論文の概要: Deep learning-based compression of giga-resolution whole slide images

• arxiv url: http://arxiv.org/abs/2605.17668v1
• Date: Sun, 17 May 2026 22:02:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.306978
• Title: Deep learning-based compression of giga-resolution whole slide images
• Title（参考訳）: ディープラーニングによるギガ分解能全スライド画像の圧縮
• Authors: Maren Høibø, Etienne Gaucher, Ingerid Reinertsen, Marit Valla, Erik Smistad,
• Abstract要約: ガラス除去法と深層学習圧縮法のための深層学習型組織分割法について検討した。 ディープラーニングベースの画像圧縮は、JPEG圧縮と比較して、WSIサイズを43-72%削減した。 ディープラーニングモデルはJPEGやJPEG-XLよりも圧縮時間が高い。
• 参考スコア（独自算出の注目度）: 0.15757560069363094
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Implementation of digital pathology leads to an increased number of whole slide images (WSIs). The large size of WSIs is challenging. Today, WSIs are compressed with codecs like JPEG resulting in several gigabytes per WSI, and large amounts of space are wasted storing glass. In this study, deep learning-based tissue segmentation for glass removal, and deep learning compression methods were explored and compared with JPEG, JPEG-2000 and JPEG-XL. Image pyramids (N=21) with intact glass, glass replaced by single-colored pixels, and glass replaced by zero-byte tiles were created and compressed with JPEG, JPEG-XL and a deep learning model. Additionally, several compression models were evaluated on a tissue patch dataset and compared with JPEG, JPEG-2000 and JPEG-XL. Removing glass reduced file sizes considerably for JPEG and JPEG-XL. Deep learning-based image compression reduced the WSI size by 43-72% compared to JPEG compression, whereas deep learning-based glass removal reduced the WSI size by 0.3-33%, and 6-62% using only single-colored pixels and removing all-glass tiles, respectively. Combining the two gave a small improvement to a 44-80% total size reduction which indicates that deep learning-based image compression is able to efficiently compress glass tiles, whereas JPEG is not. On the tissue patch dataset, the best deep learning-based compression models saved on average ~35-40% per patch compared to JPEG, while keeping an average SSIM above 0.95, whereas JPEG-XL and JPEG-2000 saved 17% and 14%, respectively while keeping an SSIM of 0.96. However, the deep learning models had higher decompression times than JPEG and JPEG-XL.
• Abstract（参考訳）: デジタル・パノロジーの実装は、スライド画像全体(WSI)の増加につながる。 WSIsの大規模化は難しい。 現在、WSIはJPEGのようなコーデックで圧縮され、WSI当たり数ギガバイトとなり、大量のスペースがガラスを格納している。 本研究では,ガラス除去のための深層学習型組織分割法と深層学習圧縮法をJPEG,JPEG-2000,JPEG-XLと比較した。 画像ピラミッド(N=21)は無傷ガラスで、ガラスは単色ピクセルで置き換えられ、ガラスはゼロバイトタイルで置き換えられ、JPEG、JPEG-XL、ディープラーニングモデルで圧縮された。 さらに、組織パッチデータセット上でいくつかの圧縮モデルを評価し、JPEG、JPEG-2000、JPEG-XLと比較した。 ガラスの除去はJPEGとJPEG-XLのファイルサイズを大幅に削減した。 ディープラーニングベースの画像圧縮はJPEG圧縮と比較してWSIサイズを43～72%削減し、ディープラーニングベースのガラス除去は、WSIサイズを0.3～33%削減し、単色ピクセルのみを使用し、6～62%が全ガラスタイルを除去した。 この2つを組み合わせることで、44-80%の削減を実現した。これはディープラーニングベースの画像圧縮がガラスタイルを効率よく圧縮できることを示しているが、JPEGはそうではない。 一方、JPEG-XLとJPEG-2000は、それぞれ17%と14%を節約し、SSIMは0.96を維持した。 しかし、ディープラーニングモデルはJPEGやJPEG-XLよりも圧縮時間が高い。

