論文の概要: Tree-Structured Vector Quantization For Efficient And Progressive Image Compression
- arxiv url: http://arxiv.org/abs/2609.03641v1
- Date: Thu, 03 Sep 2026 10:41:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:39.021447
- Title: Tree-Structured Vector Quantization For Efficient And Progressive Image Compression
- Title（参考訳）: 効率的な画像圧縮のための木構造ベクトル量子化
- Abstract要約: 学習画像圧縮のためのプログレッシブツリー構造ベクトル量子化フレームワークを提案する。
Tree-VQは、個別のコードワードを階層的なバイナリツリーとして整理し、ルートされたルート・ツー・リーフパスで各潜在トークンを表現する。
実験により、Tree-VQは、競合するメソッドよりもはるかに少ないパラメータと低いレイテンシで、最高の知覚的圧縮結果を提供する。
- 参考スコア（独自算出の注目度）: 16.294877147179253
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vector-quantization based image compression has achieved strong rate--distortion performance, yet most of them still produce a separate compressed representation for each target bitrate. Such variable-rate behavior allows one model to operate at multiple rates, but it does not necessarily provide a progressive bitstream whose prefixes are themselves decodable and can be refined by appending additional bits. We propose \textbf{Tree-VQ}, a progressive tree-structured vector quantization framework for learned image compression. Tree-VQ organizes discrete codewords as a hierarchical binary tree and represents each latent token by a routed root-to-leaf path. Crucially, every prefix of this path corresponds to a valid quantized representation, so shallow internal nodes serve as coarse reconstruction codes and deeper nodes provide successive refinements. This allows a compressed image to be decoded from an early prefix and progressively improved as more branch symbols are received, rather than being re-encoded for different target rates. To make this structure practical for compression, we introduce a prefix-compatible tree entropy model that codes progressive continuation decisions and routed branch refinements using only causally available decoded contexts. We further use rate-aware refinement scheduling to decide which spatial blocks should receive additional tree bits under a given prefix budget, and hierarchical prefix supervision to ensure that internal nodes are directly decodable at low rates. Experiments show that Tree-VQ achieves a superior performance--efficiency trade-off, delivering the best perceptual compression results with much fewer parameters and lower latency than competing methods.
- Abstract（参考訳）: ベクトル量子化に基づく画像圧縮は、強い速度-歪み性能を達成したが、そのほとんどは、目標ビットレートごとに別々に圧縮された表現を生成する。
このような可変レートの振る舞いにより、1つのモデルで複数のレートで動作することができるが、プレフィックスがデコッド可能なプログレッシブビットストリームを提供する必要はなく、追加ビットを追加することで洗練される。
学習画像圧縮のためのプログレッシブツリー構造化ベクトル量子化フレームワークである \textbf{Tree-VQ} を提案する。
Tree-VQは、個別のコードワードを階層的なバイナリツリーとして整理し、ルートされたルート・ツー・リーフパスで各潜在トークンを表現する。
重要なことに、この経路のすべての接頭辞は有効な量子化表現に対応するため、浅い内部ノードは粗い再構成符号として機能し、深いノードは連続的な改善を提供する。
これにより、圧縮されたイメージを早期のプレフィックスからデコードすることができ、異なるターゲットレートで再符号化されるのではなく、より多くの分岐シンボルが受信されるにつれて徐々に改善される。
この構造を圧縮に有効にするために、逐次継続決定を符号化するプレフィックス互換ツリーエントロピーモデルを導入し、因果的に利用可能なデコードコンテキストのみを用いて分岐修正を行う。
我々はさらに、プレフィックス予算の下でどの空間ブロックに追加のツリービットを受信すべきかを決定するために、レートアウェアリファインメントスケジューリングを使用し、階層的なプレフィックス監督により、内部ノードが低レートで直接デオード可能であることを保証する。
