論文の概要: Every Packet Counts: Dispersing Information for Loss-Resilient Learned Image Compression

• arxiv url: http://arxiv.org/abs/2608.11096v1
• Date: Tue, 11 Aug 2026 16:01:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:46.112391
• Title: Every Packet Counts: Dispersing Information for Loss-Resilient Learned Image Compression
• Title（参考訳）: 各パケット数:ロス耐性学習画像圧縮のための分散情報
• Abstract要約: パケットロスに対処するエンドツーエンドのロス耐性画像圧縮方式を提案する。 本手法は, 復元品質と安定性の両面において, 既存手法より一貫して優れる。 特に、一様ランダム損失のみで訓練されたモデルでは、ギルバート・エリオットチャネルでモデル化されたバースト損失を一般化する。
• 参考スコア（独自算出の注目度）: 18.227887897767385
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learned image compression (LIC) has achieved impressive rate-distortion performance. However, existing methods remain highly vulnerable to packet loss, a common challenge in satellite and emergency communications. This vulnerability stems from non-uniform information distribution at the packetization stage and sequential decoding dependencies at the entropy coding stage. We propose an end-to-end loss-resilient image compression scheme that addresses both. Before packetization, we introduce an Inter-Channel Redistribution (ICR) mechanism to redistribute channel energy, preventing critical information concentrating in a small subset of channels. Then, an Interleaved Channel Grouping (ICG) strategy partitions latent channels in a strided manner to disperse information across packets, with each packet kept within constrained sizes. To limit cascading errors from lost packets, we adopt a two-layer dual-branch autoregressive structure to shorten the dependency chain. Extensive experiments demonstrate that our method consistently outperforms existing approaches in both reconstruction quality and stability. At 20% packet loss, it achieves an average PSNR gain of 1.84 dB over LossResilientLIC while reducing PSNR variance by an order of magnitude. Notably, trained under uniform random loss only, our model generalizes to bursty loss modeled by the Gilbert-Elliott channel, outperforming methods explicitly trained for such conditions.
• Abstract（参考訳）: 学習された画像圧縮(lic)は、顕著な速度歪み性能を達成した。 しかし、既存の手法は、衛星通信や緊急通信において共通の課題であるパケット損失に対して非常に脆弱なままである。 この脆弱性は、パケット化段階での非一様情報分布とエントロピー符号化段階でのシーケンシャルデコード依存性に由来する。 本稿では,双方に対処するエンドツーエンドのロスレジリエント画像圧縮方式を提案する。 パケット化前、チャネルエネルギーを再分配するICR(Inter-Channel Redistribution)機構を導入し、チャネルの小さなサブセットに集中する臨界情報を防止した。 そして、Interleaved Channel Grouping(ICG)戦略は、遅延チャネルを頑健な方法で分割し、パケット間で情報を分散し、各パケットを制約されたサイズに保持する。 損失パケットからのカスケードエラーを制限するために,2層二重分岐自己回帰構造を採用し,依存関係連鎖を短くする。 大規模な実験により,本手法は復元品質と安定性の両面において,既存手法よりも一貫して優れていることが示された。 20%のパケット損失で、ロスレジエンチリックよりも平均1.84dBのPSNRゲインを達成すると同時に、PSNRのばらつきを桁違いに低減する。 特に、一様ランダム損失のみで訓練されたモデルでは、ギルバート・エリオット流路でモデル化されたバースト損失を一般化し、これらの条件に対して明示的に訓練された方法よりも優れる。

