論文の概要: An Overview of the JPEG AI Learning-Based Image Coding Standard

• arxiv url: http://arxiv.org/abs/2510.13867v1
• Date: Mon, 13 Oct 2025 08:44:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.495397
• Title: An Overview of the JPEG AI Learning-Based Image Coding Standard
• Title（参考訳）: JPEG AI学習画像符号化標準の概要
• Authors: Semih Esenlik, Yaojun Wu, Zhaobin Zhang, Ye-Kui Wang, Kai Zhang, Li Zhang, João Ascenso, Shan Liu,
• Abstract要約: JPEG AIは、Joint Photographic Experts Groupが開発した、新たな学習ベースのイメージコーディング標準である。 JPEG AIの最初のバージョンでは、人間の視覚タスクに焦点を当てており、既存の標準に比べてBDレートが大幅に削減されている。
• 参考スコア（独自算出の注目度）: 20.594919652771715
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: JPEG AI is an emerging learning-based image coding standard developed by Joint Photographic Experts Group (JPEG). The scope of the JPEG AI is the creation of a practical learning-based image coding standard offering a single-stream, compact compressed domain representation, targeting both human visualization and machine consumption. Scheduled for completion in early 2025, the first version of JPEG AI focuses on human vision tasks, demonstrating significant BD-rate reductions compared to existing standards, in terms of MS-SSIM, FSIM, VIF, VMAF, PSNR-HVS, IW-SSIM and NLPD quality metrics. Designed to ensure broad interoperability, JPEG AI incorporates various design features to support deployment across diverse devices and applications. This paper provides an overview of the technical features and characteristics of the JPEG AI standard.
• Abstract（参考訳）: JPEG AIは、JPEG(Joint Photographic Experts Group)が開発した、新たな学習ベースの画像コーディング標準である。 JPEG AIのスコープは、人間の可視化とマシン消費の両方をターゲットにした、単一のストリームでコンパクトな圧縮されたドメイン表現を提供する、実用的な学習ベースのイメージコーディング標準の作成である。 2025年初頭に完成予定のJPEG AIの最初のバージョンでは、人間の視覚タスクに重点を置いており、MS-SSIM、FSIM、VIF、VMAF、PSNR-HVS、IW-SSIM、NLPDといった既存の標準と比較して、BDレートが大幅に低下している。 JPEG AIは、幅広い相互運用性を保証するために設計されたもので、さまざまなデバイスやアプリケーションにまたがるデプロイメントをサポートするために、さまざまなデザイン機能を備えている。 本稿ではJPEG AI標準の技術的特徴と特徴について概説する。

関連論文リスト

• Subjective Visual Quality Assessment for High-Fidelity Learning-Based Image Compression [2.296138318128071]
  JPEG AIC-3 手法を用いて,JPEG AI 圧縮画像の包括的主観的品質評価を行う。 強化された3重項比較と平易な3重項比較に基づく統一モデルを用いて,JNDに基づく品質尺度を再構築した。 CVVDPの指標は全体の最高性能を達成したが、CVDPを含むほとんどの指標はJPEG AI圧縮画像の品質予測において過度に楽観的であった。
  論文  参考訳（メタデータ） (2025-04-07T15:16:58Z)
• The JPEG Pleno Learning-based Point Cloud Coding Standard: Serving Man and Machine [49.16996486119006]
  ディープラーニングは、ポイントクラウドコーディングの強力なツールとして登場した。 JPEGは先日、JPEG Pleno LearningベースのPoint Cloud Coding標準を確定した。 本稿ではJPEG PCC標準の完全な技術的記述を提供する。
  論文  参考訳（メタデータ） (2024-09-12T15:20:23Z)
• G-Refine: A General Quality Refiner for Text-to-Image Generation [74.16137826891827]
  G-Refineは,高画質画像の整合性を損なうことなく,低画質画像の高精細化を図った汎用画像精細機である。 このモデルは、知覚品質指標、アライメント品質指標、一般的な品質向上モジュールの3つの相互接続モジュールで構成されている。 大規模な実験により、G-Refine以降のAIGIは、4つのデータベースで10以上の品質指標でパフォーマンスが向上していることが明らかになった。
  論文  参考訳（メタデータ） (2024-04-29T00:54:38Z)
• Towards Flexible Blind JPEG Artifacts Removal [73.46374658847675]
  人工物除去と細部保存のトレードオフを制御するために,適応可能な品質因子を予測できるフレキシブルブラインド畳み込みニューラルネットワーク,すなわちFBCNNを提案する。 提案するFBCNNは,定量的な計測値と視覚的品質の両方の観点から,最先端の手法に対して良好な性能を実現する。
  論文  参考訳（メタデータ） (2021-09-29T17:12:10Z)
• Improving Cost Learning for JPEG Steganography by Exploiting JPEG Domain Knowledge [52.880912557105106]
  JEC-RLはJPEG DCT構造をカスタマイズするように設計されている。 強化学習下での埋め込み動作サンプリング機構で動作する。 JPEGイメージの高度な機能ベースと最新のCNNベースのステガナライザーの両方に対して、優れたセキュリティ性能を実現することができる。
  論文  参考訳（メタデータ） (2021-05-09T08:10:41Z)
• Adapting JPEG XS gains and priorities to tasks and contents [34.99683302788977]
  低複雑さの画像に対する一定の市場要求は、JPEG XSという軽量画像の開発と標準化に繋がった。 本研究では,デスクトップコンテンツにおける視覚的品質の維持や,ニューラルネットワークセグメンテーションタスクの高精度維持など,JPEG XS圧縮が特定のタスクやコンテンツに適用可能であることを示す。
  論文  参考訳（メタデータ） (2020-05-18T14:33:25Z)
• Quantization Guided JPEG Artifact Correction [69.04777875711646]
  我々はJPEGファイル量子化行列を用いたアーティファクト修正のための新しいアーキテクチャを開発した。 これにより、特定の品質設定のためにトレーニングされたモデルに対して、単一のモデルで最先端のパフォーマンスを達成できます。
  論文  参考訳（メタデータ） (2020-04-17T00:10:08Z)

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。