論文の概要: FLM: Frequency-Aware Language Models for Generative Image Compression
- arxiv url: http://arxiv.org/abs/2608.28687v1
- Date: Wed, 26 Aug 2026 14:04:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.713439
- Title: FLM: Frequency-Aware Language Models for Generative Image Compression
- Title（参考訳）: FLM:生成画像圧縮のための周波数対応言語モデル
- Abstract要約: 周波数領域確率モデルを用いて圧縮効率を向上させる周波数認識言語モデルFLMを提案する。
実験により、FLMは、速度歪み性能において、従来および生成損失圧縮法を超越していることが示された。
- 参考スコア（独自算出の注目度）: 42.67709966291742
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative models have significantly improved the performance ceiling of image lossy compression at low bitrates by exploiting learned priors. However, the generated textures and semantic details may deviate from the source content, thereby affecting the fidelity of image reconstruction. To solve these challenges, we propose FLM, a frequency-aware language model that improves compression efficiency through frequency-domain probabilistic modeling while retaining deterministic reconstruction. At the encoder, the input image is transformed into quantized DCT coefficients, which are organized into discrete sequences using macroblock-based coefficient tokenization. FLM then performs next-coefficient prediction to autoregressively estimate token-wise conditional probability distributions for arithmetic coding, thereby generating a compact bitstream. At the decoder, the LLM and arithmetic decoder jointly recover the frequency-domain data, followed by inverse transformations for image reconstruction. A task-specific frequency-domain dataset and a two-stage fine-tuning strategy are further developed to enable the model to operate across multiple bitrate settings. FLM is a versatile compressor that is compatible with both lossy compression and lossless JPEG recompression frameworks. Experiments show that FLM exceeds conventional and generative lossy compression methods in rate-distortion performance. FLM achieves BD-PSNR gains of 3.30 dB, 3.83 dB, and 3.80 dB than JPEG baseline on Kodak, Tecnick, and CLIC2020, respectively. Better qualitative quality of FLM can be achieved in improving semantically high fidelity and suppressing blocking artifacts. FLM is also validated to be applicable to the lossless recompression task with competitive performance.
- Abstract（参考訳）: 生成モデルは、学習前の学習を利用して、低ビットレートでの画像損失圧縮の性能天井を大幅に改善した。
しかし、生成したテクスチャやセマンティックの詳細はソースの内容から逸脱し、画像再構成の忠実さに影響を与える可能性がある。
これらの課題を解決するために、周波数領域確率モデルを用いて、決定論的再構成を維持しながら圧縮効率を向上させる周波数認識言語モデルFLMを提案する。
エンコーダにおいて、入力画像は量子化されたDCT係数に変換され、マクロブロックベースの係数トークン化を用いて離散シーケンスに編成される。
次に、FLMは次の係数予測を行い、算術符号化のためのトークン単位の条件付き確率分布を自己回帰的に推定し、コンパクトなビットストリームを生成する。
復号器では、LLMと算術復号器が共同で周波数領域データを復元し、次に画像再構成のための逆変換を行う。
タスク固有の周波数領域データセットと2段階の微調整戦略がさらに開発され、モデルが複数のビットレート設定で動作できるようにする。
FLMは汎用圧縮機であり、損失のある圧縮と損失のないJPEG再圧縮フレームワークの両方と互換性がある。
実験により、FLMは、速度歪み性能において、従来および生成損失圧縮法を超越していることが示された。
FLMはコダック、テクニック、CLIC2020のJPEGベースラインよりも3.30dB、3.83dB、および3.80dBのBD-PSNRを達成している。
FLMの質的品質は、意味的に高い忠実性を改善し、ブロックアーティファクトを抑制することで達成できる。
