論文の概要: PULSE: Unlocking Practical Image Compression on Single-Thread CPU

• arxiv url: http://arxiv.org/abs/2609.18602v1
• Date: Wed, 16 Sep 2026 12:55:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.811368
• Title: PULSE: Unlocking Practical Image Compression on Single-Thread CPU
• Title（参考訳）: PULSE:シングルスレッドCPUで実用的な画像圧縮をアンロック
• Abstract要約: PULSEは1スレッドで116msで1080pの画像をデコードし、HM CPUに匹敵する圧縮性能を実現している。 最適化後、PULSEはMSILLMのようなより大きな知覚コーデックと競合する。
• 参考スコア（独自算出の注目度）: 62.61908657016215
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite recent progress in learned image compression, existing methods remain computationally expensive on resource-constrained hardware, particularly CPUs. We introduce PULSE, a practical codec that enables (1) low-latency decoding on diverse hardware platforms with an ultra-low-complexity 5.2 kMAC/pixel neural receiver, and (2) efficient bit-exact entropy coding with an integer linear CDF predictor and a meta prior. To recover compression performance under this tight budget, we introduce an agentic evolution process guided by heuristic probes that iteratively improves the architecture through human-LLM collaboration. PULSE decodes a 1080p image in 126 ms on a single CPU thread while achieving compression performance comparable to HM. After perceptual optimization, PULSE competes with larger perceptual codecs like MS-ILLM. Codes are at https://github.com/microsoft/GenCodec/tree/main/PULSE
• Abstract（参考訳）: 近年の学習画像圧縮の進歩にもかかわらず、既存の手法はリソースに制約のあるハードウェア、特にCPUで計算的に高価である。 PULSEは,(1)超低複雑さ5.2kMAC/ピクセルニューラルレシーバによるハードウェアプラットフォーム上での低レイテンシデコードを可能にする実用的コーデックであり,(2)整数線形CDF予測器とメタプリエントロピー符号化を実現する。 この厳格な予算の下で圧縮性能を回復するために,ヒューリスティックなプローブによって導かれるエージェント進化プロセスを導入し,人間とLLMの協調によってアーキテクチャを反復的に改善する。 PULSEは、1つのCPUスレッドで116msで1080pの画像をデコードし、HMに匹敵する圧縮性能を達成する。 知覚最適化の後、PULSEはMS-ILLMのようなより大きな知覚コーデックと競合する。 コードはhttps://github.com/microsoft/GenCodec/tree/main/PULSEにある。

関連論文リスト

• PIC: Revisiting INR for Image Coding with Fast Encoding and Sub-Millisecond Decoding [74.2282307661978]
  Inlicit Neural representation (INR)は、近年、新しいビュー合成と画像/ビデオ符号化において顕著な進歩を遂げている。 本研究では,フィードフォワードINR画像符号化アーキテクチャであるPractical INR Image Codec (PIC)を提案する。
  論文  参考訳（メタデータ） (2026-09-08T16:52:00Z)
• What Matters in Practical Learned Image Compression [3.6892365510577037]
  実践的な学習画像の設計を規定する重要なモデリング選択について検討する。 次に、数百万のバックボーン構成に対してパフォーマンスを意識したニューラルアーキテクチャ検索を行います。 スピードと知覚品質の新たなトレードオフを構築します。
  論文  参考訳（メタデータ） (2026-05-06T17:17:51Z)
• 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)
• CMC-Bench: Towards a New Paradigm of Visual Signal Compression [85.1839779884282]
  本稿では,画像圧縮のための画像間テキスト(I2T)モデルとテキスト間画像(T2I)モデルの協調性能のベンチマークであるCMC-Benchを紹介する。 超低速では、いくつかのI2TモデルとT2Iモデルの組み合わせが、最も先進的な視覚信号プロトコルを超えたことが証明されている。
  論文  参考訳（メタデータ） (2024-06-13T17:41:37Z)
• MISC: Ultra-low Bitrate Image Semantic Compression Driven by Large Multimodal Model [78.4051835615796]
  本稿では,マルチモーダル画像セマンティック圧縮法を提案する。 画像の意味情報を抽出するLMMエンコーダと、その意味に対応する領域を特定するマップエンコーダと、非常に圧縮されたビットストリームを生成する画像エンコーダと、前記情報に基づいて画像を再構成するデコーダとからなる。 知覚50%を節約しながら最適な一貫性と知覚結果を達成することができ、これは次世代のストレージと通信において強力な可能性を持つ。
  論文  参考訳（メタデータ） (2024-02-26T17:11:11Z)
• Computationally-Efficient Neural Image Compression with Shallow Decoders [43.115831685920114]
  本稿では,JPEGに類似した浅い,あるいは線形な復号変換を用いることで,復号化複雑性のギャップを解消する。 我々は、より強力なエンコーダネットワークと反復符号化を採用することにより、符号化と復号の間のしばしば非対称な予算を利用する。
  論文  参考訳（メタデータ） (2023-04-13T03:38:56Z)
• Low-complexity Deep Video Compression with A Distributed Coding Architecture [4.5885672744218]
  一般的な予測符号化に基づくビデオ圧縮手法は、時間的冗長性を低減するために重エンコーダに依存している。 従来の分散コーディング手法は、予測的コーディングとはかなりのパフォーマンスギャップに悩まされている。 本稿では,レート歪み特性を改善するために,最初のエンドツーエンドの分散ビデオ圧縮フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-21T05:34:04Z)
• PILC: Practical Image Lossless Compression with an End-to-end GPU Oriented Neural Framework [88.18310777246735]
  本稿では,1台のNVIDIA Tesla V100 GPUを用いて,圧縮と圧縮の両面で200MB/sを実現するエンドツーエンド画像圧縮フレームワークを提案する。 実験により、我々のフレームワークは、複数のデータセットで30%のマージンで、PNGよりも圧縮が優れていることが示された。
  論文  参考訳（メタデータ） (2022-06-10T03:00:10Z)

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。