論文の概要: Rate-Distortion-Perception Theory: Redefining the Fundamental Limits of Information Representation
- arxiv url: http://arxiv.org/abs/2607.17232v1
- Date: Sun, 19 Jul 2026 12:55:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.407629
- Title: Rate-Distortion-Perception Theory: Redefining the Fundamental Limits of Information Representation
- Title（参考訳）: 速度歪み知覚理論:情報表現の基本的限界を再定義する
- Abstract要約: RDP理論は、認識を第3の基本的な軸として導入することでRDフレームワークを拡張している。
交互化スキーム、ニュートン法、凸最適化などの計算ツールに特に注意が払われる。
- 参考スコア（独自算出の注目度）: 9.788112471288057
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Classical rate-distortion (RD) theory has long established the fundamental limits of lossy compression by quantifying the minimum number of bits required to represent a source under a prescribed distortion constraint. However, widely used distortion measures such as mean-squared error often fail to capture perceptual quality or semantic validity, which are increasingly central in modern learning-driven applications. Rate-distortion-perception (RDP) theory extends the RD framework by introducing perception as a third fundamental axis, quantified via distributional similarity between the source and reconstructed signals, leading to the rate-distortion-perception function (RDPF). This tutorial provides a structured overview of the coding principles underlying perception-aware lossy compression and surveys recent achievability results under different randomness assumptions. It then presents a unifying optimization viewpoint for computing the RDPF as defined by Blau and Michaeli, for both discrete and continuous sources under broad families of perceptual constraints, including f-divergences, alpha-divergences, and Wasserstein-based metrics. Special attention is given to computational tools such as alternating minimization schemes, Newton-based methods, and convex optimization formulations, as well as to analytically tractable cases such as Gaussian sources and the perfect-realism regime. Unlike recent broad surveys that emphasize generative architectures and AI-empowered communication systems, this tutorial focuses on the coding-theoretic and computational machinery needed to characterize, compute, and interpret the RDP limits. Finally, the tutorial outlines promising research directions at the intersection of information theory, neural compression, robust source coding, and perception-aware networked control systems.
- Abstract（参考訳）: 古典的速度歪み(RD)理論は、所定の歪み制約の下でソースを表すために必要な最小ビット数を定量化することによって、損失圧縮の基本的な限界を確立してきた。
しかし、平均二乗誤差のような広く使われている歪み測定は、現代の学習駆動アプリケーションにおいてますます中心となる知覚的品質や意味論的妥当性を捉えるのに失敗することが多い。
RDP(Ralse-Distortion-perception)理論はRDフレームワークを拡張し、第3の基本的な軸として知覚を導入し、ソースと再構成された信号の分布的類似性を通じて定量化し、RDPF(Ralse-Distortion-perception function)へと繋がる。
このチュートリアルは、認識認識による損失圧縮の基礎となるコーディング原理の構造的な概要と、異なるランダム性仮定の下での最近の達成可能性に関する調査を提供する。
次に、Blau と Michaeli が定義した RDPF を、f-分数、α-分数、ワッサーシュタインに基づくメトリクスを含む幅広い知覚的制約の族の下で離散的かつ連続的に計算するための統一最適化の視点を示す。
最小化スキームの交互化、ニュートン法、凸最適化の定式化などの計算ツールや、ガウス情報源や完全現実主義体制のような解析的に抽出可能なケースに特に注意が払われる。
生成的アーキテクチャとAIを活用した通信システムを強調する最近の広範な調査とは異なり、このチュートリアルは、RCPの限界を特徴づけ、計算し、解釈するために必要なコーディング理論と計算機械に焦点を当てている。
最後に、このチュートリアルでは、情報理論、ニューラル圧縮、ロバストなソースコーディング、知覚を意識したネットワーク制御システムの交差点における有望な研究方向について概説する。
関連論文リスト
