Fugu-MT 論文翻訳(概要): Channel-Adaptive Region Adjacency Graph Carriers for Semantic Image Communication

論文の概要: Channel-Adaptive Region Adjacency Graph Carriers for Semantic Image Communication

arxiv url: http://arxiv.org/abs/2609.14616v1
Date: Sun, 13 Sep 2026 15:46:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 07:15:05.865161
Title: Channel-Adaptive Region Adjacency Graph Carriers for Semantic Image Communication
Title（参考訳）: セマンティック画像通信のためのチャネル適応領域隣接グラフキャリア
Abstract要約: 本研究は,チャネル適応RAG(CA-RAG)と呼ばれるセグメンテーション由来の領域隣接グラフ(RAG)キャリアを導入する。 Cityscapesでは、プレチャネルRAGペイロードは圧縮されたクラスインデックスレイアウトの何倍も小さい。
参考スコア（独自算出の注目度）: 1.7849339006560665
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Semantic image communication seeks to preserve task-relevant scene structure under limited channel resources, but carriers are often dense latent tensors or grid-aligned semantic layouts that do not explicitly encode region-level relations. This work introduces a segmentation-derived region adjacency graph (RAG) carrier, termed channel-adaptive RAG (CA-RAG), for joint source-channel coding-style image communication. Nodes store interpretable region attributes, edges preserve adjacency, channel-adaptive graph simplification (CGS) controls the node budget, and semantic belief propagation refines noisy graph embeddings before diffusion-based reconstruction. On Cityscapes, pre-channel RAG payloads are several times smaller than compressed class-index layouts in a 2,000-image study. Under additive white Gaussian noise at signal-to-noise ratios from 0 to 15 dB, CA-RAG reports higher semantic consistency than deep joint source-channel coding and a same-decoder layout baseline, with comparable perceptual quality. At 10 dB, the full-budget rate-sweep point reaches mean intersection over union (mIoU) = 0.329 at approximately 3.3 x 10^3 channel uses, while the default adaptive-CGS setting reports mIoU = 0.294 at approximately 2.6 x 10^3 channel uses.
Abstract（参考訳）: セマンティック画像通信は、限られたチャネルリソースの下でタスク関連シーン構造を保存しようとするが、キャリアは、しばしば、領域レベルの関係を明示的にエンコードしない、高密度の潜時テンソルまたはグリッド整合セマンティックレイアウトである。本研究では, チャネル適応型RAG (CA-RAG) と呼ばれる, セグメント化由来の領域隣接グラフ(RAG) キャリヤを導入する。ノードは解釈可能な領域属性を格納し、エッジは隣接性を保持し、チャネル適応グラフ単純化(CGS)はノード予算を制御する。 Cityscapesでは、プレチャネルRAGペイロードは2000イメージの圧縮されたクラスインデックスレイアウトよりも数倍小さい。 CA-RAGは信号と雑音の比0から15dBの付加的な白色ガウス雑音の下で、深いジョイントソースチャネル符号化よりもセマンティック一貫性が高く、同じデコーダレイアウトベースラインが知覚品質に匹敵する。 10dBでは、全予算の利得は、約3.3 x 10^3チャネルで平均交点(mIoU) = 0.329に達するが、デフォルトの適応CGS設定では約2.6 x 10^3チャネルでmIoU = 0.294が使用される。

