論文の概要: LiVeAction: a Lightweight, Versatile, and Asymmetric Neural Codec Design for Real-time Operation

• arxiv url: http://arxiv.org/abs/2605.06628v1
• Date: Thu, 07 May 2026 17:42:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:12.053297
• Title: LiVeAction: a Lightweight, Versatile, and Asymmetric Neural Codec Design for Real-time Operation
• Title（参考訳）: LiVeAction:リアルタイム動作のための軽量でヴァーサタイルで非対称なニューラルコーデック設計
• Authors: Dan Jacobellis, Neeraja J. Yadwadkar,
• Abstract要約: 我々は軽量でヴァーサタイル的で非対称なニューラルアーキテクチャ(LiVeAction)を導入する。 対人的および知覚的損失を分散ベースのレートペナルティに置き換える。 我々の設計では、最先端の生成トークンよりも高速な速度歪み性能を実現するコーデックを製造している。
• 参考スコア（独自算出の注目度）: 0.7448254811651419
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Modern sensors generate rich, high-fidelity data, yet applications operating on wearable or remote sensing devices remain constrained by bandwidth and power budgets. Standardized codecs such as JPEG and MPEG achieve efficient trade-offs between bitrate and perceptual quality but are designed for human perception, limiting their applicability to machine-perception tasks and non-traditional modalities such as spatial audio arrays, hyperspectral images, and 3D medical images. General-purpose compression schemes based on scalar quantization or resolution reduction are broadly applicable but fail to exploit inherent signal redundancies, resulting in suboptimal rate-distortion performance. Recent generative neural codecs, or tokenizers, model complex signal dependencies but are often over-parameterized, data-hungry, and modality-specific, making them impractical for resource-constrained environments. We introduce a Lightweight, Versatile, and Asymmetric neural codec architecture (LiVeAction), that addresses these limitations through two key ideas. (1) To reduce the complexity of the encoder to meet the resource constraints of the execution environments, we impose an FFT-like structure and reduce the overall size and depth of the neural-network-based analysis transform. (2) To allow arbitrary signal modalities and simplify training, we replace adversarial and perceptual losses with a variance-based rate penalty. Our design produces codecs that deliver superior rate-distortion performance compared to state-of-the-art generative tokenizers, while remaining practical for deployment on low-power sensors. We release our code, experiments, and python library at https://github.com/UT-SysML/liveaction .
• Abstract（参考訳）: 現代のセンサは、リッチで高忠実なデータを生成するが、ウェアラブルやリモートセンシングデバイスで動くアプリケーションは、帯域幅と電力予算に制約されないままである。 JPEGやMPEGのような標準化されたコーデックは、ビットレートと知覚品質のトレードオフを効果的に達成するが、人間の知覚のために設計されており、機械知覚タスクと空間オーディオアレイ、ハイパースペクトル画像、三次元医用画像などの非伝統的なモダリティの適用性に制限されている。 スカラー量子化や分解能の低減に基づく汎用的な圧縮スキームは広く適用できるが、固有の信号冗長性を利用できないため、最適速度歪み性能が得られる。 最近の生成型ニューラルコーデック(またはトークン化剤)は複雑な信号依存をモデル化するが、しばしば過度にパラメータ化、データハングリー、モダリティに特化しており、資源に制約のある環境では実用的ではない。 2つの鍵となるアイデアを通じて、これらの制限に対処する軽量でヴァーサタイル的で非対称なニューラルコーデックアーキテクチャ(LiVeAction)を導入する。 1) 実行環境の資源制約を満たすエンコーダの複雑さを軽減するため, FFTのような構造を付加し, ニューラルネットワークに基づく解析変換の全体的なサイズと深さを低減する。 2) 任意の信号モダリティを許容し, 訓練を簡略化するために, 対角的, 知覚的損失を分散に基づくレートペナルティに置き換える。 我々の設計では、最先端の生成トークン化器よりも高速な速度歪み性能を実現するコーデックを製造しているが、低消費電力センサへの展開には実用的であり続けている。 コード、実験、pythonライブラリはhttps://github.com/UT-SysML/liveaction で公開しています。

関連論文リスト

• SemanticNN: Compressive and Error-Resilient Semantic Offloading for Extremely Weak Devices [9.795432423267503]
  本稿では,セマンティックNNを提案する。セマンティックNNは,セマンティックレベルの正確性を追求するために,ビットレベルの誤りを許容するセマンティックNNである。 動的チャネル条件に適応するBER(Bit Error Rate)対応デコーダと、コンパクトな表現を学ぶためのSQ(Soft Quantization)ベースのエンコーダが組み込まれている。 我々は3つのモデルと6つのデータセットを用いてSTM32の広範囲な実験を行い、画像分類とオブジェクト検出を行う。
  論文  参考訳（メタデータ） (2025-11-14T07:47:25Z)
• 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)
• Multi-Scale Invertible Neural Network for Wide-Range Variable-Rate Learned Image Compression [90.59962443790593]
  本稿では,制限を克服するために,可逆変換に基づく可変レート画像圧縮モデルを提案する。 具体的には、入力画像をマルチスケールの潜在表現にマッピングする、軽量なマルチスケール非可逆ニューラルネットワークを設計する。 実験結果から,提案手法は既存の可変レート法と比較して最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2025-03-27T09:08:39Z)
• Accelerating Error Correction Code Transformers [56.75773430667148]
  本稿では,トランスを用いたデコーダの高速化手法を提案する。 最新のハードウェアでは、90%の圧縮比を実現し、算術演算エネルギー消費を少なくとも224倍削減する。
  論文  参考訳（メタデータ） (2024-10-08T11:07:55Z)
• Semantic Ensemble Loss and Latent Refinement for High-Fidelity Neural Image Compression [58.618625678054826]
  本研究は、最適な視覚的忠実度のために設計された強化されたニューラル圧縮手法を提案する。 我々は,洗練されたセマンティック・アンサンブル・ロス,シャルボニエ・ロス,知覚的損失,スタイル・ロス,非バイナリ・ディバイザ・ロスを組み込んだモデルを構築した。 実験により,本手法は神経画像圧縮の統計的忠実度を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2024-01-25T08:11:27Z)
• A Cryogenic Memristive Neural Decoder for Fault-tolerant Quantum Error Correction [0.0]
  インメモリ・クロスバー(IMC)アーキテクチャに基づくニューラルデコーダの設計と解析を行う。 ハードウェアを意識したリトレーニング手法を開発し、フィデリティ損失を軽減する。 この研究は、フォールトトレラントQECの統合のためのスケーラブルで高速で低消費電力のMCCハードウェアへの経路を提供する。
  論文  参考訳（メタデータ） (2023-07-18T17:46:33Z)
• Reducing Redundancy in the Bottleneck Representation of the Autoencoders [98.78384185493624]
  オートエンコーダは教師なしニューラルネットワークの一種であり、様々なタスクを解くのに使用できる。 本稿では,ボトルネック表現における特徴冗長性を明示的に罰する手法を提案する。 我々は,3つの異なるデータセットを用いた次元削減,MNISTデータセットを用いた画像圧縮,ファッションMNISTを用いた画像デノナイズという,さまざまなタスクにまたがってアプローチを検証した。
  論文  参考訳（メタデータ） (2022-02-09T18:48:02Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)

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。