論文の概要: JPEG-Inspired Cloud-Edge Holography

• arxiv url: http://arxiv.org/abs/2512.12367v1
• Date: Sat, 13 Dec 2025 15:49:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.23421
• Title: JPEG-Inspired Cloud-Edge Holography
• Title（参考訳）: JPEGにインスパイアされたクラウドエッジホログラフィ
• Authors: Shuyang Xie, Jie Zhou, Jun Wang, Renjing Xu,
• Abstract要約: コンピュータ生成ホログラフィー(CGH)は、拡張現実および仮想現実における近目ディスプレイのための変換ソリューションを提供する。 ディープラーニングの最近の進歩は、再構成された品質と計算効率において、CGHを大幅に改善した。 本フレームワークは,リソース制約のウェアラブルデバイス上での低レイテンシ,帯域幅効率のホログラムストリーミングを実現する。
• 参考スコア（独自算出の注目度）: 26.266559585726057
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computer-generated holography (CGH) presents a transformative solution for near-eye displays in augmented and virtual reality. Recent advances in deep learning have greatly improved CGH in reconstructed quality and computational efficiency. However, deploying neural CGH pipelines directly on compact, eyeglass-style devices is hindered by stringent constraints on computation and energy consumption, while cloud offloading followed by transmission with natural image codecs often distorts phase information and requires high bandwidth to maintain reconstruction quality. Neural compression methods can reduce bandwidth but impose heavy neural decoders at the edge, increasing inference latency and hardware demand. In this work, we introduce JPEG-Inspired Cloud-Edge Holography, an efficient pipeline designed around a learnable transform codec that retains the block-structured and hardware-friendly nature of JPEG. Our system shifts all heavy neural processing to the cloud, while the edge device performs only lightweight decoding without any neural inference. To further improve throughput, we implement custom CUDA kernels for entropy coding on both cloud and edge. This design achieves a peak signal-to-noise ratio of 32.15 dB at $<$ 2 bits per pixel with decode latency as low as 4.2 ms. Both numerical simulations and optical experiments confirm the high reconstruction quality of the holograms. By aligning CGH with a codec that preserves JPEG's structural efficiency while extending it with learnable components, our framework enables low-latency, bandwidth-efficient hologram streaming on resource-constrained wearable devices-using only simple block-based decoding readily supported by modern system-on-chips, without requiring neural decoders or specialized hardware.
• Abstract（参考訳）: コンピュータ生成ホログラフィー(CGH)は、拡張現実および仮想現実における近目ディスプレイのための変換ソリューションを提供する。 ディープラーニングの最近の進歩は、再構成された品質と計算効率において、CGHを大幅に改善した。 しかし、小型の眼鏡型デバイスにニューラルCGHパイプラインを直接配置することは、計算とエネルギー消費の厳しい制約によって妨げられ、一方、クラウドのオフロードと自然な画像コーデックによる送信は、しばしば位相情報を歪め、再構成品質を維持するために高い帯域幅を必要とする。 ニューラル圧縮法は帯域幅を削減できるが、エッジに重いニューラルデコーダを課すため、推論遅延とハードウェア要求が増加する。 本研究ではJPEG-Inspired Cloud-Edge Holographyを紹介し,JPEGのブロック構造とハードウェアフレンドリな性質を保ちながら,学習可能な変換コーデックを中心に設計された効率的なパイプラインについて紹介する。 当社のシステムは、すべての重いニューラル処理をクラウドに移行させ、エッジデバイスは、ニューラル推論なしで軽量デコーディングのみを実行する。 スループットをさらに向上するため,クラウドとエッジの両方でエントロピー符号化を行うカスタムCUDAカーネルを実装した。 この設計は1ピクセルあたり32.15dBのピーク信号対雑音比を4.2msの遅延時間で達成し、ホログラムの高再現性を確認する数値シミュレーションと光学実験を行った。 CGHを学習可能なコンポーネントに拡張しながらJPEGの構造効率を維持するコーデックに整合させることにより、我々のフレームワークは、リソース制約のウェアラブルデバイス上での低レイテンシで帯域幅効率のホログラムストリーミングを可能にし、ニューラルデコーダや特殊なハードウェアを必要とせずに、最新のシステムオンチップで容易にサポートされている単純なブロックベースのデコーディングのみを使用する。

関連論文リスト

• Reducing Storage of Pretrained Neural Networks by Rate-Constrained Quantization and Entropy Coding [56.066799081747845]
  成長を続けるニューラルネットワークのサイズは、リソースに制約のあるデバイスに深刻な課題をもたらす。 本稿では,レートアウェア量子化とエントロピー符号化を組み合わせた学習後圧縮フレームワークを提案する。 この方法では非常に高速な復号化が可能であり、任意の量子化グリッドと互換性がある。
  論文  参考訳（メタデータ） (2025-05-24T15:52:49Z)
• Improving the Diffusability of Autoencoders [54.920783089085035]
  高品質な画像やビデオを生成するための主要なアプローチとして、潜伏拡散モデルが登場している。 我々は、現代のオートエンコーダのスペクトル分析を行い、その潜在空間における不規則な高周波成分を同定する。 我々は、この高周波成分が拡散合成プロセスの粗大な微細な性質に干渉し、生成品質を阻害する仮説を立てた。
  論文  参考訳（メタデータ） (2025-02-20T18:45:44Z)
• An Efficient Implicit Neural Representation Image Codec Based on Mixed Autoregressive Model for Low-Complexity Decoding [43.43996899487615]
  画像圧縮のためのインプシットニューラル表現(INR)は、最先端のオートエンコーダモデルと比較して2つの重要な利点を提供する新興技術である。 我々は、現在のINRの復号時間を大幅に削減するために、新しいMixed AutoRegressive Model (MARM)を導入する。 MARMには提案したAutoRegressive Upsampler(ARU)ブロックが含まれている。
  論文  参考訳（メタデータ） (2024-01-23T09:37:58Z)
• Pruned Lightweight Encoders for Computer Vision [0.0]
  ASTC と JPEG XS の符号化構成は、低レイテンシを確保するために、近接センサエッジデバイスで使用できることを示す。 ASTC圧縮によるmIoU(mIoU)劣化の分類精度とセグメンテーション平均値は,それぞれ4.9-5.0ポイント(pp)と4.4-4.0ppに低下した。 符号化速度の面では、ASTCエンコーダの実装はJPEGよりも2.3倍高速である。
  論文  参考訳（メタデータ） (2022-11-23T17:11:48Z)
• 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)
• Deep Video Coding with Dual-Path Generative Adversarial Network [39.19042551896408]
  本稿では,DGVC(Double-path Generative Adversarial Network-based Video)という,効率的なコーデックを提案する。 我々のDGVCは、PSNR/MS-SSIMで平均ビット/ピクセル(bpp)を39.39%/54.92%削減する。
  論文  参考訳（メタデータ） (2021-11-29T11:39:28Z)
• Small Lesion Segmentation in Brain MRIs with Subpixel Embedding [105.1223735549524]
  ヒト脳のMRIスキャンを虚血性脳梗塞と正常組織に分割する方法を提案する。 本稿では,空間展開埋め込みネットワークによって予測を導出する標準エンコーダデコーダの形式でニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-09-18T00:21:17Z)

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。