論文の概要: Learned JPEG Compression for DNN Vision

• arxiv url: http://arxiv.org/abs/2606.16185v1
• Date: Mon, 15 Jun 2026 03:56:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.06785
• Title: Learned JPEG Compression for DNN Vision
• Title（参考訳）: DNNビジョンのためのJPEG圧縮の学習
• Authors: Kaixiang Zheng, Ahmed H. Salamah, Siyu Chen, En-Hui Yang,
• Abstract要約: 人工知能(AI)の時代、画像データの大部分はJPEGによって圧縮され、人間の代わりにディープニューラルネットワーク(DNN)によって消費され続ける。 DNNビジョンのためのJPEG圧縮(J4D)を提案する。これはJPEG符号化パラメータを決定するための新しいトレーニングフレームワークで、圧縮速度を最大化し、推論性能を最大化する。
• 参考スコア（独自算出の注目度）: 15.86593426643386
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: JPEG, a lossy image compression technique designed for human viewers, has maintained its dominance for decades. However, in the era of artificial intelligence (AI), a substantial portion of image data, often compressed by JPEG, is and will continue to be consumed by deep neural networks (DNNs) instead of humans, thus creating a need to optimize JPEG for DNN inference performance. To this end, we propose learned JPEG compression for DNN vision (J4D), a novel training framework for determining JPEG encoding parameters to minimize compression rate while maximizing DNN inference performance. The major challenge of solving this optimization problem lies in representing the JPEG codec and compression rate in closed form. By incorporating a differentiable soft quantizer based on a probabilistic quantization scheme, we not only obtain a differentiable proxy for the JPEG codec, but are also able to compute the entropy of the coded source analytically, which is a close estimate of the actual compression rate. Equipped with both the differentiable JPEG codec and the information-theoretic rate estimator, we are then able to solve the aforementioned optimization problem with backpropagation. After training, the learned encoding parameters will be subsequently used in actual JPEG encoding based on probabilistic quantization. Extensive experimental results across multiple datasets and DNN architectures demonstrate that J4D consistently and significantly outperforms the default JPEG and other competitive JPEG codecs optimized for DNNs. Notably, compared to the default JPEG, J4D achieves an increase in accuracy by as much as 11.60% at the same rate, or a reduction of compression rate up to 80.05% at the same accuracy. Additionally, with the help of J4D, we show the potential to design universal JPEG encoding parameters for various DNN architectures for the first time.
• Abstract（参考訳）: JPEGは、人間の視聴者のために設計された画像圧縮技術であり、何十年もその優位性を維持してきた。 しかしながら、人工知能(AI)の時代において、JPEGによって圧縮される画像データの大部分は、人間ではなくディープニューラルネットワーク(DNN)によって消費され続けるため、DNN推論性能のためにJPEGを最適化する必要性が生じる。 そこで本研究では,DNNの推論性能を最大化しながら圧縮率を最大化するためにJPEG符号化パラメータを決定する新しいトレーニングフレームワークである,DNNビジョンのためのJPEG圧縮(J4D)を提案する。 この最適化問題の解決における大きな課題は、JPEGコーデックと圧縮率をクローズド形式で表現することにある。 確率的量子化スキームに基づく微分可能なソフト量子化器を組み込むことで、JPEGコーデックの微分可能なプロキシを得るだけでなく、実際の圧縮率の近似値である符号化されたソースのエントロピーを解析的に計算することができる。 相違可能なJPEGコーデックと情報理論速度推定器の両方を備え、上記の最適化問題をバックプロパゲーションで解くことができる。 学習後、学習した符号化パラメータは確率的量子化に基づいて実際のJPEG符号化に使用される。 複数のデータセットとDNNアーキテクチャにわたる大規模な実験結果から、J4Dは、DNN向けに最適化されたデフォルトJPEGやその他の競合JPEGコーデックよりも一貫して、大幅にパフォーマンスが向上している。 特に、デフォルトのJPEGと比較して、J4Dは同じレートで11.60%の精度向上を達成するか、同じ精度で80.05%まで圧縮率を下げる。 さらに、J4Dの助けを借りて、様々なDNNアーキテクチャのJPEG符号化パラメータを初めて設計する可能性を示す。

関連論文リスト

• 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)
• JDEC: JPEG Decoding via Enhanced Continuous Cosine Coefficients [17.437568540883106]
  本稿では,コサインの連続的定式化による局所的暗黙的ニューラル表現を用いたJPEG画像デコーディングの実践的手法を提案する。 提案するネットワークは,フレキシブルカラー画像JPEGアーティファクト削除タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-04-03T03:28:04Z)
• 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)
• Neural JPEG: End-to-End Image Compression Leveraging a Standard JPEG Encoder-Decoder [73.48927855855219]
  本稿では,エンコーダとデコーダの両端に内在するニューラル表現を強化することで,符号化性能の向上を図るシステムを提案する。 実験により,提案手法はJPEGに対する速度歪み性能を,様々な品質指標で改善することを示した。
  論文  参考訳（メタデータ） (2022-01-27T20:20:03Z)
• Towards Flexible Blind JPEG Artifacts Removal [73.46374658847675]
  人工物除去と細部保存のトレードオフを制御するために,適応可能な品質因子を予測できるフレキシブルブラインド畳み込みニューラルネットワーク,すなわちFBCNNを提案する。 提案するFBCNNは,定量的な計測値と視覚的品質の両方の観点から,最先端の手法に対して良好な性能を実現する。
  論文  参考訳（メタデータ） (2021-09-29T17:12:10Z)
• 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)
• 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。