- JSCGC: Joint Source-Channel-Generation Coding for Wireless Generative Communications [58.67925548779465]
Joint Source-Channel-Generation Coding (JSCGC) は、従来のデコーダをレシーバで生成モデルに置き換えるジェネレーティブ通信パラダイムである。
JSCGCは、様々なチャネル条件にまたがるフィーチャベース、セマンティックレベル、推論品質を一貫して改善する。
論文 参考訳（メタデータ） (2026-06-11T03:42:03Z) - A Synonymous Variational Perspective on the Rate-Distortion-Perception Tradeoff [13.751084926770773]
本稿では、同義語に基づく意味情報の観点から動機付け、ソースに関連付けられた理想的同義語集合(シンセット)内の任意の許容サンプルを復元するものとして再構成を行う。
本研究は,既存の定式化や古典的RD理論との整合性を明らかにし,同義的な音源符号化の潜在的な利点を示唆する。
論文 参考訳（メタデータ） (2026-04-16T04:21:32Z) - On the Rate-Distortion-Complexity Tradeoff for Semantic Communication [42.300429885256435]
本稿では,古典的速度歪理論を拡張するRDCフレームワークを提案する。
意味的距離と複雑性に関する制約条件下での達成可能な最小速度の理論結果を導出する。
以上の結果から,達成可能な速度,意味距離,モデル複雑性の基本的な3方向のトレードオフが示された。
論文 参考訳（メタデータ） (2026-02-16T05:45:52Z) - Semantic Rate Distortion and Posterior Design: Compute Constraints, Multimodality, and Strategic Inference [0.0]
本研究では,エンコーダとデコーダが異なる二次目的を最適化する戦略ガウス意味圧縮を,レートおよび計算制約下で研究する。
直接的, 遠隔的, 完全情報体制における戦略速度歪み関数を特徴付け, セマンティック・ウォーターフィルとレート制約付きガウス的説得解を導出し, ミスアライズされた目的の下でガウス的最適性を確立する。
これらの結果は、データとエネルギー効率のよいAIのための情報理論の基礎を提供し、リソース制約下での後設計メカニズムとして、現代の多モーダル言語モデルの原則的な解釈を提供する。
論文 参考訳（メタデータ） (2026-02-03T19:12:02Z) - Implicit Neural Representation-Based Continuous Single Image Super Resolution: An Empirical Study [50.15623093332659]
入射神経表現(INR)は任意のスケール画像超解像(ASSR)の標準的アプローチとなっている
既存の手法を多様な設定で比較し、複数の画像品質指標に対して集計結果を示す。
トレーニング中, エッジ, テクスチャ, 細部を保存しながら, 強度変化をペナライズする新たな損失関数について検討した。
論文 参考訳（メタデータ） (2026-01-25T07:09:20Z) - Joint Source-Channel-Generation Coding: From Distortion-oriented Reconstruction to Semantic-consistent Generation [58.67925548779465]
本稿では,知覚的再構成から確率的生成へ焦点を移す新しいパラダイムとして,JSCGC(Joint Source-Channel-Generation Coding)を提案する。
JSCGCは意味的品質と意味的忠実性を大幅に改善し、従来の歪み指向J SCC法よりも大幅に向上する。
論文 参考訳（メタデータ） (2026-01-19T08:12:47Z) - The Larger the Merrier? Efficient Large AI Model Inference in Wireless Edge Networks [56.37880529653111]
大規模計算モデル(LAIM)サービスの需要は、従来のクラウドベースの推論から、低レイテンシでプライバシ保護のアプリケーションのためのエッジベースの推論へのパラダイムシフトを推進している。
本稿では,事前学習したLAIMをデバイス上のサブモデルとサーバ上のサブモデルに分割して配置するLAIM推論方式について検討する。
論文 参考訳（メタデータ） (2025-05-14T08:18:55Z) - On Self-Adaptive Perception Loss Function for Sequential Lossy Compression [29.361832071511795]
我々は、平均二乗誤差(MSE)を歪み損失とする因果的、低レイテンシ、逐次的損失圧縮と、再建の現実性を高めるための知覚損失関数(PLF)を考察した。
我々は、一階マルコフ源に対する理論速度歪み知覚関数を確立し、ガウス模型を詳細に解析する。
提案手法は, 自己適応型知覚損失関数 (PLF-SA) と呼ばれる。
論文 参考訳（メタデータ） (2025-02-15T01:41:53Z) - Causal Context Adjustment Loss for Learned Image Compression [72.7300229848778]
近年,学習画像圧縮(lic)技術は,特にRD性能の点で従来の手法を上回りつつある。
現在の技術のほとんどは、自己回帰エントロピーモデルを備えたVAEベースで、デコードされた因果コンテキストを利用してRD性能を向上する。
本稿では,提案した因果文脈調整損失を用いて因果文脈を的確に調整する方法を初めて検討する。
論文 参考訳（メタデータ） (2024-10-07T09:08:32Z) - The Rate-Distortion-Perception-Classification Tradeoff: Joint Source Coding and Modulation via Inverse-Domain GANs [4.735670734773145]
チャネルレート,歪み知覚,分類精度の厳密なトレードオフが存在することを示す。
本稿では,このトレードオフをナビゲートする2つの画像圧縮手法を提案する。
また、提案したID-GANアルゴリズムは、画像の歪み、知覚、分類精度のバランスを保ち、従来の分離法よりも大幅に優れていることを示した。
論文 参考訳（メタデータ） (2023-12-22T16:06:43Z) - Compressed Regression over Adaptive Networks [58.79251288443156]
分散エージェントのネットワークによって達成可能な性能を導出し,通信制約や回帰問題を解消し,適応的に解決する。
エージェントによって最適化に必要なパラメータをオンラインで学習できる最適化アロケーション戦略を考案する。
論文 参考訳（メタデータ） (2023-04-07T13:41:08Z)
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。