論文の概要: PaaF: Raising the perceived quality of INR-Based Image Compression

• arxiv url: http://arxiv.org/abs/2606.21655v1
• Date: Fri, 19 Jun 2026 18:00:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 04:17:16.888909
• Title: PaaF: Raising the perceived quality of INR-Based Image Compression
• Title（参考訳）: PaaF:INRに基づく画像圧縮の知覚的品質向上
• Authors: Lorenzo Catania, Dario Allegra,
• Abstract要約: Inlicit Neural Representations (INR) は画像圧縮のための有望なパラダイムとして登場した。 PaaF (Picture as a Function) は、アーキテクチャ設計の改善、適応量子化、効率的なエントロピー符号化方式を導入した新しいINRベースの画像である。 実測値と知覚品質の両方において,既存のINR法よりも一貫した改善が示された。
• 参考スコア（独自算出の注目度）: 3.344552881770396
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Implicit Neural Representations (INRs) have recently emerged as a promising paradigm for image compression, offering a fundamentally different approach from traditional and learned codecs. Nevertheless, INR-based methods for image compression suffer from long encoding times and a consistent performance gap in classic quality metrics such as PSNR. In this work, we explore the potential of purely INR-based compression methods and we propose PaaF (Picture as a Function), a novel INR-based image codec that introduces improved architectural design, adaptive quantization, and an efficient entropy coding scheme. These components are designed to enhance rate-distortion performance while preserving the simplicity and parallelizability of INR-based decoding. Experimental results demonstrate consistent improvements over existing INR-based methods in both quantitative metrics and perceptual quality. These findings highlight the potential of INR-based approaches and contribute to narrowing the gap between functional representations and more established compression paradigms.
• Abstract（参考訳）: Implicit Neural Representations (INR) は、画像圧縮の有望なパラダイムとして最近登場し、従来のコーデックと根本的に異なるアプローチを提供している。 それでも、画像圧縮のためのINRベースの手法は、PSNRのような古典的品質指標において、長いエンコーディング時間と一貫したパフォーマンスギャップに悩まされている。 本研究では、純粋にINRベースの圧縮手法の可能性を探究し、アーキテクチャ設計の改善、適応量子化、効率的なエントロピー符号化方式を導入した新しいINRベースの画像コーデックPaaF(Picture as a Function)を提案する。 これらのコンポーネントは、INRベースのデコーディングの単純さと並列化性を保ちながら、レート歪み性能を向上させるように設計されている。 実測値と知覚品質の両方において,既存のINR法よりも一貫した改善が示された。 これらの知見は、INRベースのアプローチの可能性を強調し、機能表現とより確立された圧縮パラダイムのギャップを狭めるのに寄与する。

関連論文リスト

• Higher fidelity perceptual image and video compression with a latent conditioned residual denoising diffusion model [55.2480439325792]
  本稿では,認知品質に最適化されたハイブリッド圧縮方式を提案し,CDCモデルのアプローチをデコーダネットワークで拡張する。 CDCと比較した場合,LPIPSとFIDの知覚スコアを比較検討しながら,最大2dBPSNRの忠実度向上を実現した。
  論文  参考訳（メタデータ） (2025-05-19T14:13:14Z)
• Quantum Implicit Neural Compression [11.028123436097616]
  データ圧縮に量子ニューラルネットワークの指数的にリッチな表現性を利用する量子INRを導入する。 いくつかのベンチマークデータセットを用いて評価したところ、提案したquINRベースの圧縮により、画像圧縮の速度歪み性能が向上することが示された。
  論文  参考訳（メタデータ） (2024-12-19T13:41:29Z)
• 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)
• JND-Based Perceptual Optimization For Learned Image Compression [42.822121565430926]
  学習画像圧縮方式におけるJNDに基づく知覚品質損失を提案する。 提案手法は,同じビットレートのベースラインモデルよりも知覚品質が向上したことを示す。
  論文  参考訳（メタデータ） (2023-02-25T14:49:09Z)
• Modality-Agnostic Variational Compression of Implicit Neural Representations [96.35492043867104]
  Inlicit Neural Representation (INR) としてパラメータ化されたデータの関数的ビューに基づくモーダリティ非依存型ニューラル圧縮アルゴリズムを提案する。 潜時符号化と疎性の間のギャップを埋めて、ソフトゲーティング機構に非直線的にマッピングされたコンパクト潜時表現を得る。 このような潜在表現のデータセットを得た後、ニューラル圧縮を用いてモーダリティ非依存空間におけるレート/歪みトレードオフを直接最適化する。
  論文  参考訳（メタデータ） (2023-01-23T15:22:42Z)
• SINCO: A Novel structural regularizer for image compression using implicit neural representations [10.251120382395332]
  Inlicit Neural representations (INR) は、画像圧縮のためのディープラーニング(DL)ベースのソリューションとして最近提案されている。 本稿では、画像圧縮のための新しいINR法として、INR圧縮(SINCO)の構造正則化を提案する。
  論文  参考訳（メタデータ） (2022-10-26T18:35:54Z)
• 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)
• Implicit Neural Representations for Image Compression [103.78615661013623]
  Inlicit Neural Representations (INRs) は、様々なデータ型の新規かつ効果的な表現として注目されている。 量子化、量子化を考慮した再学習、エントロピー符号化を含むINRに基づく最初の包括的圧縮パイプラインを提案する。 我々は、INRによるソース圧縮に対する我々のアプローチが、同様の以前の作業よりも大幅に優れていることに気付きました。
  論文  参考訳（メタデータ） (2021-12-08T13:02:53Z)

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。