論文の概要: AQMP: Image compression through Adaptive Quadtree Refinement and Matching Pursuit with Hyperparameter Optimization
- arxiv url: http://arxiv.org/abs/2605.09190v1
- Date: Sat, 09 May 2026 22:07:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.106934
- Title: AQMP: Image compression through Adaptive Quadtree Refinement and Matching Pursuit with Hyperparameter Optimization
- Title（参考訳）: AQMP: アダプティブ・クアドツリー・リファインメントによる画像圧縮とハイパーパラメータ最適化によるマッチング
- Abstract要約: 本稿では,適応的クアドツリーリファインメントとマッチング・パースーツを組み合わせた新しい画像であるAQMPを提案する。
固定サイズのサブイメージで動作する従来のマッチング・パースーツ法とは異なり、AQMPはブロックサイズを局所的な画像構造に動的に適応させる。
AQMPは、同等のSSIM値でJPEGよりも最大4時間$高い圧縮レートを達成する。
- 参考スコア（独自算出の注目度）: 0.004839692374508868
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We present AQMP, a novel image codec combining Adaptive Quadtree Refinement with Matching Pursuit. Unlike conventional Matching Pursuit methods that operate on fixed-size sub-images, AQMP dynamically adapts block sizes to local image structure, allocating finer partitions where the image is complex and coarser ones where it is smooth. This adaptivity yields superior compression ratios compared to fixed-size block Matching Pursuit at equivalent image quality, while offering significant parallelization opportunities at both the tree-leaf level and during compression of individual nodes. The algorithm is governed by user-specified accuracy and sparsity parameters alongside a small set of additional hyperparameters. To navigate the trade-off between compression efficiency and visual quality, we perform multi-objective hyperparameter optimization using the Tree-Structured Parzen Estimator, producing comprehensive Pareto fronts. Experimental results show that AQMP achieves up to $4\times$ higher compression rates than JPEG at comparable SSIM values, while maintaining competitive quality across a broad range of compression regimes. Performance evaluation is provided using a representative set of test images. To ensure reproducibility and promote adoption, we have made our implementation publicly available on GitHub under the MIT license.
- Abstract（参考訳）: 本稿では,適応的クアドツリーリファインメントとマッチング・パースーツを組み合わせた新しい画像コーデックAQMPを提案する。
固定サイズのサブイメージで動作する従来のマッチング・パースーツ法とは異なり、AQMPはブロックサイズを局所的な画像構造に動的に適応させ、画像が複雑で粗い部分の分割をスムーズに割り当てる。
この適応性は、ツリーリーフレベルと個々のノードの圧縮の両方において、大きな並列化機会を提供しながら、画像品質において、固定サイズブロックマッチングよりも優れた圧縮比が得られる。
このアルゴリズムは、ユーザ指定の精度と空間パラメータと、追加のハイパーパラメータの小さなセットによって制御される。
圧縮効率と視覚的品質のトレードオフをナビゲートするために、木構造パーゼン推定器を用いて多目的ハイパーパラメータ最適化を行い、パレートフロントを包括的に生成する。
実験結果から、AQMPはJPEGよりも最大4\times$高い圧縮速度を同等のSSIM値で達成し、幅広い圧縮レジーム間の競争品質を維持していることがわかった。
テスト画像の代表セットを用いて性能評価を行う。
再現性を確保し、採用を促進するため、私たちの実装をMITライセンス下でGitHubで公開しました。
関連論文リスト
- Quantum walk inspired JPEG compression of images [2.928053186719895]
