論文の概要: Group-of-Latents: Perceptual Video Compression at Extreme Bitrates via Masked Latent Generative Modeling
- arxiv url: http://arxiv.org/abs/2607.19437v1
- Date: Tue, 21 Jul 2026 06:36:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-23 18:51:37.891849
- Title: Group-of-Latents: Perceptual Video Compression at Extreme Bitrates via Masked Latent Generative Modeling
- Title（参考訳）: Group-of-Latents:Masked Latent Generative Modelingによる極小ビットレートにおける知覚ビデオ圧縮
- Abstract要約: 本稿では,事前学習した拡散変圧器を組み込んだ統合生成フレームワークを提案し,高い知覚品質を極端に低速で達成する。
提案手法は,空間的細部が豊富で時間的整合性が強い,最先端の知覚的忠実度を実現する。
- 参考スコア（独自算出の注目度）: 49.11379121512358
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most existing video compression algorithms follow a paradigm of transformation and quantization, optimizing the trade-off between distortion and bitrate. However, extremely low-bitrate compression remains an underexplored frontier where perceptual quality optimization under severely constrained coding resources has not been adequately addressed. In this paper, we propose a unified generative framework that leverages pre-trained Diffusion Transformer (DiT) priors to achieve high perceptual quality at extremely low bitrates. We first introduce a flexible Group-of-Latents (GoL) strategy within the latent space of a causal tokenizer, explicitly partitioning the latent stream into intra $I$-latents and inter $P$-latents. The Deep Compression Module (I-DCM) then encodes key $I$-latents to preserve perceptual anchors with minimal overhead. Building upon these anchors, the DiT-based Unified Latent Denoising Module (U-LDM) refines intra-frame textures and synthesizes $P$-latents from noise, reconstructing temporal dynamics at zero additional bitrate cost. Extensive experiments demonstrate that our method uniquely operates in the extreme-low-bitrate regime (e.g., (<0.005) bpp), achieving state-of-the-art perceptual fidelity with rich spatial details and robust temporal consistency. The code will be made publicly available.
- Abstract（参考訳）: ほとんどの既存のビデオ圧縮アルゴリズムは変換と量子化のパラダイムに従い、歪みとビットレートのトレードオフを最適化する。
しかし、非常に低ビットレート圧縮は、厳密な制約のある符号化リソース下での知覚品質の最適化が適切に対処されていない未発見のフロンティアのままである。
本稿では,事前学習した拡散変換器(DiT)を用いて,極低ビットレートで高い知覚品質を実現するための統合生成フレームワークを提案する。
まず、因果トークン化器の潜伏空間内で、フレキシブルなグループ・オブ・ラテント(GoL)戦略を導入し、潜伏ストリームを$I$-latentsと$P$-latentsに明示的に分割する。
Deep Compression Module (I-DCM) はキー$I$-latentをエンコードし、最小限のオーバーヘッドで知覚アンカーを保存する。
これらのアンカーに基づいて、DiTベースのUnified Latent Denoising Module (U-LDM)はフレーム内のテクスチャを洗練し、ノイズから$P$-latentsを合成し、時間ダイナミクスをゼロビットレートコストで再構築する。
広汎な実験により,本手法は極低ビット状態 (eg , (<0.005) bpp) で一意に動作し, 空間的深度と強靭な時間的整合性を有する最先端の知覚的忠実性を実現することができた。
コードは公開されます。
関連論文リスト
- ZeroGVC: Zero-Shot Generative Video Compression with Autoregressive Diffusion Priors [52.50325804778549]
我々はゼロショット生成ビデオ圧縮フレームワークZeroGVCを提案する。
ZeroGVCは、画像群(GOP)の最初のフレームを符号化し、Codebook-Guided Autoregressive Latent Compressionを通じてその後のPフレームを表現する。
標準ビデオ圧縮ベンチマークの実験では、ZeroGVCは、追加のトレーニングを伴わずに、超低速度での知覚的再構成品質が優れたことを実証している。
