systems

• arxiv url: http://arxiv.org/abs/2509.18481v1
• Date: Tue, 23 Sep 2025 00:34:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.617749
• Title: Codebook-Based Adaptive Feature Compression With Semantic Enhancement for Edge-Cloud Systems
• Title（参考訳）: エッジクラウドシステムのセマンティックエンハンスメントによるコードブックに基づく適応型特徴圧縮
• Authors: Xinyu Wang, Zikun Zhou, Yingjian Li, Xin An, Hongpeng Wang,
• Abstract要約: CAFC-SEは、セマンティックエンハンスメントを備えたコードブックベースのAdaptive Feature Compressionフレームワークである。 連続した視覚的特徴を、Vector Quantization (VQ)を介してエッジのコードブックで離散的なインデックスにマッピングし、それをクラウドに選択的に送信する。 最寄りの視覚的プリミティブに特徴ベクトルを投影するVQ操作により、低ビットレート条件下でより情報的な視覚的パターンを保存できる。
• 参考スコア（独自算出の注目度）: 20.88178006915217
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coding images for machines with minimal bitrate and strong analysis performance is key to effective edge-cloud systems. Several approaches deploy an image codec and perform analysis on the reconstructed image. Other methods compress intermediate features using entropy models and subsequently perform analysis on the decoded features. Nevertheless, these methods both perform poorly under low-bitrate conditions, as they retain many redundant details or learn over-concentrated symbol distributions. In this paper, we propose a Codebook-based Adaptive Feature Compression framework with Semantic Enhancement, named CAFC-SE. It maps continuous visual features to discrete indices with a codebook at the edge via Vector Quantization (VQ) and selectively transmits them to the cloud. The VQ operation that projects feature vectors onto the nearest visual primitives enables us to preserve more informative visual patterns under low-bitrate conditions. Hence, CAFC-SE is less vulnerable to low-bitrate conditions. Extensive experiments demonstrate the superiority of our method in terms of rate and accuracy.
• Abstract（参考訳）: 最小ビットレートと強力な解析性能を持つマシンのための画像の符号化は、エッジクラウドシステムにとって鍵となる。 いくつかのアプローチでは、イメージコーデックをデプロイし、再構成されたイメージの分析を行う。 他の方法ではエントロピーモデルを用いて中間特徴を圧縮し、デコードされた特徴について解析を行う。 しかし、これらの手法は、多くの冗長な詳細を保持するか、過度に集中したシンボル分布を学ぶため、低ビットレート条件下では性能が良くない。 本稿では,CAFC-SEというセマンティック・エンハンスメントを用いたコードブックベースの適応特徴圧縮フレームワークを提案する。 連続した視覚的特徴を、Vector Quantization (VQ)を介してエッジのコードブックで離散的なインデックスにマッピングし、それをクラウドに選択的に送信する。 最寄りの視覚的プリミティブに特徴ベクトルを投影するVQ操作により、低ビットレート条件下でより情報的な視覚的パターンを保存できる。 そのため、CAFC-SEは低ビット状態に弱い。 実験により,本手法の精度,速度,精度の面での優位性を実証した。

関連論文リスト

• Re-Densification Meets Cross-Scale Propagation: Real-Time Compression of LiDAR Point Clouds [84.36825469211375]
  LiDARポイントクラウドは、様々なアプリケーションに基本的だが、高精度スキャンは、かなりのストレージと送信オーバーヘッドを発生させる。 既存の手法では、非順序の点を階層的なオクツリーやボクセル構造に変換して、密度から疎い予測符号化を行うのが一般的である。 筆者らのフレームワークは2つの軽量モジュールから構成されている。まず、Geometry Re-Densification Moduleがエンコードされたスパース幾何を再認識し、より密なスケールで特徴を抽出し、予測符号化のための特徴を再分離する。
  論文  参考訳（メタデータ） (2025-08-28T06:36:10Z)
• CIVQLLIE: Causal Intervention with Vector Quantization for Low-Light Image Enhancement [5.948286668586509]
  現在の低照度画像強調法は重大な課題に直面している。 CIVQLLIEは、因果推論による離散表現学習のパワーを活用する新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-08-05T11:36:39Z)
• 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)
• Scalable Image Tokenization with Index Backpropagation Quantization [74.15447383432262]
  インデックスバックプロパゲーション量子化(IBQ)は、すべてのコードブック埋め込みとビジュアルエンコーダの共同最適化のための新しいVQ手法である。 IBQは、ビジュアルトークンのスケーラブルなトレーニングを可能にし、初めて、高次元(256ドル)で高利用率の大規模コードブックを実現する。
  論文  参考訳（メタデータ） (2024-12-03T18:59:10Z)
• Once-for-All: Controllable Generative Image Compression with Dynamic Granularity Adaptation [52.82508784748278]
  本稿では,制御生成画像圧縮フレームワークである制御-GICを提案する。 制御-GICは、高忠実度と一般性圧縮を確保しつつ、広帯域での微粒化適応を可能にする。 実験により,制御-GICは高い柔軟かつ制御可能な適応を可能にし,その結果が最近の最先端手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-06-02T14:22:09Z)
• Soft Convex Quantization: Revisiting Vector Quantization with Convex Optimization [40.1651740183975]
  ベクトル量子化(VQ)の直接代用として,ソフト凸量子化(SCQ)を提案する。 SCQは微分凸最適化(DCO)層のように機能する。 CIFAR-10, GTSRB, LSUNデータセット上での有効性を示す。
  論文  参考訳（メタデータ） (2023-10-04T17:45:14Z)
• 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)
• Vector Quantized Wasserstein Auto-Encoder [57.29764749855623]
  生成的視点から深層離散表現を学習する。 我々は,コードワード列上の離散分布を付与し,コードワード列上の分布をデータ分布に伝達する決定論的デコーダを学習する。 WS 距離のクラスタリングの観点と結びつけて,より優れた,より制御可能なクラスタリングソリューションを実現するための,さらなる理論を開発しています。
  論文  参考訳（メタデータ） (2023-02-12T13:51:36Z)

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。