実験により、Tree-VQは、競合するメソッドよりもはるかに少ないパラメータと低いレイテンシで、最高の知覚的圧縮結果を提供する。
関連論文リスト
- DARTree: Speculative Diffusion Decoding with Autoregressive Draft Trees [40.61855455828842]
投機的復号化は、複数のドラフトトークンを並列に検証することで、自動回帰言語モデルを高速化する。
Dartreeはトレーニング不要の投機的復号法で、事前訓練されたAR補正ヘッドをチェーンからツリーに拡張する。
論文 参考訳（メタデータ） (2026-08-13T17:43:44Z) - Towards Practical Lossless Neural Compression for LiDAR Point Clouds [84.36825469211375]
高精度な幾何学的詳細の極端に広い範囲は、効率的な文脈モデリングを妨げる。
私たちのフレームワークは2つの軽量モジュールで構成されています。
実験では、リアルタイムに競争力のある圧縮性能を示す。
論文 参考訳（メタデータ） (2026-03-26T10:02:07Z) - ProGIC: Progressive and Lightweight Generative Image Compression with Residual Vector Quantization [59.481950697968706]
残留ベクトル量子化(RVQ)に基づくコンパクトなプログレッシブ生成画像圧縮(ProGIC)を提案する。
RVQでは、ベクトル量子化器の列がステージごとに残余を符号化し、それぞれが独自のコードブックを持つ。
これを奥行き分離可能な畳み込みと小さな注意ブロックに基づく軽量なバックボーンと組み合わせることで、GPUとCPUのみのデバイスに実用的なデプロイを可能にします。
論文 参考訳（メタデータ） (2026-03-03T11:47:05Z) - Transformers from Compressed Representations [74.48571451824569]
TEMPEST (TransformErs froM comPressed rEpreSenTations) は、圧縮されたファイルのバイトストリーム構造を利用して効果的なトークン化と符号化戦略を設計する手法である。
本提案では,意味分類に必要なトークン数を大幅に削減し,計算複雑性とメモリ使用量の両方を削減する。
論文 参考訳（メタデータ） (2025-10-26T13:48:03Z) - Hierarchical Semantic Compression for Consistent Image Semantic Restoration [62.97519327310638]
生成モデルから固有意味空間内で純粋に機能する新しい階層意味圧縮(HSC)フレームワークを提案する。
実験の結果,提案したHSCフレームワークは人間の視力に対する主観的品質と一貫性に関する最先端の性能を実現することが示された。
論文 参考訳（メタデータ） (2025-02-24T03:20:44Z) - DeepHQ: Learned Hierarchical Quantizer for Progressive Deep Image Coding [29.810993874350814]
プログレッシブ画像符号化(PIC)は、画像の様々な品質を単一のビットストリームに圧縮することを目的としている。
ニューラルネットワーク(NN)に基づくPICの研究は、その初期段階にある。
本稿では,まず,学習した量子化ステップサイズを各量子化レイヤの学習により活用するNNベースのプログレッシブコーディング手法を提案する。
論文 参考訳（メタデータ） (2024-08-22T06:32:53Z) - Extreme Image Compression using Fine-tuned VQGANs [43.43014096929809]
本稿ではベクトル量子化(VQ)に基づく生成モデルを画像圧縮領域に導入する。
VQGANモデルによって学習されたコードブックは、強い表現能力をもたらす。
提案したフレームワークは、知覚的品質指向のメトリクスで最先端のコーデックより優れている。
論文 参考訳（メタデータ） (2023-07-17T06:14:19Z) - PointTree: Transformation-Robust Point Cloud Encoder with Relaxed K-D
Trees [27.641101804012152]
我々は、リラックスしたK-D木に基づく変換に頑健なポイントクラウドエンコーダであるPointTreeを提案する。
我々のアプローチの鍵は、主成分分析(PCA)を用いたK-D木における分割則の設計である。
この新しいアーキテクチャ設計に加えて、事前調整による導入をさらに改善する。
論文 参考訳（メタデータ） (2022-08-11T17:59:09Z) - Rethinking Semantic Segmentation from a Sequence-to-Sequence Perspective
with Transformers [149.78470371525754]
セマンティックセグメンテーションをシーケンスからシーケンスへの予測タスクとして扱う。
具体的には、イメージをパッチのシーケンスとしてエンコードするために純粋なトランスをデプロイします。
トランスのすべての層でモデル化されたグローバルコンテキストにより、このエンコーダは、SETR(SEgmentation TRansformer)と呼ばれる強力なセグメンテーションモデルを提供するための単純なデコーダと組み合わせることができる。
SETRはADE20K(50.28% mIoU)、Pascal Context(55.83% mIoU)、およびCityscapesの競争力のある結果に関する最新技術を達成している。
論文 参考訳（メタデータ） (2020-12-31T18:55:57Z) - Permute, Quantize, and Fine-tune: Efficient Compression of Neural
Networks [70.0243910593064]
ベクトル量子化の成功の鍵は、どのパラメータ群を一緒に圧縮するかを決定することである。
本稿では,隣り合う2つの層の重みを同じ関数を表現しながら不変にすることができることを観察する。
次に、レート歪み理論への接続を確立し、圧縮し易いネットワークとなる置換を探索する。
論文 参考訳（メタデータ） (2020-10-29T15:47:26Z)
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。