関連論文リスト

ConCA: Concentration-Aware Channel Attention for Fine-Grained Visual Recognition [0.41073293267048777]
concentration-Aware Channel Attention (ConCA) は、大きさと濃度をエンコードする二重記述子である。 6つのきめ細かいベンチマークでは、注意のないSE-Net、ECA-Netベースラインよりも改善されている。これらの結果は、チャネル記述子と、それを注意重みにマッピングするチャネルごとのゲーティングが、視覚認識における軽量なチャネル注意の重要かつ未発見の側面であることを示している。
論文参考訳（メタデータ） (2026-08-31T03:07:59Z)
Hierarchical Adaptive Feature Refinement Network for VHR Remote Sensing Image Segmentation [15.24999553337715]
本稿では,階層的表現を適応的に整理・洗練する進歩的改良フレームワークHAFR-Netを提案する。マッチしたSwin-Bトレーニングとシングルスケール推論プロトコルの下で、HAFR-Netは84.12%、87.86%、55.17%、67.70%mIoUを達成した。
論文参考訳（メタデータ） (2026-08-16T09:26:58Z)
SignDeepSC: A Semantic Signature-based Approach for Robust Semantic Communication [4.042562775811428]
SignDeepSCは、トレーニング中に対向的なサンプル生成を必要とせずに、対向的な堅牢性を達成するアーキテクチャ防衛である。システムは、受信者インスパイアされたセマンティックシグネチャの上に構築され、ソース特徴のコンパクトなベクトル概要が別々の低レート補助チャネルで送信される。
論文参考訳（メタデータ） (2026-07-28T12:54:13Z)
NARRAS: Edge-Triggered Distributed Inference for CSI-Based Localization in Vehicular IoT Networks [52.237935683898144]
車両用IoTネットワークにおけるCSIベースのローカライゼーションのためのETDIをインスタンス化する。 NARRASは、各RAAが最新の観測結果の要約と送信した最後の潜伏状態の記憶を結合した分散レポートポリシーである。
論文参考訳（メタデータ） (2026-06-10T10:47:44Z)
Scaling Parallel Sequence Models to Foundation-Scale Vision Encoders [123.58723804218151]
ビジョンファウンデーションモデルは、自己注意の二次的なコストによってボトルネックとなる。 2次元空間伝搬伝搬に基づくC-GSPNを提案する。
論文参考訳（メタデータ） (2026-05-30T14:29:43Z)
CI-ICM: Channel Importance-driven Learned Image Coding for Machines [56.1188469769241]
本稿では,Channel Importance-driven learned Image Coding for Machines (CI-ICM)を提案する。提案したCI-ICMは、BD-mAP@50:95で16.25%のオブジェクト検出と13.72%のインスタンスセグメンテーションを実現している。
論文参考訳（メタデータ） (2026-04-07T02:36:47Z)
Contrastive Graph Modeling for Cross-Domain Few-Shot Medical Image Segmentation [58.41482540044918]
クロスドメイン少ショット医療画像セグメンテーション(CD-FSMIS)は医療応用に有望でデータ効率のよいソリューションを提供する。本稿では,医用画像の構造的整合性を利用したコントラストグラフモデリング(C-Graph)を提案する。
論文参考訳（メタデータ） (2025-12-25T14:00:17Z)
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)
Diffusion-Aided Joint Source Channel Coding For High Realism Wireless Image Transmission [24.372996233209854]
DiffJSCCは条件拡散復調法により高現実性画像を生成する新しいフレームワークである。 768x512ピクセルのコダック画像を3072のシンボルで再現できる。
論文参考訳（メタデータ） (2024-04-27T00:12:13Z)
DeepWiVe: Deep-Learning-Aided Wireless Video Transmission [0.0]
We present DeepWiVe, the first-ever end-to-end joint source-channel coding (JSCC) video transmission scheme。ディープニューラルネットワーク(DNN)を使用して、ビデオ信号をチャネルシンボルにマッピングし、ビデオ圧縮、チャネルコーディング、変調ステップを1つのニューラルトランスフォーメーションに組み合わせます。この結果から,DeepWiVeは従来の分離方式のディジタル通信方式で普及している崖効果を克服できることがわかった。
論文参考訳（メタデータ） (2021-11-25T11:34:24Z)
Semi-Supervised Learning for Channel Charting-Aided IoT Localization in Millimeter Wave Networks [97.66522637417636]
ミリ波ネットワークにおけるチャネルチャート(CC)支援の新たな枠組みを提案する。特に,無線機器の3次元位置を推定するために,畳み込み型オートエンコーダモデルを提案する。フレームワークは半教師付きフレームワークに拡張され、オートエンコーダは2つのコンポーネントに分割される。
論文参考訳（メタデータ） (2021-08-03T14:41:38Z)
Wireless Image Retrieval at the Edge [20.45405359815043]
本研究では、エッジデバイスが画像をキャプチャし、エッジサーバから同様の画像を検索するために使用される無線エッジにおける画像検索問題について検討する。我々の目標は、無線リンクに対する電力及び帯域幅制約下での検索タスクの精度を最大化することである。本稿では,デジタル通信とアナログ通信の2つの方法を提案する。
論文参考訳（メタデータ） (2020-07-21T16:15:40Z)

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。