論文の概要: Wavefront Parallelization for Efficient Learned Image Compression

• arxiv url: http://arxiv.org/abs/2607.19082v1
• Date: Tue, 21 Jul 2026 13:18:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.43294
• Title: Wavefront Parallelization for Efficient Learned Image Compression
• Title（参考訳）: 効率的な学習画像圧縮のための波面並列化
• Authors: Shimon Murai, Fangzheng Lin, Kasidis Arunruangsirilert, Jiro Katto,
• Abstract要約: 本稿では,ビデオ符号化標準におけるウェーブフロント並列性にインスパイアされた,トレーニング不要な推論時間加速アルゴリズムを提案する。 実験により,本手法は,事前学習した自己回帰モデルに対して,当初の速度歪み性能を保ちながら,13時間以上で高速化することを示した。
• 参考スコア（独自算出の注目度）: 6.338418054646108
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autoregressive context models are foundational for learned image compression,but they suffer from slow serial inference. Existing acceleration methods such as checkerboard context require architectural changes and retraining, thus are inapplicable to pre-trained models. We propose a completely training-free inference-time acceleration algorithm inspired by wavefront parallelism in video coding standards. Our method reorganizes inference into an optimal ``staggered'' wavefront order, minimizing sequential steps while maintaining exact autoregressive dependencies. Experimental results show our approach accelerates pre-trained autoregressive models (e.g., Cheng et al.) by more than $13\times$ while preserving the original rate-distortion performance. We also demonstrate that faster decoding is possible by trading off precise context dependencies. Source code will be available at https://github.com/tokkiwa/compressai-wavefront.
• Abstract（参考訳）: 自己回帰的文脈モデルは、学習された画像圧縮の基礎であるが、遅いシリアル推論に悩まされている。 チェッカーボードのコンテキストのような既存のアクセラレーション手法では、アーキテクチャの変更と再トレーニングが必要であり、事前訓練されたモデルには適用できない。 本稿では,ビデオ符号化標準におけるウェーブフロント並列性に着想を得た,完全学習不要な推論時間加速アルゴリズムを提案する。 我々の手法は推論を最適な ``staggered'' の波面順序に再構成し、正確な自己回帰的依存関係を維持しながらシーケンシャルなステップを最小化する。 提案手法は,事前学習した自己回帰モデル(例: Cheng et al )を,元々の速度歪み性能を維持しつつ,13\times$以上加速することを示す。 また、正確なコンテキスト依存をトレードオフすることで、高速なデコードが可能になることを実証しています。 ソースコードはhttps://github.com/tokkiwa/compressai-wavefront.comで入手できる。

関連論文リスト

• Self Forcing: Bridging the Train-Test Gap in Autoregressive Video Diffusion [67.94300151774085]
  本稿では,自己回帰ビデオ拡散モデルのための新しい訓練パラダイムであるSelf Forcingを紹介する。 露光バイアスの長年の問題に対処し、地道的な文脈で訓練されたモデルは、自身の不完全な出力で条件付けられたシーケンスを生成する必要がある。
  論文  参考訳（メタデータ） (2025-06-09T17:59:55Z)
• Fast constrained sampling in pre-trained diffusion models [80.99262780028015]
  任意の制約下で高速で高品質な生成を可能にするアルゴリズムを提案する。 我々の手法は、最先端のトレーニングフリー推論手法に匹敵するか、超越した結果をもたらす。
  論文  参考訳（メタデータ） (2024-10-24T14:52:38Z)
• Multistage Spatial Context Models for Learned Image Compression [19.15884180604451]
  高速デコードとRD性能の両立が可能な多段階空間コンテキストモデルを提案する。 提案手法は,AutoregressiveのRD性能に到達しながら,Checkerboardに匹敵するデコード速度を特徴とする。
  論文  参考訳（メタデータ） (2023-02-18T08:55:54Z)
• Does compressing activations help model parallel training? [64.59298055364336]
  モデル並列性に対する圧縮法の有効性に関する実験的検討を行った。 圧縮アルゴリズムの3つの共通クラスを実装し,評価する。 我々は160以上の設定と8つの一般的なデータセットでこれらの手法を評価した。
  論文  参考訳（メタデータ） (2023-01-06T18:58:09Z)
• Post-Training Quantization for Cross-Platform Learned Image Compression [15.67527732099067]
  学習した画像圧縮が従来の画像符号化技術より優れていることが確認されている。 考慮すべき最も重要な問題の1つは、非決定論的計算である。 本稿では,学習後量子化の導入によってこの問題を解決することを提案する。
  論文  参考訳（メタデータ） (2022-02-15T15:41:12Z)
• Accordion: Adaptive Gradient Communication via Critical Learning Regime Identification [12.517161466778655]
  分散モデルトレーニングは、計算ノードにまたがる頻繁なモデル更新による通信ボトルネックに悩まされる。 これらのボトルネックを軽減するために、実践者はスパーシフィケーションや量子化、低ランク更新といった勾配圧縮技術を使用する。 本研究では,高圧縮比の選択による性能劣化が基本的でないことを示す。 適応圧縮戦略は、最終テスト精度を維持しながら通信を低減することができる。
  論文  参考訳（メタデータ） (2020-10-29T16:41:44Z)
• Content Adaptive and Error Propagation Aware Deep Video Compression [110.31693187153084]
  本稿では,コンテンツ適応型・誤り伝搬対応型ビデオ圧縮システムを提案する。 本手法では, 複数フレームの圧縮性能を1フレームではなく複数フレームで考慮し, 共同学習手法を用いる。 従来の圧縮システムでは手作りのコーディングモードを使用する代わりに,オンラインエンコーダ更新方式をシステム内に設計する。
  論文  参考訳（メタデータ） (2020-03-25T09:04:24Z)

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。