論文の概要: ResARC: Residual-Aware AutoRegressive Coding for Ultra-Low Bitrate Image Compression
- arxiv url: http://arxiv.org/abs/2609.39451v1
- Date: Wed, 30 Sep 2026 10:24:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:27.581026
- Title: ResARC: Residual-Aware AutoRegressive Coding for Ultra-Low Bitrate Image Compression
- Title（参考訳）: ResARC:超低ビットレート画像圧縮のための残留認識自動回帰符号化
- Abstract要約: 本稿では,復号器における2つの残差を明示的に補償する残差認識型自己回帰器ResARCを紹介する。
並行して、エンコーダにおける生成残差を計算し、学習された生成残差コーデックを用いて効率よく圧縮し、デコーダ側の修正のために送信する。
復元された残基は、適応されたVAEデコーダによってデコードされた再構成された潜在表現と統合される。
- 参考スコア（独自算出の注目度）: 42.87009346443043
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Progressive autoregressive image codecs provide an appealing paradigm for generative compression by quantizing continuous latents into discrete tokens, transmitting coarse-to-fine prefix tokens and generating the remaining suffix tokens at the decoder. However, their reconstruction quality is fundamentally limited by two residuals introduced along this pipeline: the quantization residual, arising from information loss during discrete tokenization, and the generation residual, resulting from imperfect autoregressive generation of the suffix tokens. To address these limitations, we introduce ResARC, a residual-aware autoregressive codec that explicitly compensates for both residuals at the decoder. Specifically, we generate the quantization residual with a diffusion transformer conditioned on the autoregressive decoding context, while requiring no additional side information. In parallel, we compute the generation residual at the encoder and employ a learned Generation Residual Codec to efficiently compress and transmit it for decoder-side correction. The recovered residuals are then integrated with the reconstructed latent representation and decoded through an adapted VAE decoder. Extensive experiments demonstrate that ResARC achieves competitive perceptual similarity while substantially improving distributional fidelity over leading generative codecs across the ultra-low bitrate regime. Code and models will be released soon.
- Abstract（参考訳）: プログレッシブ自己回帰画像コーデックは、連続ラテントを離散トークンに量子化し、粗いプレフィックストークンを送信し、デコーダで残りの接尾辞トークンを生成することによって、生成圧縮のための魅力的なパラダイムを提供する。
しかしながら、それらの再構成品質は、このパイプラインに沿って導入された2つの残基(離散トークン化時の情報損失から生じる量子化残基と、接尾辞トークンの不完全自己回帰生成による生成残基)によって根本的に制限されている。
これらの制限に対処するため,復号器の残差を明示的に補償する残差認識自動回帰コーデックResARCを導入する。
具体的には,自己回帰デコードコンテキストに条件付き拡散トランスフォーマを用いた量子化残差を生成し,追加の側情報を必要としない。
並行して、エンコーダにおける生成残差を計算し、学習された生成残差コーデックを用いて効率よく圧縮し、デコーダ側の修正のために送信する。
復元された残基は、再構成された潜在表現と統合され、適応されたVAEデコーダを介してデコードされる。
広汎な実験により、ResARCは、極低ビットレート状態における先導的な生成コーデックよりも、分布の忠実性を大幅に改善しながら、競合する知覚的類似性を達成していることが示された。
コードとモデルはまもなくリリースされる。
関連論文リスト
- ProGVC: Progressive-based Generative Video Compression via Auto-Regressive Context Modeling [10.843021248963305]
本稿では,プログレッシブ・トランスミッション,効率的なエントロピー・コーディング,ディテール・シンセサイザーを統一したプログレッシブ・ベース・ジェネレーティブ・ビデオ圧縮フレームワークを提案する。
ProGVCは、ビデオを階層的なマルチスケールの残留トークンマップにエンコードし、粗いサブセットをプログレッシブな方法で送信することで、フレキシブルなレート適応を可能にする。
論文 参考訳（メタデータ） (2026-03-18T09:51:39Z) - 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) - Neural Image Compression Using Masked Sparse Visual Representation [17.229601298529825]
本研究では,Sparse Visual Representation (SVR) に基づくニューラル画像圧縮について検討し,学習されたビジュアルコードブックにまたがる離散潜在空間に画像が埋め込まれた。
コードブックをデコーダと共有することにより、エンコーダは効率的でクロスプラットフォームなコードワードインデックスを転送する。
本稿では,マスクを潜在機能部分空間に適用して品質のバランスと再構築を行うMasked Adaptive Codebook Learning (M-AdaCode)法を提案する。
論文 参考訳（メタデータ） (2023-09-20T21:59:23Z) - 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)
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。