論文の概要: JPEG AIC2026: A large-scale dataset for fine-grained assessment of image coding
- arxiv url: http://arxiv.org/abs/2607.22783v1
- Date: Fri, 24 Jul 2026 10:45:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:14.877461
- Title: JPEG AIC2026: A large-scale dataset for fine-grained assessment of image coding
- Title（参考訳）: JPEG AIC2026:画像符号化のきめ細かい評価のための大規模データセット
- Abstract要約: 本稿では,高忠実度画像圧縮のための大規模データセットであるAIC2026(AIC2026)について述べる。
このデータセットは、8つの従来の4つの学習ベースのコーデックによって生成される幅広い圧縮アーティファクトをカバーしている。
従来のIQA法と12の学習に基づくIQA法を用いて,広範囲な客観的解析を行った。
- 参考スコア（独自算出の注目度）: 37.01438489713517
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Recent advances in conventional and learning-based image coding have increased the demand for benchmark datasets that support fine-grained assessment of compressed image quality, particularly for learning-based image compression methods. This paper introduces Assessment of Image Coding 2026 (AIC2026), a large-scale dataset for high-fidelity image compression containing 70 source images selected from 2,787 candidates using semantic clustering, inter-metric disagreement among objective image quality assessment (IQA) methods, and manual inspection and refinement. The dataset covers a wide range of compression artifacts produced by eight conventional and four learning-based codecs across 17 coding configurations. Each source image is encoded using seven codecs. For each source-codec pair, decoded images are provided at 20 perceptually spaced distortion levels, corresponding approximately to 0.2-4.0 just-noticeable difference (JND) units using the ColorVideoVDP (CVVDP) metric for distortion estimation, yielding 9,618 distorted images. This fine-grained sampling enables analysis of rate-distortion behavior and objective metric evaluation for subtle quality differences across a wide range of compression artifacts. We report an extensive objective analysis using 24 conventional and 12 learning-based IQA methods. The results show substantial disagreement among current IQA methods for fine-grained quality differences, particularly for artifacts introduced by learning-based codecs. The complete dataset is publicly available at https://doi.org/10.18419/DARUS-6156.
- Abstract（参考訳）: 従来型および学習型画像符号化の進歩により、特に学習型画像圧縮法において、圧縮画像品質のきめ細かい評価を支援するベンチマークデータセットの需要が高まっている。
本稿では,2,787の候補から選択された70のソース画像を含む高忠実度画像圧縮のための大規模データセットである画像符号化2026 (AIC2026) の評価について紹介する。
このデータセットは、17のコーディング構成にまたがる8つの従来の4つの学習ベースのコーデックによって生成される幅広い圧縮アーティファクトをカバーしている。
各ソースイメージは7つのコーデックを使用して符号化される。
各ソースコーデック対に対して、デコードされた画像は、約0.2-4.0のジャスト・ナッショナブル・差分(JND)単位で、歪み推定のためにColorVideoVDP(CVVDP)メートル法を用いて、約9,618の歪み画像を生成する。
この微細なサンプリングにより、様々な圧縮加工品の微妙な品質差に対する速度歪み挙動の解析と客観的な評価が可能となる。
従来のIQA法と12の学習に基づくIQA法を用いて,広範囲な客観的解析を行った。
