論文の概要: Efficient Learned Image Compression without Entropy Coding

• arxiv url: http://arxiv.org/abs/2605.23323v1
• Date: Fri, 22 May 2026 07:37:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.243754
• Title: Efficient Learned Image Compression without Entropy Coding
• Title（参考訳）: エントロピー符号化のない効率的な学習画像圧縮
• Authors: Hao Cao, Wenqi Guo, Zhijin Qin, Jungong Han,
• Abstract要約: エントロピー符号化自由学習画像圧縮(EF-LIC)を提案する。 EF-LICは、符号化レイテンシの低い統計的および相関的冗長性を排除し、コンパクトな表現を生成するマルチレートフレームワークである。 実験の結果、EF-LIC はコダックの MS-ILLM を LPIPS で67.86% 削減できることがわかった。
• 参考スコア（独自算出の注目度）: 62.01837001379442
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Entropy coding is widely used in typical learned image compression (LIC) that converts latents into a compact bitstream. However, entropy coding is typically sequential and becomes the coding latency bottleneck. To overcome it, we present Entropy-Coding Free Learned Image Compression (EF-LIC), a multi-rate framework that generates compact representation by removing statistical and correlation redundancy with low coding latency. First, we introduce unconstrained vector quantization and prove that its index distribution approaches the maximum-entropy bound, yielding minimal statistical redundancy. Second, we propose a context-conditioned autoregressive transform that directly reparameterizes the latents to reduce inter-dependency. Theoretical analysis shows that EF-LIC can remove correlation redundancy as effectively as typical LIC with entropy coding, leading to comparable compression performance. Experiments show EF-LIC achieves up to 67.86% bitrate reduction over MS-ILLM on Kodak with LPIPS. Ablation studies further show EF-LIC matches the compression performance of its entropy-coding based variant while achieving over $3\times$ faster encoding and $5\times$ faster decoding.
• Abstract（参考訳）: エントロピー符号化は、ラテントをコンパクトなビットストリームに変換する典型的な学習画像圧縮(lic)で広く用いられている。 しかし、エントロピーコーディングは典型的にはシーケンシャルであり、コーディング遅延のボトルネックとなる。 そこで我々は,エントロピー符号化自由学習画像圧縮(EF-LIC)という,符号化遅延の少ない統計的および相関的冗長性を除去し,コンパクトな表現を生成するマルチレートフレームワークを提案する。 まず、制約のないベクトル量子化を導入し、その指数分布が最大エントロピー境界に近づき、最小の統計的冗長性が得られることを示す。 次に,文脈条件付き自己回帰変換を提案する。 理論的解析により、EF-LICはエントロピー符号化の典型的なlicと同様の相関冗長性を排除し、圧縮性能に匹敵することを示した。 実験の結果、EF-LIC は LPIPS で Kodak 上の MS-ILLM よりも67.86% のビットレート削減を達成した。 Ablationの研究では、EF-LICはエントロピー符号化ベースの変形の圧縮性能と、より高速なエンコーディングで3ドル以上、より高速なデコーディングで5ドル以上を達成している。

関連論文リスト

• Differentiable Vector Quantization for Rate-Distortion Optimization of Generative Image Compression [53.041405703471895]
  低ビットレート画像圧縮のためのエンドツーエンドRD最適化を実現する統一フレームワークRDVQを提案する。 我々は,正確なエントロピーモデリングとテスト時間率制御をサポートする自己回帰エントロピーモデルを開発した。 RD2K-valと比較すると、RDVQは DisTSで75.71%、DIV2K-valでLPIPSで37.63%減少する。
  論文  参考訳（メタデータ） (2026-04-12T09:25:24Z)
• Ultra Lowrate Image Compression with Semantic Residual Coding and Compression-aware Diffusion [28.61304513668606]
  ResULICは残留誘導型超低レート画像圧縮システムである。 残差信号は意味検索と拡散に基づく生成プロセスの両方に組み込む。 最先端拡散法に比べて客観的・主観的性能に優れる。
  論文  参考訳（メタデータ） (2025-05-13T06:51:23Z)
• Extreme Image Compression using Fine-tuned VQGANs [43.43014096929809]
  本稿ではベクトル量子化(VQ)に基づく生成モデルを画像圧縮領域に導入する。 VQGANモデルによって学習されたコードブックは、強い表現能力をもたらす。 提案したフレームワークは、知覚的品質指向のメトリクスで最先端のコーデックより優れている。
  論文  参考訳（メタデータ） (2023-07-17T06:14:19Z)
• Deep Lossy Plus Residual Coding for Lossless and Near-lossless Image Compression [85.93207826513192]
  本稿では、損失のない画像圧縮とほぼロスレス画像圧縮の両面において、統合された強力な深い損失+残差(DLPR)符号化フレームワークを提案する。 VAEのアプローチにおける連立損失と残留圧縮の問題を解く。 ほぼロスレスモードでは、元の残差を量子化し、与えられた$ell_infty$エラー境界を満たす。
  論文  参考訳（メタデータ） (2022-09-11T12:11:56Z)
• 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)
• ANFIC: Image Compression Using Augmented Normalizing Flows [16.161901495436233]
  本稿では、ANF(Augmented Normalizing Flows)に基づく、エンドツーエンドの学習画像圧縮システムANFICを紹介する。 PSNR-RGBの観点では、ANFICは最先端の学習画像圧縮と同等かそれ以上に機能する。 特に、ANFICは1つのモデルで可変レート圧縮の条件付き畳み込みで拡張した場合、最先端の性能を達成する。
  論文  参考訳（メタデータ） (2021-07-18T15:02:31Z)
• Compressing Images by Encoding Their Latent Representations with Relative Entropy Coding [5.687243501594734]
  可変オートエンコーダ(VAE)は学習画像圧縮に広く利用されている。 本稿では,単一の画像に対して相対エントロピーに近い符号長で遅延表現を直接エンコードできる新しい手法であるRelative Entropy Coding (REC)を提案する。
  論文  参考訳（メタデータ） (2020-10-02T20:23:22Z)
• Modeling Lost Information in Lossy Image Compression [72.69327382643549]
  ロスシー画像圧縮は、デジタル画像の最もよく使われる演算子の1つである。 Invertible Lossy Compression (ILC) と呼ばれる新しい非可逆的フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-22T04:04:56Z)

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。