論文の概要: EVOLVE: Efficient Learned Volume Compression with Variable-Rate Encoding on a Cross-Domain Database
- arxiv url: http://arxiv.org/abs/2607.18187v1
- Date: Mon, 20 Jul 2026 17:26:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.721283
- Title: EVOLVE: Efficient Learned Volume Compression with Variable-Rate Encoding on a Cross-Domain Database
- Title（参考訳）: EVOLVE: クロスドメインデータベース上での可変レート符号化による学習量圧縮の効率化
- Abstract要約: 自動エンコーダ(AE)ベースのボリューム圧縮フレームワークであるEVOLVEについて述べる。
まず,21の科学的シミュレーションから6,376巻の大規模クロスドメインデータベースを構築し,多様性を確保するために知覚ハッシュを用いてキュレートした。
次に, AE ベースの圧縮機の設計空間を再検討し, マクロおよびマイクロ設計をバニラ AE に組み込んでEVOLVE を開発した。
第3に、可変レート符号化を実現するための3段階のトレーニング戦略を備えた学習可能なゲイン機構を開発する。
- 参考スコア（独自算出の注目度）: 6.618761947019336
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large-scale scientific simulations generate volumetric data at rates that far outpace advances in storage and network bandwidth, making effective lossy compression increasingly critical. However, conventional compressors often struggle to preserve fine structural details at high compression ratios (CRs), and implicit neural representations (INRs) require costly per-volume optimization and produce models with fixed CRs. To respond, we present EVOLVE, an autoencoder (AE)-based volume-compression framework that targets high CRs for offline compression, with three key contributions. First, we construct a large-scale cross-domain database of 6,376 volumes from 21 scientific simulations, curated via perceptual hashing to ensure diversity, enabling the optimized model to extract features that generalize across volumes within the covered scientific simulation domains. Second, we reexamine the design space of AE-based compressors and incorporate several macro- and micro-designs into a vanilla AE to develop EVOLVE, which substantially improves the expressive power and compression capability. Third, we develop a learnable gain mechanism with a three-stage training strategy to enable variable-rate encoding, allowing a single model to support continuous CR adjustment at inference time. Experiments on multiple unseen scientific simulation datasets demonstrate that EVOLVE achieves substantially higher CRs than conventional compressors at comparable reconstruction quality, while delivering compression speeds that are orders of magnitude faster than INR-based methods, highlighting its promise as a strong alternative for compressing scientific data. The code, model weights, and results are available on our project page at https://evolve-vis.github.io.
- Abstract（参考訳）: 大規模科学的シミュレーションは、ストレージとネットワーク帯域幅の進歩をはるかに上回る速度でボリュームデータを生成し、効率の悪い圧縮がますます重要になる。
しかし、従来の圧縮機は高い圧縮比 (CR) で微細構造の詳細を維持するのに苦労することが多く、暗黙のニューラル表現 (INR) にはコストがかかる。
本稿では,自動エンコーダ(AE)ベースのボリューム圧縮フレームワークであるEVOLVEについて述べる。
まず,21の科学的シミュレーションから6,376巻の大規模クロスドメインデータベースを構築し,多様性を確保するために知覚的ハッシュを用いてキュレートした。
次に, AE ベースの圧縮機の設計空間を再検討し, マクロおよびマイクロ設計をバニラ AE に組み込んでEVOLVE を開発した。
第3に、可変レート符号化を実現するための3段階の学習可能なゲイン機構を開発し、推論時間における連続CR調整を単一のモデルでサポートできるようにする。
複数の未知の科学シミュレーションデータセットの実験では、EVOLVEは従来の圧縮機よりも高いCRを同等の再現品質で達成し、INRベースの方法よりも桁違いに高速な圧縮速度を提供し、科学データを圧縮する強力な代替手段としてその可能性を強調している。