関連論文リスト

• Compression-Aware One-Step Diffusion Model for JPEG Artifact Removal [56.307484956135355]
  CODiffはJPEGアーティファクト削除のための圧縮対応ワンステップ拡散モデルである。 明示的な学習と暗黙的な学習を組み合わせた二重学習戦略を提案する。 その結果,CODiffは定量的および視覚的品質指標の両方において,最近の先行手法を超越していることがわかった。
  論文  参考訳（メタデータ） (2025-02-14T02:46:27Z)
• JPEG Inspired Deep Learning [4.958744940097937]
  精巧なJPEG圧縮は、ディープラーニング(DL)の性能を実際に向上させる トレーニング可能なJPEG圧縮層で基盤となるDNNアーキテクチャをプリペイドする新しいDLフレームワークであるJPEG-DLを提案する。 私たちのコードはhttps://github.com/AhmedHussKhalifa/Inspired-DL.gitで利用可能です。
  論文  参考訳（メタデータ） (2024-10-09T17:23:54Z)
• Unified learning-based lossy and lossless JPEG recompression [15.922937139019547]
  本稿では,学習量子化テーブルとマルコフ階層型変分オートエンコーダから構成されるJPEG再圧縮フレームワークを提案する。 実験の結果,JPEGが上界に近づくと,任意に低歪みが得られることがわかった。
  論文  参考訳（メタデータ） (2023-12-05T12:07:27Z)
• 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)
• Practical Learned Lossless JPEG Recompression with Multi-Level Cross-Channel Entropy Model in the DCT Domain [10.655855413391324]
  本稿では,DCT領域で動作するディープラーニングに基づくJPEG再圧縮手法を提案する。 実験により,従来のJPEG再圧縮手法と比較して最先端の性能が得られた。
  論文  参考訳（メタデータ） (2022-03-30T14:36:13Z)
• Improving Cost Learning for JPEG Steganography by Exploiting JPEG Domain Knowledge [52.880912557105106]
  JEC-RLはJPEG DCT構造をカスタマイズするように設計されている。 強化学習下での埋め込み動作サンプリング機構で動作する。 JPEGイメージの高度な機能ベースと最新のCNNベースのステガナライザーの両方に対して、優れたセキュリティ性能を実現することができる。
  論文  参考訳（メタデータ） (2021-05-09T08:10:41Z)
• Towards Robust Data Hiding Against (JPEG) Compression: A Pseudo-Differentiable Deep Learning Approach [78.05383266222285]
  これらの圧縮に対抗できるデータ隠蔽の目標を達成することは、依然としてオープンな課題である。 ディープラーニングはデータの隠蔽に大きな成功を収めていますが、JPEGの非差別化性は、損失のある圧縮に対する堅牢性を改善するための深いパイプラインのトレーニングを困難にしています。 本稿では,上記の制約をすべて一度に解決するための,単純かつ効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2020-12-30T12:30:09Z)
• Analyzing and Mitigating JPEG Compression Defects in Deep Learning [69.04777875711646]
  本稿では,JPEG圧縮が共通タスクやデータセットに与える影響を統一的に検討する。 高圧縮の一般的なパフォーマンス指標には大きなペナルティがあることが示される。
  論文  参考訳（メタデータ） (2020-11-17T20:32:57Z)
• Learning to Improve Image Compression without Changing the Standard Decoder [100.32492297717056]
  本稿では,標準デコーダによる符号化性能向上のための学習法を提案する。 具体的には、DCT係数の分布を最適化する周波数領域事前編集法を提案する。 JPEGデコーダは変更しないので、広く使われている標準JPEGデコーダで画像を見る際には、我々のアプローチが適用可能である。
  論文  参考訳（メタデータ） (2020-09-27T19:24:42Z)

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。