論文 参考訳（メタデータ） (2026-06-21T07:46:14Z) - Dual-Constrained Diffusion Image Compression for Operational Rate-Distortion-Perception Optimization [12.089576134087594]
本稿では,DCIC(Dual-Constrained Diffusion Image Compression)を提案する。
固定レートでは、二重減衰係数$(K_D,K_P)$は歪み知覚平面のフロンティアを共同でナビゲートし、単一のビットストリームから連続的に調整可能なフィリティリアリズムトレードオフを可能にする。
論文 参考訳（メタデータ） (2026-06-11T13:53:02Z) - Efficient Learned Image Compression without Entropy Coding [62.01837001379442]
エントロピー符号化自由学習画像圧縮(EF-LIC)を提案する。
EF-LICは、符号化レイテンシの低い統計的および相関的冗長性を排除し、コンパクトな表現を生成するマルチレートフレームワークである。
実験の結果、EF-LIC はコダックの MS-ILLM を LPIPS で67.86% 削減できることがわかった。
論文 参考訳（メタデータ） (2026-05-22T07:37:30Z) - Geometric Transformation-Embedded Mamba for Learned Video Compression [5.89272315125701]
直接変換戦略,すなわち非線形変換,量子化,エントロピー符号化に基づくビデオ圧縮フレームワークを提案する。
提案手法は,低ビットレート制約下での知覚的品質と時間的一貫性の観点から,最先端のビデオ圧縮手法より優れる。
論文 参考訳（メタデータ） (2026-03-09T03:14:07Z) - S-PRESSO: Ultra Low Bitrate Sound Effect Compression With Diffusion Autoencoders And Offline Quantization [24.710418261668888]
我々は,48kHzの音響効果圧縮モデルであるS-PRESSOについて述べる。
我々のモデルは、遅延エンコーダが学習した圧縮オーディオ埋め込みを復号するために、事前訓練された潜時拡散モデルに依存している。
S-PRESSOは、音質、音響的類似性、再現性の両方において、連続的および離散的ベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2026-02-16T10:28:38Z) - MTC-VAE: Multi-Level Temporal Compression with Content Awareness [54.85288415164888]
Latent Video Diffusion Models (LVDMs) は可変オートエンコーダ (VAEs) を使ってビデオをコンパクトな遅延表現に圧縮する。
固定圧縮率VAEを多段階時間圧縮をサポートするモデルに変換する手法を提案する。
論文 参考訳（メタデータ） (2026-02-01T17:08:02Z) - Turbo-DDCM: Fast and Flexible Zero-Shot Diffusion-Based Image Compression [54.1069581766925]
本稿では,既存の手法よりも高速に動作する効率的なゼロショット拡散圧縮法を提案する。
提案手法は,最近提案されたDenoising Diffusion Codebook Models (DDCM) 圧縮方式に基づいている。
ユーザが指定した領域を優先する優先度対応型であるTurbo-DDCMと、ターゲットのBPPではなくターゲットのPSNRに基づいて画像を圧縮する歪み制御型である。
論文 参考訳（メタデータ） (2025-11-09T15:41:27Z) - StableCodec: Taming One-Step Diffusion for Extreme Image Compression [19.69733852050049]
拡散に基づく画像圧縮は、高いリアリズムで超低符号化(1ピクセルあたり0.05ビット未満)を達成するという驚くべき可能性を示している。
現在のアプローチでは、極端な制約の下で現実的な結果を生成するために、デコーダの多数のデノナイズステップが必要となる。
本稿では,高忠実度・高現実性画像圧縮のための一段階拡散を可能にするStableCodecを紹介する。
論文 参考訳（メタデータ） (2025-06-27T07:39:21Z) - Single-step Diffusion for Image Compression at Ultra-Low Bitrates [19.76457078979179]
超低速度で高い知覚品質と高速デコードを実現する画像圧縮のための単一ステップ拡散モデルを提案する。
このアプローチには2つの重要なイノベーションが含まれている。 (i) ベクトル量子残留(VQ-Residual)トレーニング。
圧縮性能は最先端の手法に匹敵し,デコード速度を約50倍向上させる。
論文 参考訳（メタデータ） (2025-06-19T19:53:27Z) - Multi-Scale Invertible Neural Network for Wide-Range Variable-Rate Learned Image Compression [90.59962443790593]
本稿では,制限を克服するために,可逆変換に基づく可変レート画像圧縮モデルを提案する。
具体的には、入力画像をマルチスケールの潜在表現にマッピングする、軽量なマルチスケール非可逆ニューラルネットワークを設計する。
実験結果から,提案手法は既存の可変レート法と比較して最先端性能を実現することが示された。
論文 参考訳（メタデータ） (2025-03-27T09:08:39Z) - Once-for-All: Controllable Generative Image Compression with Dynamic Granularity Adaptation [52.82508784748278]
本稿では,制御生成画像圧縮フレームワークである制御-GICを提案する。
制御-GICは、高忠実度と一般性圧縮を確保しつつ、広帯域での微粒化適応を可能にする。
実験により,制御-GICは高い柔軟かつ制御可能な適応を可能にし,その結果が最近の最先端手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-06-02T14:22:09Z)
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。