論文の概要: Dataset Color Quantization: A Training-Oriented Framework for Dataset-Level Compression

• arxiv url: http://arxiv.org/abs/2602.20650v1
• Date: Tue, 24 Feb 2026 07:53:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.658638
• Title: Dataset Color Quantization: A Training-Oriented Framework for Dataset-Level Compression
• Title（参考訳）: Dataset Color Quantization: データセットレベル圧縮のためのトレーニング指向フレームワーク
• Authors: Chenyue Yu, Lingao Xiao, Jinhong Deng, Ivor W. Tsang, Yang He,
• Abstract要約: モデルトレーニングに不可欠な情報を保存しながら、色空間の冗長性を低減し、視覚データセットを圧縮する統合フレームワークを提案する。 データセットカラー量子化(DCQ)は、類似した画像に対して一貫したパレット表現を強制し、モデル知覚によって導かれる意味的に重要な色を選択的に保持し、効果的な特徴学習に必要な構造的詳細を維持することでこれを達成している。 CIFAR-10、CIFAR-100、Tiny-ImageNet、ImageNet-1Kでの実験では、DCQはアグレッシブ圧縮下でのトレーニングパフォーマンスを大幅に改善し、データセットレベルのストレージ削減のためのスケーラブルで堅牢なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 56.02211851256951
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large-scale image datasets are fundamental to deep learning, but their high storage demands pose challenges for deployment in resource-constrained environments. While existing approaches reduce dataset size by discarding samples, they often ignore the significant redundancy within each image -- particularly in the color space. To address this, we propose Dataset Color Quantization (DCQ), a unified framework that compresses visual datasets by reducing color-space redundancy while preserving information crucial for model training. DCQ achieves this by enforcing consistent palette representations across similar images, selectively retaining semantically important colors guided by model perception, and maintaining structural details necessary for effective feature learning. Extensive experiments across CIFAR-10, CIFAR-100, Tiny-ImageNet, and ImageNet-1K show that DCQ significantly improves training performance under aggressive compression, offering a scalable and robust solution for dataset-level storage reduction. Code is available at \href{https://github.com/he-y/Dataset-Color-Quantization}{https://github.com/he-y/Dataset-Color-Quantization}.
• Abstract（参考訳）: 大規模な画像データセットはディープラーニングに不可欠だが、その高いストレージ要求は、リソース制約のある環境へのデプロイに課題をもたらす。 既存のアプローチでは、サンプルを破棄することでデータセットのサイズを縮小するが、各イメージ内の重要な冗長性(特に色空間)を無視することが多い。 これを解決するために、モデルトレーニングに不可欠な情報を保持しながら、色空間の冗長性を低減し、視覚データセットを圧縮する統合フレームワーク、Dataset Color Quantization (DCQ)を提案する。 DCQは、類似した画像に対して一貫したパレット表現を強制し、モデル知覚によって導かれる意味的に重要な色を選択的に保持し、効果的な特徴学習に必要な構造的詳細を維持することでこれを達成している。 CIFAR-10、CIFAR-100、Tiny-ImageNet、ImageNet-1Kにわたる大規模な実験により、DCQは攻撃的な圧縮下でのトレーニング性能を大幅に改善し、データセットレベルのストレージ削減のためのスケーラブルで堅牢なソリューションを提供することが示された。 コードは \href{https://github.com/he-y/Dataset-Color-Quantization}{https://github.com/he-y/Dataset-Color-Quantization} で公開されている。

関連論文リスト

• Convolutional Deep Colorization for Image Compression: A Color Grid Based Approach [0.0]
  本研究は,画像カラー情報の完全自動保持に対するカラーグリッドに基づくアプローチの最適化に焦点をあてる。 私たちは、保存されている色情報の量を最小限に抑えつつ、忠実に画像を再カラー化できるようにしたいと思っています。 結果,画像圧縮比は有望であったが,画像再色化は高いCSIM値に到達した。
  論文  参考訳（メタデータ） (2025-02-08T01:26:05Z)
• Leveraging Color Channel Independence for Improved Unsupervised Object Detection [7.030688465389997]
  コンピュータビジョンにおける教師なし学習において,RGB画像が最適な色空間であるという一般的な仮定に挑戦する。 新たなカラーチャネルの予測を行う場合には,モデルの改善が期待できる。 合成色空間の使用は、基本的に計算オーバーヘッドを伴わずに実装することができる。
  論文  参考訳（メタデータ） (2024-12-19T18:28:37Z)
• Color-Oriented Redundancy Reduction in Dataset Distillation [35.83163170289415]
  本稿では,個々の画像とデータセットの全体レベルでの色冗長性を最小化するフレームワークを提案する。 画像レベルでは、縮小色空間から各ピクセルに動的に色を割り当てるために、専用ニューラルネットワークであるパレットネットワークを用いる。 既存のDD法と比較して,提案した色認識DDの優れた性能を示す総合的な性能評価を行った。
  論文  参考訳（メタデータ） (2024-11-18T06:48:11Z)
• Beyond Learned Metadata-based Raw Image Reconstruction [86.1667769209103]
  生画像は、線形性や微細な量子化レベルなど、sRGB画像に対して明確な利点がある。 ストレージの要求が大きいため、一般ユーザからは広く採用されていない。 本稿では,メタデータとして,潜在空間におけるコンパクトな表現を学習する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） (2023-06-21T06:59:07Z)
• Raw Image Reconstruction with Learned Compact Metadata [61.62454853089346]
  本稿では,メタデータとしての潜在空間におけるコンパクトな表現をエンドツーエンドで学習するための新しいフレームワークを提案する。 提案する生画像圧縮方式は,グローバルな視点から重要な画像領域に適応的により多くのビットを割り当てることができることを示す。
  論文  参考訳（メタデータ） (2023-02-25T05:29:45Z)
• ParaColorizer: Realistic Image Colorization using Parallel Generative Networks [1.7778609937758327]
  グレースケール画像のカラー化は、情報復元のためのAIの魅力的な応用である。 並列なGANベースのカラー化フレームワークを提案する。 マルチモーダル問題を評価するために一般的に使用される非知覚的評価指標の欠点を示す。
  論文  参考訳（メタデータ） (2022-08-17T13:49:44Z)
• Image Colorization: A Survey and Dataset [94.59768013860668]
  本稿では,最先端の深層学習に基づく画像着色技術に関する包括的調査を行う。 既存の着色技法を7つのクラスに分類し、その性能を規定する重要な要因について論じる。 我々は既存のデータセットと提案した画像の両方を用いて、既存の画像のカラー化手法を広範囲に実験的に評価する。
  論文  参考訳（メタデータ） (2020-08-25T01:22:52Z)

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。