論文の概要: Learned Image Compression for Earth Observation: Implications for Downstream Segmentation Tasks

• arxiv url: http://arxiv.org/abs/2512.01788v1
• Date: Mon, 01 Dec 2025 15:27:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.923939
• Title: Learned Image Compression for Earth Observation: Implications for Downstream Segmentation Tasks
• Title（参考訳）: 地球観測のための学習画像圧縮:下流セグメンテーションにおける意味
• Authors: Christian Mollière, Iker Cumplido, Marco Zeulner, Lukas Liesenhoff, Matthias Schubert, Julia Gottfriedsen,
• Abstract要約: データ量を削減するためのタスク固有学習圧縮アルゴリズムの可能性を評価する。 圧縮学習はJPEG 2000よりも大規模で多チャンネルの光学画像に優れる。 従来のコーデックは、より小さな単一チャネルの熱赤外データセットで競争力を維持している。
• 参考スコア（独自算出の注目度）: 2.048356018298881
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid growth of data from satellite-based Earth observation (EO) systems poses significant challenges in data transmission and storage. We evaluate the potential of task-specific learned compression algorithms in this context to reduce data volumes while retaining crucial information. In detail, we compare traditional compression (JPEG 2000) versus a learned compression approach (Discretized Mixed Gaussian Likelihood) on three EO segmentation tasks: Fire, cloud, and building detection. Learned compression notably outperforms JPEG 2000 for large-scale, multi-channel optical imagery in both reconstruction quality (PSNR) and segmentation accuracy. However, traditional codecs remain competitive on smaller, single-channel thermal infrared datasets due to limited data and architectural constraints. Additionally, joint end-to-end optimization of compression and segmentation models does not improve performance over standalone optimization.
• Abstract（参考訳）: 衛星ベースの地球観測(EO)システムからのデータの急速な成長は、データ転送と保存に大きな課題をもたらす。 この文脈におけるタスク固有の学習圧縮アルゴリズムの可能性を評価し,重要な情報を保持しながらデータ量を削減する。 詳細は、従来の圧縮(JPEG 2000)と学習された圧縮アプローチ(Discretized Mixed Gaussian Likelihood)の3つのEOセグメンテーションタスク(ファイア、クラウド、ビルディング検出)を比較します。 圧縮学習は、PSNR(Restruction Quality)とセグメンテーション精度の両方において、JPEG 2000より大規模で多チャンネルの光学画像に優れる。 しかし、従来のコーデックは、限られたデータとアーキテクチャ上の制約のため、より小さな単一チャネルの熱赤外データセットに競合するままである。 さらに、圧縮モデルとセグメントモデルのエンドツーエンドの合同最適化は、スタンドアロンの最適化よりも性能を向上しない。

関連論文リスト

• SANR: Scene-Aware Neural Representation for Light Field Image Compression with Rate-Distortion Optimization [54.184486302645716]
  エンドツーエンドの速度歪みを最適化した光場画像圧縮のためのScene-Aware Neural Representationフレームワークを提案する。 シーン認識のために,SANRは階層的なシーンモデリングブロックを導入している。 実験の結果,SANRはHEVCに対する65.62%のBD節減率で,変形率に関する最先端技術よりも有意に優れていた。
  論文  参考訳（メタデータ） (2025-10-17T16:00:43Z)
• COLI: A Hierarchical Efficient Compressor for Large Images [18.697445453003983]
  Inlicit Neural Representations (INR)は、空間座標から個々の画像のピクセル強度への連続的なマッピングを学習することで、有望な代替手段を提供する。 我々は、NeRV(Neural Representations for Videos)を利用した新しいフレームワークであるCOLI(Compressor for Large Images)を紹介する。 また,COLIは,最大4倍のNRVトレーニングをしながら,PSNRとSSIMの競合や優れた測定値を,ピクセル当たりのビット数(bpp)で連続的に達成することを示した。
  論文  参考訳（メタデータ） (2025-07-15T16:07:07Z)
• 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)
• Large Language Models for Lossless Image Compression: Next-Pixel Prediction in Language Space is All You Need [53.584140947828004]
  前例のないインテリジェンスを持つ言語大モデル(LLM)は、様々なデータモダリティのための汎用ロスレス圧縮機である。 P$2$-LLMは,様々な入念な洞察と方法論を統合した次世代の予測型LLMである。 ベンチマークデータセットの実験では、P$2$-LLMがSOTAの古典的および学習的コーデックに勝ることを示した。
  論文  参考訳（メタデータ） (2024-11-19T12:15:40Z)
• Convolutional variational autoencoders for secure lossy image compression in remote sensing [47.75904906342974]
  本研究では,畳み込み変分オートエンコーダ(CVAE)に基づく画像圧縮について検討する。 CVAEは、JPEG2000のような従来の圧縮手法を圧縮ベンチマークデータセットのかなりのマージンで上回ることが示されている。
  論文  参考訳（メタデータ） (2024-04-03T15:17:29Z)
• Neural-based Compression Scheme for Solar Image Data [8.374518151411612]
  我々は、NASAのデータ集約画像ミッションで使用されるニューラルネットワークに基づく損失圧縮手法を提案する。 本研究では,画像の局所構造と大域構造の両方を捉えるために,局所的および非局所的アテンションモジュールを備えた逆トレーニングニューラルネットワークを提案する。 このアルゴリズムをSDOデータ解析に使用するための概念実証として、圧縮画像を用いてコロナホール(CH)検出を行った。
  論文  参考訳（メタデータ） (2023-11-06T04:13:58Z)
• Machine Perception-Driven Image Compression: A Layered Generative Approach [32.23554195427311]
  階層型生成画像圧縮モデルを提案する。 タスクに依存しない学習に基づく圧縮モデルを提案し、様々な圧縮されたドメインベースの分析タスクを効果的にサポートする。 圧縮比、再構成画像品質、下流知覚性能の最良のバランス点を得るために、共同最適化スケジュールを採用する。
  論文  参考訳（メタデータ） (2023-04-14T02:12:38Z)
• 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)

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。