また、FLMは競合性能を有する無損失圧縮タスクにも適用可能であることが検証されている。
関連論文リスト
- Exploiting Semantic and Pixel Representations for Ultra-Low Bitrate Image Compression [46.54433210034761]
SPRDiffは、意味表現とピクセル表現の両方を完全に活用する拡散ベースの圧縮手法である。
我々は,事前学習された歪み指向および意味指向エンコーダから高忠実度特徴を利用する三重エンコーダアーキテクチャを開発した。
ベンチマークデータセットを用いた実験により,本手法は速度-歪-知覚トレードオフにおいて最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2026-06-01T02:59:31Z) - SODiff: Semantic-Oriented Diffusion Model for JPEG Compression Artifacts Removal [50.90827365790281]
SODiffはJPEGアーティファクト削除のためのセマンティック指向のワンステップ拡散モデルである。
我々の中核的な考え方は、効果的な復元ヒンジは、事前訓練された拡散モデルに対する意味指向的なガイダンスを提供することである。
SAIPEは、低品質(LQ)画像からリッチな特徴を抽出し、テキストエンコーダとセマンティックに整合した埋め込み空間に投影する。
論文 参考訳（メタデータ） (2025-08-10T13:48:07Z) - Higher fidelity perceptual image and video compression with a latent conditioned residual denoising diffusion model [55.2480439325792]
本稿では,認知品質に最適化されたハイブリッド圧縮方式を提案し,CDCモデルのアプローチをデコーダネットワークで拡張する。
CDCと比較した場合,LPIPSとFIDの知覚スコアを比較検討しながら,最大2dBPSNRの忠実度向上を実現した。
論文 参考訳（メタデータ） (2025-05-19T14:13:14Z) - Ultra Lowrate Image Compression with Semantic Residual Coding and Compression-aware Diffusion [28.61304513668606]
ResULICは残留誘導型超低レート画像圧縮システムである。
残差信号は意味検索と拡散に基づく生成プロセスの両方に組み込む。
最先端拡散法に比べて客観的・主観的性能に優れる。
論文 参考訳（メタデータ） (2025-05-13T06:51:23Z) - Rethinking Video Tokenization: A Conditioned Diffusion-based Approach [58.164354605550194]
新しいトークン化ツールであるDiffusion Conditioned-based Gene Tokenizerは、GANベースのデコーダを条件付き拡散モデルで置き換える。
再建に基本的MSE拡散損失とKL項,LPIPSを併用した訓練を行った。
CDTのスケールダウン版(3$times inference speedup)でさえ、トップベースラインと互換性がある。
論文 参考訳（メタデータ） (2025-03-05T17:59:19Z) - 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) - You Can Mask More For Extremely Low-Bitrate Image Compression [80.7692466922499]
近年,学習画像圧縮(lic)法は大きな進歩を遂げている。
licメソッドは、画像圧縮に不可欠な画像構造とテクスチャコンポーネントを明示的に探索することができない。
原画像の構造とテクスチャに基づいて可視パッチをサンプリングするDA-Maskを提案する。
極めて低ビットレート圧縮のために, lic と lic のエンドツーエンドを統一する最初のフレームワークである, 単純で効果的なマスク付き圧縮モデル (MCM) を提案する。
論文 参考訳（メタデータ） (2023-06-27T15:36:22Z) - Lossy Image Compression with Conditional Diffusion Models [25.158390422252097]
本稿では,拡散生成モデルを用いた画像圧縮のエンドツーエンド最適化について概説する。
VAEベースのニューラル圧縮とは対照的に、(平均)デコーダは決定論的ニューラルネットワークであり、私たちのデコーダは条件付き拡散モデルである。
提案手法では,GANモデルよりもFIDスコアが強く,VAEモデルとの競合性能も高い。
論文 参考訳（メタデータ） (2022-09-14T21:53:27Z) - Lossy Compression with Gaussian Diffusion [28.930398810600504]
非条件拡散生成モデルに基づく新しい損失圧縮手法DiffCについて述べる。
エンコーダ変換の欠如にもかかわらず、概念実証を実装し、驚くほどうまく機能することを発見した。
流れに基づく再構築は,祖先サンプリングよりも高頻度で3dBのゲインを達成できることを示す。
論文 参考訳（メタデータ） (2022-06-17T16:46:31Z) - Modeling Lost Information in Lossy Image Compression [72.69327382643549]
ロスシー画像圧縮は、デジタル画像の最もよく使われる演算子の1つである。
Invertible Lossy Compression (ILC) と呼ばれる新しい非可逆的フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-22T04:04:56Z) - Generalized Octave Convolutions for Learned Multi-Frequency Image
Compression [20.504561050200365]
本稿では,初めて学習されたマルチ周波数画像圧縮とエントロピー符号化手法を提案する。
これは最近開発されたオクターブの畳み込みに基づいて、潜水剤を高周波(高分解能)成分に分解する。
提案した一般化オクターブ畳み込みは、他のオートエンコーダベースのコンピュータビジョンタスクの性能を向上させることができることを示す。
論文 参考訳（メタデータ） (2020-02-24T01:35:29Z)
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。