論文の概要: Information Capacity of Generative Video Compression: Quantifying the Rate-Compute Exchange at Identical Quality
- arxiv url: http://arxiv.org/abs/2609.27493v1
- Date: Wed, 23 Sep 2026 07:56:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:17.937421
- Title: Information Capacity of Generative Video Compression: Quantifying the Rate-Compute Exchange at Identical Quality
- Title（参考訳）: 生成的ビデオ圧縮の情報容量: Identical Qualityにおけるレート-計算交換の定量化
- Abstract要約: 生成ビデオ圧縮(GVC)は、超低帯域幅のコンパクトトークンを送信することで、この交換を具現化する。
デコーダの計算単位が実際にどれだけの帯域節約を達成できるかは、まだ定量化されていない。
14Bデコーダが1.3Bデコーダの約10倍の効率でより少ないレートでより多くの計算を処理していることを示す。
- 参考スコア（独自算出の注目度）: 55.74509503975397
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Under the AI Flow framework, communication networks distribute intelligence across devices, edge servers, and clouds, and computation at the receiver becomes a resource that can substitute for transmitted bits. Generative video compression (GVC) embodies this exchange by sending compact tokens with ultra-low bitrate and letting a generative decoder synthesize the video, yet how much bandwidth savings a unit of decoder compute actually achieves has never been quantified. To fill this vacancy, we model reconstruction quality as a two-factor power law in data rate and decoder compute, which fits measured DISTS of two GVC decoders with a mean error below 3%, and define the information capacity (IC) as the negative logarithmic slope along an iso-quality contour, namely the fraction of rate saved per fractional increase in compute at identical quality. IC is dimensionless and unit-invariant, thus enabling an architecture-agnostic comparison. It forms a field over the operating plane, locating where additional denoising steps are worth their cost. Across five datasets, the 14B decoder trades more compute for fewer rate about ten times more efficiently than the 1.3B decoder. IC also varies significantly across datasets, indicating imbalanced performance on the rate-compute trade-off in GVC methods.
- Abstract（参考訳）: AI Flowフレームワークの下では、通信ネットワークはデバイス、エッジサーバ、クラウドにインテリジェンスを分散し、受信機での計算は送信されたビットの代わりになるリソースとなる。
生成ビデオ圧縮(GVC)は、超低ビットレートでコンパクトなトークンを送信し、生成デコーダがビデオを合成することによって、この交換を具現化する。
この空き度を満たすために、2つのGVCデコーダの平均誤差に適合するデータレートとデコーダ計算における2要素電力法則として再構成品質をモデル化し、情報容量(IC)を等質な輪郭に沿った負対数勾配として定義する。
ICは無次元かつ単体不変であり、アーキテクチャに依存しない比較を可能にする。
操作面上にフィールドを形成し、追加のデノゲーションステップがコストに値する場所を特定する。
5つのデータセットにまたがって、14Bデコーダは1.3Bデコーダの10倍の効率で計算量を増やしている。
また、ICはデータセット間で大きく異なり、GVCメソッドのレート計算トレードオフにおける不均衡なパフォーマンスを示している。
関連論文リスト
- Scalable Neural Video Representation Compression [21.36894041974722]
Inlicit Neural representation (INR)ベースのコーデックは、コンパクトニューラルネットワークを個々のビデオにオーバーフィットすることで圧縮を実現する。
本稿では、単一の埋め込みビットストリームからの微細化と復号化の複雑さを共同でサポートする、スケーラブルなINRベースのビデオであるS-NVRCを提案する。
論文 参考訳（メタデータ） (2026-09-02T21:25:47Z) - Compressing AI Traffic: Standardized Neural Network Coding of Visual-Token Representations in Split Vision-Language Inference [15.357950338341285]
ビデオ-MMEの精度は、送信されたBF16テンソルの98%まで圧縮されていない基準に近づき、その後崩壊する。
オープンエンドMLVU生成はLLM判定の下で同じプラトー・アンド・ロバスト性を示す。
論文 参考訳（メタデータ） (2026-09-01T13:07:32Z) - Ultra-Low Bitrate Perceptual Image Compression with Shallow Encoder [41.0853762937392]
本稿では, シンプルさとデコード品質を同時に符号化する非対称なエクストリーム画像圧縮(AEIC)フレームワークを提案する。
AEICは中程度のあるいは浅いエンコーダネットワークを使用し、一方の拡散デコーダを利用して高忠実性と高現実性を維持する。
AEICは、Ultra-lowsでのレート歪み知覚性能の既存の手法よりも優れているだけでなく、1080Pの入力画像上で35.8FPSの符号化効率も優れていることを示した。
論文 参考訳（メタデータ） (2025-12-13T07:59:48Z) - AI/ML based Joint Source and Channel Coding for HARQ-ACK Payload [7.429342241207199]
我々は、新しい「フリーランチ」学習アルゴリズムを用いてトランスフォーマーベースのエンコーダを学習し、エンコーダの前のソースを利用するために、コードワードごとのパワーシェイピングを提案する。
我々は,複数の情報ビットを持つ符号化ビットシステムへのNeyman-Pearsonテストの拡張を開発し,デコーダのACKビット上でのUnequal Error Protection of NACKを実現する。
論文 参考訳（メタデータ） (2025-11-25T05:31:26Z) - An Empirical Study of Reducing AV1 Decoder Complexity and Energy Consumption via Encoder Parameter Tuning [0.0]
AV1エンコーダ, libaom-av1 と SVT-AV1 における, 各種符号化ツールの無効化と符号化パラメータの調整の影響を解析した。
リボームav1ではCDEFを無効にすると、ループ内フィルタによりデコードサイクルを10%削減できる。
SVT-AV1では、内蔵のfast-decode=2プリセットを使用してデコードサイクルを24%削減する。
論文 参考訳（メタデータ） (2025-10-14T10:52:24Z) - Accelerating Error Correction Code Transformers [56.75773430667148]
本稿では,トランスを用いたデコーダの高速化手法を提案する。
最新のハードウェアでは、90%の圧縮比を実現し、算術演算エネルギー消費を少なくとも224倍削減する。
論文 参考訳（メタデータ） (2024-10-08T11:07:55Z) - Epsilon-VAE: Denoising as Visual Decoding [61.29255979767292]
復号化は1段階の再構成から反復的改良へと移行する。
具体的には、デコーダを拡散処理に置き換え、ノイズを反復的に改善して元の画像を復元する。
拡散による反復的再構成により, 自己エンコーダであるEpsilon-VAEは高い再構成品質を実現する。
論文 参考訳（メタデータ） (2024-10-05T08:27:53Z) - Efficient Encoder-Decoder Transformer Decoding for Decomposable Tasks [53.550782959908524]
エンコーダ・デコーダモデルのための新しい構成を導入し、構造化された出力と分解可能なタスクの効率を改善する。
提案手法は,インプットを一度エンコードして並列にデコードすることで,トレーニングと推論の効率を向上する。
論文 参考訳（メタデータ） (2024-03-19T19:27:23Z) - 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)
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。