その結果,既存のIQA法では,特に学習ベースコーデックによって導入されたアーティファクトにおいて,微粒な品質差が顕著に相違していることが判明した。
完全なデータセットはhttps://doi.org/10.18419/DARUS-6156で公開されている。
関連論文リスト
- Subjective Visual Quality Assessment for High-Fidelity Learning-Based Image Compression [2.296138318128071]
JPEG AIC-3 手法を用いて,JPEG AI 圧縮画像の包括的主観的品質評価を行う。
強化された3重項比較と平易な3重項比較に基づく統一モデルを用いて,JNDに基づく品質尺度を再構築した。
CVVDPの指標は全体の最高性能を達成したが、CVDPを含むほとんどの指標はJPEG AI圧縮画像の品質予測において過度に楽観的であった。
論文 参考訳（メタデータ） (2025-04-07T15:16:58Z) - JPEG AI Image Compression Visual Artifacts: Detection Methods and Dataset [0.0]
近年,学習に基づく画像圧縮手法が改良され,従来のコーデックよりも優れ始めた。
ニューラルネットワークアプローチは、いくつかの画像に予期せず視覚的アーティファクトを導入することができる。
本研究では, 3種類のアーティファクトを別々に検出し, 影響を受ける領域を局所化し, アーティファクトの強度を定量化する手法を提案する。
論文 参考訳（メタデータ） (2024-11-11T09:11:01Z) - Fine-grained subjective visual quality assessment for high-fidelity compressed images [4.787528476079247]
JPEG標準化プロジェクトであるAICは、高忠実度画像に対する主観的な画質評価手法を開発している。
本稿では,提案手法,高品質な圧縮画像のデータセット,およびそれに対応するクラウドソースによる視覚的品質評価について述べる。
また、単に目立った差分(JND)単位で品質スケールの値を再構築するデータ分析のアプローチも概説している。
論文 参考訳（メタデータ） (2024-10-12T11:37:19Z) - AIM 2024 Challenge on Compressed Video Quality Assessment: Methods and Results [120.95863275142727]
本稿では,ECCV 2024における画像操作の進歩(AIM)ワークショップと共同で開催されている圧縮映像品質評価の課題について述べる。
この課題は、様々な圧縮標準の14コーデックで符号化された459本の動画の多様なデータセット上で、VQA法の性能を評価することであった。
論文 参考訳（メタデータ） (2024-08-21T20:32:45Z) - Compressed image quality assessment using stacking [4.971244477217376]
圧縮画像品質評価において、一般化は大きな課題であると見なすことができる。
表示されたIQAには、セマンティック情報と低レベル情報の両方が使われ、人間の視覚システムを予測する。
clic2024の知覚画像チャレンジの品質ベンチマークの精度は79.6%に達した。
論文 参考訳（メタデータ） (2024-02-01T20:12:26Z) - Subjective and Objective Quality Assessment for in-the-Wild Computer
Graphics Images [57.02760260360728]
我々は6000のCGI(CGIQA-6k)からなる大規模CGIQAデータベースを構築した。
本稿では, 歪みと美的品質表現を両立させて, 効果的な深層学習に基づくno-reference (NR) IQAモデルを提案する。
実験の結果,提案手法は構築したCGIQA-6kデータベース上で,最先端のNR IQA法よりも優れていた。
論文 参考訳（メタデータ） (2023-03-14T16:32:24Z) - A New Image Codec Paradigm for Human and Machine Uses [53.48873918537017]
本研究では,人間用と機械用の両方にスケーラブルな画像パラダイムを提案する。
高レベルのインスタンスセグメンテーションマップと低レベルの信号特徴をニューラルネットワークで抽出する。
画像は16ビットのグレースケールプロファイルと信号特徴を持つ一般的な画質のイメージ再構成を実現するために設計および訓練される。
論文 参考訳（メタデータ） (2021-12-19T06:17:38Z) - Variable-Rate Deep Image Compression through Spatially-Adaptive Feature
Transform [58.60004238261117]
空間特徴変換(SFT arXiv:1804.02815)に基づく多目的深部画像圧縮ネットワークを提案する。
本モデルは,任意の画素単位の品質マップによって制御される単一モデルを用いて,幅広い圧縮速度をカバーしている。
提案するフレームワークにより,様々なタスクに対してタスク対応の画像圧縮を行うことができる。
論文 参考訳（メタデータ） (2021-08-21T17:30:06Z) - Quantization Guided JPEG Artifact Correction [69.04777875711646]
我々はJPEGファイル量子化行列を用いたアーティファクト修正のための新しいアーキテクチャを開発した。
これにより、特定の品質設定のためにトレーニングされたモデルに対して、単一のモデルで最先端のパフォーマンスを達成できます。
論文 参考訳（メタデータ） (2020-04-17T00:10:08Z)
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。