関連論文リスト

• Semantic-Aware Neural Video Codec for Error-Resilient Low-Latency Transmission [5.626680522690602]
  物理AIシステムは信頼性の低い、タスク指向のビデオ通信を必要とする。 本稿では,信頼性の低いチャンネル上での高能率低遅延ビデオ伝送のための意味認識型多レベルニューラルビデオ符号化手法を提案する。 提案手法は,パケット消去時のベースラインDCVC-RTのロバスト性を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2026-09-14T19:37:33Z)
• ELMZip: Onboard Satellite Image Compression via Extreme Learning Machines for Efficient Downlink [4.8991398556410415]
  ELMZipは、効率的な解像度のない車載ニューラル表現のための新しいフレームワークである。 ELMZipは、ランダムな単一層ネットワークを用いて、このフィッティングプロセスを凸最小二乗問題として定式化する。 繰り返し最適化に依存し、完全なネットワークパラメータの送信を必要とする従来のニューラル表現アプローチとは異なり、EMMZipは大幅な圧縮効率を達成する。
  論文  参考訳（メタデータ） (2026-08-07T08:17:09Z)
• Packet-Loss Robust 3D Gaussian Compression via Atomic Packaging and GNN-based Error Concealment [3.679539308969595]
  パケットロスによるロバストな3DGS伝送とエラー隠蔽フレームワークを提案する。 ハッシュグリッド前処理にクロスアテンションを持つ軽量な2層グラフニューラルネットワークは、高周波特性残基を洗練する。 BungeeNeRF, Mip-NeRF 360, Tanks and Temples で20%以下のランダムパケットロス実験を行った結果, 提案手法は非連続伝送よりも大幅に改善されていることがわかった。
  論文  参考訳（メタデータ） (2026-07-20T13:13:38Z)
• HSCP: A Two-Stage Spectral Clustering Framework for Resource-Constrained UAV Identification [16.880773405024126]
  本稿では,階層型スペクトルクラスタリング・プルーニングフレームワークHSCPを紹介する。 層プルーニングとチャネルプルーニングを組み合わせることで、極端な圧縮、高性能、効率的な推論を実現する。 UAV-M100ベンチマークの実験は、HSCPが既存のチャネルおよび層プルーニング法より優れていることを示した。
  論文  参考訳（メタデータ） (2025-12-05T16:03:53Z)
• SecDiff: Diffusion-Aided Secure Deep Joint Source-Channel Coding Against Adversarial Attacks [73.41290017870097]
  SecDiffは、プラグイン・アンド・プレイの拡散支援デコーディングフレームワークである。 対向無線環境下での深部JSCCの安全性と堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-11-03T11:24:06Z)
• Prediction-Powered Communication with Distortion Guarantees [65.37485275954224]
  本研究では,デバイスが厳密な歪み保証付きゼロ遅延制約の下で通信する,予測駆動型通信環境について検討する。 本稿では,オンラインコンフォメーション予測を利用した2つのゼロ遅延圧縮アルゴリズムを提案する。 セマンティックテキスト圧縮の実験は、そのアプローチを検証し、ビットレートの大幅な削減を示す。
  論文  参考訳（メタデータ） (2025-09-29T07:19:39Z)
• QuantSparse: Comprehensively Compressing Video Diffusion Transformer with Model Quantization and Attention Sparsification [67.15451442018258]
  拡散変換器は素晴らしいビデオ生成能力を示すが、その計算とメモリの禁止コストは実際の展開を妨げる。 モデル量子化とアテンションスパシフィケーションは圧縮に有望な2つの方向であるが、それぞれがアグレッシブ圧縮の下で深刻な性能劣化を被っている。 モデル量子化と注意散布を統合した統合フレームワークである textbfQuantSparse を提案する。
  論文  参考訳（メタデータ） (2025-09-28T06:49:44Z)
• Conquering High Packet-Loss Erasure: MoE Swin Transformer-Based Video Semantic Communication [11.845717685362814]
  本稿では,パケットロス耐性 MoE Swin Transformer-based Video Semantic Communication (MSTVSC) システムを提案する。 本稿では,パケットロス耐性のMoE Swin Transformerを用いたビデオセマンティック通信(MSTVSC)システムを提案する。
  論文  参考訳（メタデータ） (2025-08-02T05:41:52Z)
• Diffusion-Driven Semantic Communication for Generative Models with Bandwidth Constraints [66.63250537475973]
  本稿では,帯域制限付き生成モデルのための,高度なVAEベースの圧縮を用いた拡散駆動型セマンティック通信フレームワークを提案する。 実験の結果,ピーク信号対雑音比 (PSNR) などの画素レベルの指標と,LPIPS (Learning Perceptual Image patch similarity) のような意味的指標が大幅に改善された。
  論文  参考訳（メタデータ） (2024-07-26T02:34:25Z)
• Communication-Efficient Distributed Learning with Local Immediate Error Compensation [95.6828475028581]
  本稿では,局所的即時誤差補償SGD (LIEC-SGD) 最適化アルゴリズムを提案する。 LIEC-SGDは、コンバージェンスレートまたは通信コストのいずれにおいても、以前の研究よりも優れている。
  論文  参考訳（メタデータ） (2024-02-19T05:59:09Z)
• Reducing Redundancy in the Bottleneck Representation of the Autoencoders [98.78384185493624]
  オートエンコーダは教師なしニューラルネットワークの一種であり、様々なタスクを解くのに使用できる。 本稿では,ボトルネック表現における特徴冗長性を明示的に罰する手法を提案する。 我々は,3つの異なるデータセットを用いた次元削減,MNISTデータセットを用いた画像圧縮,ファッションMNISTを用いた画像デノナイズという,さまざまなタスクにまたがってアプローチを検証した。
  論文  参考訳（メタデータ） (2022-02-09T18:48:02Z)
• Discrimination-aware Network Pruning for Deep Model Compression [79.44318503847136]
  既存のプルーニング手法は、スクラッチからスパーシティ制約で訓練するか、事前訓練されたモデルと圧縮されたモデルの特徴マップ間の再構成誤差を最小限に抑えるかのいずれかである。 本稿では,識別能力に実際に寄与するチャネルを選択するために,識別認識チャネルプルーニング (DCP) と呼ばれる簡便な手法を提案する。 画像分類と顔認識の両方の実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-01-04T07:07:41Z)

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。