Fugu-MT 論文翻訳(概要): Training-Free Continuous Bitrate Control for Scalable Image Coding for Humans and Machines

論文の概要: Training-Free Continuous Bitrate Control for Scalable Image Coding for Humans and Machines

arxiv url: http://arxiv.org/abs/2606.00158v1
Date: Fri, 29 May 2026 07:37:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-02 21:34:28.077293
Title: Training-Free Continuous Bitrate Control for Scalable Image Coding for Humans and Machines
Title（参考訳）: 人間と機械のためのスケーラブルな画像符号化のための訓練不要な連続ビットレート制御
Abstract要約: トレーニング不要な可変レートスケーラブルな画像符号化フレームワークを提案する。提案手法は,マシン内の高次情報と拡張層を保存しながら,連続的な制御を実現する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Continuous variable-rate compression is highly demanded in real-world applications, but remains underexplored in scalable image coding for humans and machines. In this paper, we propose a training-free variable-rate scalable image coding framework. By adjusting quantization steps based on predicted scale values, the proposed method achieves continuous bitrate control while preserving high-scale information in the machine and enhancement layers. Experimental results demonstrate the effectiveness of the proposed method and highlight the importance of bitrate allocation between the two layers.
Abstract（参考訳）: 連続的な可変レート圧縮は現実世界のアプリケーションでは高い要求があるが、人間やマシン向けのスケーラブルなイメージコーディングでは未定である。本稿では,学習不要な可変レートスケーラブルな画像符号化フレームワークを提案する。予測されたスケール値に基づいて量子化ステップを調整することにより,マシン内の高次情報と拡張層を保存しながら,連続的なビットレート制御を実現する。実験の結果,提案手法の有効性を実証し,両層間のビットレート割り当ての重要性を強調した。

関連論文リスト

Training-Free Adaptive Quantization for Variable Rate Image Coding for Machines [0.0]
Image Coding for Machines (ICM) は、コンピュータビジョンを現実世界のアプリケーションに迅速に統合することでますます重要になっている。ほとんどのIMMフレームワークは、学習された画像圧縮(lic)モデルを使用し、固定レートで動作し、ターゲットごとに個別のトレーニングを必要とする。フレキシブルなエントロピー調整が可能なトレーニング不要で適応的な量子化ステップサイズ制御方式を提案する。
論文参考訳（メタデータ） (2025-11-08T04:05:24Z)
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)
CALLIC: Content Adaptive Learning for Lossless Image Compression [64.47244912937204]
CALLICは、学習したロスレス画像圧縮のための新しい最先端(SOTA)を設定する。本稿では,畳み込みゲーティング操作を利用したコンテンツ認識型自己回帰自己保持機構を提案する。エンコーディング中、低ランク行列を用いて深度の畳み込みを含む事前学習層を分解し、レート誘導プログレッシブファインタニング(RPFT)による画像検査にインクリメンタルウェイトを適応させる。推定エントロピーにより下位順にソートされたパッチを徐々に増加させたRPFTファインチューン,学習過程の最適化,適応時間の短縮を実現した。
論文参考訳（メタデータ） (2024-12-23T10:41:18Z)
PassionSR: Post-Training Quantization with Adaptive Scale in One-Step Diffusion based Image Super-Resolution [95.98801201266099]
拡散に基づく画像超解像(SR)モデルでは、複数のデノナイジングステップのコストで優れた性能を示す。本稿では,一段階拡散(OSD)画像SR,PassionSRにおける適応スケールの学習後量子化手法を提案する。我々のPassionSRは、画像SRの最近の先進的な低ビット量子化法に対して大きな利点がある。
論文参考訳（メタデータ） (2024-11-26T04:49:42Z)
DeepHQ: Learned Hierarchical Quantizer for Progressive Deep Image Coding [29.810993874350814]
プログレッシブ画像符号化(PIC)は、画像の様々な品質を単一のビットストリームに圧縮することを目的としている。ニューラルネットワーク(NN)に基づくPICの研究は、その初期段階にある。本稿では,まず,学習した量子化ステップサイズを各量子化レイヤの学習により活用するNNベースのプログレッシブコーディング手法を提案する。
論文参考訳（メタデータ） (2024-08-22T06:32:53Z)
Rate-Distortion-Cognition Controllable Versatile Neural Image Compression [47.72668401825835]
速度歪み認識制御可能な多目的画像圧縮法を提案する。本手法は, 良好なICM性能とフレキシブルレート・ディストーション・コグニテーション制御を実現する。
論文参考訳（メタデータ） (2024-07-16T13:17:51Z)
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)
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)
Recognition-Aware Learned Image Compression [0.5801044612920815]
本稿では,タスク固有の損失と並行して,速度歪み損失を最適化する認識認識型学習圧縮手法を提案する。提案手法は,BPGなどの従来の手法と比較して,同等値での認識精度が26%向上する。
論文参考訳（メタデータ） (2022-02-01T03:33:51Z)
Progressive Neural Image Compression with Nested Quantization and Latent Ordering [16.871212593949487]
本稿では,1ビットストリームでスケーラブルな符号化を可能にすることにより,可変圧縮の境界を押し上げるプログレッシブ・ニューラルイメージ圧縮方式であるPLONQを提案する。我々の知る限り、PLONQは学習ベースのプログレッシブ画像符号化方式であり、よく知られたウェーブレットベースのプログレッシブ画像であるSPIHTより優れている。
論文参考訳（メタデータ） (2021-02-04T22:06:13Z)

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。