提案手法はMNIST, CIFAR10, ImageNetサブセットを用いて,Pak Signal to Noise Ratio (PSNR), Structure similarity Index (SSIM), Bits Per Pixel (BPP), error Heatmap visual analysis を用いて評価した。
実験の結果,3～6dBPSNR,エッジ,輪郭,輝度遷移の保存性が向上し,デコーダの互換性が変化しないことがわかった。
論文 参考訳（メタデータ） (2026-02-12T05:40:33Z) - SQ-GAN: Semantic Image Communications Using Masked Vector Quantization [54.35918290143049]
本研究はSQ-GAN(Semantically Masked Vector Quantized Generative Adversarial Network)を紹介する。
これは、セマンティック駆動画像符号化とベクトル量子化を統合して、セマンティック/タスク指向通信のための画像圧縮を最適化する新しいアプローチである。
SQ-GANはJPEG2000、BPG、ディープラーニングベースの手法など、最先端の画像圧縮方式よりも優れています。
論文 参考訳（メタデータ） (2025-02-13T17:35:57Z) - Learned Image Compression for HE-stained Histopathological Images via Stain Deconvolution [33.69980388844034]
本稿では,一般的なJPEGアルゴリズムがさらなる圧縮に適していないことを示す。
Stain Quantized Latent Compression, a novel DL based histopathology data compression approach。
提案手法はJPEGのような従来の手法と比較して,下流タスクの分類において優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2024-06-18T13:47:17Z) - Progressive Learning with Visual Prompt Tuning for Variable-Rate Image
Compression [60.689646881479064]
本稿では,変圧器を用いた可変レート画像圧縮のためのプログレッシブラーニングパラダイムを提案する。
視覚的プロンプトチューニングにインスパイアされた私たちは,エンコーダ側とデコーダ側でそれぞれ入力画像と隠蔽特徴のプロンプトを抽出するためにLPMを使用する。
提案モデルでは, 速度歪み特性の観点から現行の可変画像法よりも優れ, スクラッチから訓練した最先端の固定画像圧縮法にアプローチする。
論文 参考訳（メタデータ） (2023-11-23T08:29:32Z) - You Can Mask More For Extremely Low-Bitrate Image Compression [80.7692466922499]
近年,学習画像圧縮(lic)法は大きな進歩を遂げている。
licメソッドは、画像圧縮に不可欠な画像構造とテクスチャコンポーネントを明示的に探索することができない。
原画像の構造とテクスチャに基づいて可視パッチをサンプリングするDA-Maskを提案する。
極めて低ビットレート圧縮のために, lic と lic のエンドツーエンドを統一する最初のフレームワークである, 単純で効果的なマスク付き圧縮モデル (MCM) を提案する。
論文 参考訳（メタデータ） (2023-06-27T15:36:22Z) - 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) - Universal Deep Image Compression via Content-Adaptive Optimization with
Adapters [43.291753358414255]
ディープイメージ圧縮は、自然画像上のJPEGのような従来のコーデックよりも優れている。
深部画像圧縮は学習ベースであり、領域外画像に対して圧縮性能が著しく低下する問題に直面する。
本研究の目的は,自然画像や線画,漫画などの任意の領域に属する画像を圧縮することである。
論文 参考訳（メタデータ） (2022-11-02T07:01:30Z) - High-Fidelity Variable-Rate Image Compression via Invertible Activation
Transformation [24.379052026260034]
Invertible Activation Transformation (IAT) モジュールを提案する。
IATとQLevelは、画像圧縮モデルに、画像の忠実さを良く保ちながら、細かな可変レート制御能力を与える。
提案手法は,特に複数再符号化後に,最先端の可変レート画像圧縮法よりも大きなマージンで性能を向上する。
論文 参考訳（メタデータ） (2022-09-12T07:14:07Z) - Estimating the Resize Parameter in End-to-end Learned Image Compression [50.20567320015102]
本稿では,最近の画像圧縮モデルの速度歪みトレードオフをさらに改善する検索自由化フレームワークについて述べる。
提案手法により,Bjontegaard-Deltaレート(BD-rate)を最大10%向上させることができる。
論文 参考訳（メタデータ） (2022-04-26T01:35:02Z) - Variable-Rate Deep Image Compression through Spatially-Adaptive Feature
Transform [58.60004238261117]
空間特徴変換(SFT arXiv:1804.02815)に基づく多目的深部画像圧縮ネットワークを提案する。
本モデルは,任意の画素単位の品質マップによって制御される単一モデルを用いて,幅広い圧縮速度をカバーしている。
提案するフレームワークにより,様々なタスクに対してタスク対応の画像圧縮を行うことができる。
論文 参考訳（メタデータ） (2021-08-21T17:30:06Z) - 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。