コード、モデルの重み付け、結果は、プロジェクトのページ(https://evolve-vis.github.io.)で公開されています。
関連論文リスト
- Qwen-Image-VAE-2.0 Technical Report [62.24146940157627]
Qwen-Image-VAE-2.0, a suite of High-compression Variational Autoencoders (VAEs)について述べる。
Qwen-Image-VAE-2.0は、汎用ドメインとテキストリッチシナリオの両方において、高い圧縮比で例外的な機能を示す、最先端の再構築性能を実現する。
論文 参考訳（メタデータ） (2026-05-13T14:04:56Z) - Arbitrary Ratio Feature Compression via Next Token Prediction [52.10426317889982]
Arbitrary Ratio Feature Compression (ARFC)フレームワークは、任意の圧縮比を単一のモデルでサポートする。
ARCは、次の回帰予測によって圧縮を行う自動回帰モデルである。
MoSモジュールは複数の圧縮結果を利用して圧縮トークンを洗練する。
ERGCは、圧縮中の意味的および構造的関係を維持するために、トレーニングプロセスに統合される。
論文 参考訳（メタデータ） (2026-02-12T02:38:57Z) - CSGaussian: Progressive Rate-Distortion Compression and Segmentation for 3D Gaussian Splatting [57.73006852239138]
本稿では,3次元ガウススプラッティングの速度歪み最適化圧縮とセグメンテーションのための最初の統一フレームワークを提案する(3DGS)。
速度歪みに最適化された3DGS圧縮の最近の進歩に触発されたこの研究は、セマンティックラーニングを圧縮パイプラインに統合し、デコーダ側アプリケーションをサポートする。
提案方式は暗黙的ニューラル表現に基づくハイパープライアを特徴とし,色属性と意味属性の両方の効率的なエントロピー符号化を実現する。
論文 参考訳（メタデータ） (2026-01-19T08:21:45Z) - Foundation Model for Lossy Compression of Spatiotemporal Scientific Data [11.494915987840876]
損失のある科学的データ圧縮のための基礎モデル(FM)を提案する。
可変オートエンコーダ(E)と超高次構造と超高分解能(SR)モジュールを組み合わせる。
論文 参考訳（メタデータ） (2024-12-22T22:57:08Z) - Compression-Realized Deep Structural Network for Video Quality Enhancement [78.13020206633524]
本稿では,圧縮ビデオの品質向上の課題に焦点をあてる。
既存の手法のほとんどは、圧縮コーデック内での事前処理を最適に活用するための構造設計を欠いている。
新しいパラダイムは、より意識的な品質向上プロセスのために緊急に必要である。
論文 参考訳（メタデータ） (2024-05-10T09:18:17Z) - Convolutional variational autoencoders for secure lossy image compression in remote sensing [47.75904906342974]
本研究では,畳み込み変分オートエンコーダ(CVAE)に基づく画像圧縮について検討する。
CVAEは、JPEG2000のような従来の圧縮手法を圧縮ベンチマークデータセットのかなりのマージンで上回ることが示されている。
論文 参考訳（メタデータ） (2024-04-03T15:17:29Z) - Fed-CVLC: Compressing Federated Learning Communications with
Variable-Length Codes [54.18186259484828]
フェデレートラーニング(FL)パラダイムでは、パラメータサーバ(PS)がモデル収集、更新アグリゲーション、複数のラウンドでのモデル分散のために、分散参加クライアントと同時通信する。
FLの圧縮には可変長が有用であることを示す。
本稿では,Fed-CVLC(Federated Learning Compression with Variable-Length Codes)を提案する。
論文 参考訳（メタデータ） (2024-02-06T07:25:21Z) - A Survey on Transformer Compression [84.18094368700379]
自然言語処理(NLP)とコンピュータビジョン(CV)の領域においてトランスフォーマーは重要な役割を果たす
モデル圧縮法は、Transformerのメモリと計算コストを削減する。
この調査は、Transformerベースのモデルに適用することに焦点を当てた、最近の圧縮方法に関する包括的なレビューを提供する。
論文 参考訳（メタデータ） (2024-02-05T12:16:28Z) - SRN-SZ: Deep Leaning-Based Scientific Error-bounded Lossy Compression
with Super-resolution Neural Networks [13.706955134941385]
本研究では,SRN-SZを提案する。
SRN-SZはその圧縮に最も高度な超解像ネットワークHATを適用している。
実験では、SRN-SZは最大75%の圧縮比の改善を同じ誤差境界下で達成する。
論文 参考訳（メタデータ） (2023-09-07T22:15:32Z) - Efficient Data Compression for 3D Sparse TPC via Bicephalous
Convolutional Autoencoder [8.759778406741276]
この研究は、textitBicephalous Convolutional AutoEncoder (BCAE)と呼ばれる、空間と回帰を同時に解決するデュアルヘッドオートエンコーダを導入している。
これはMGARD、SZ、ZFPといった従来のデータ圧縮手法と比較して圧縮忠実度と比の両方の利点を示している。
論文 参考訳（メタデータ） (2021-11-09T21:26:37Z) - Exploring Autoencoder-based Error-bounded Compression for Scientific
Data [14.724393511470225]
我々は,SZモデルの観点から,エラーバウンドオートエンコーダベースのフレームワークを開発する。
設計したAEベースエラーバウンド圧縮フレームワークの主段の圧縮品質を最適化する。
論文 参考訳（メタデータ） (2021-05-25T07:53:32Z)
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。