論文の概要: CurveCodec 2: Skeleton-agnostic animation compression with a learned entropy model

• arxiv url: http://arxiv.org/abs/2610.04211v1
• Date: Sat, 03 Oct 2026 01:54:18 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 21:45:52.123113
• Title: CurveCodec 2: Skeleton-agnostic animation compression with a learned entropy model
• Title（参考訳）: CurveCodec 2:学習エントロピーモデルによる骨格非依存のアニメーション圧縮
• Abstract要約: 骨格運動は全てのフレームで全ての関節の変形として保存されるが、ほとんどは身体によって暗示される。 CurveCodec 2は、すべてのサブトラックをログマップの曲線としてコードし、クローズドループで量子化し、レート歪み選択キーに薄めている。 ネットワークは、送信する残余の分布を学習する。
• 参考スコア（独自算出の注目度）: 27.862690416195083
• License:
• Abstract: Skeletal motion is stored as every joint's transform at every frame, yet most of it is implied by the body rather than by what the motion is about. Compression is one way to ask what a motion must still say once the body is known, and a production codec must answer it for any skeleton with a stated error bound. Our earlier codec, CurveCodec, matched the mean error of ACL, the production library of modern game engines, with a learned prior over sparse anchors, but not ACL's worst case, and it counted its payload as floats rather than bits. Here we ask where the redundancy of skeletal motion lies and which part of a codec a learned model should take over. Measurements give three answers. At production precision the largest saving comes from predicting each quantized curve from its own past, the second from choosing per joint, in closed loop through the hierarchy, which samples not to code. On the gaps such an encoder leaves, a nearest-neighbour oracle over millions of training samples is no better than linear interpolation, and no learned in-betweener we tried paid for itself. What a network does learn is the distribution of the residuals the codec must send. CurveCodec 2 codes every sub-track as a curve in the log map, quantized in closed loop and thinned to rate-distortion-selected keys, with residuals entropy-coded under a small learned model whose integer inference is bit-exact across platforms. Two contracts are verified on every decoded clip: ACL's own worst case per joint within a stated tolerance, or ACL's mean error per clip. On a held-out test side of 4,472 clips from 33 datasets, CurveCodec 2 needs 0.37x ACL's bytes at ACL's default precision of 0.01 cm under the worst-case contract and 0.22x at 0.1 cm under the mean contract, decodes on one CPU core, and transfers without retraining to a species absent from training. Project page: https://rubbly.cn/publications/curvecodec/
• Abstract（参考訳）: 骨格運動は、全てのフレームで全ての関節の変形として保存されるが、ほとんどのものは、動きに関するものではなく、身体によって暗示される。 圧縮は、物体が認識された後も動きが何を言おうとするかを問う方法の一つであり、生産コーデックは、記述されたエラーバウンドを持つ任意のスケルトンに対してそれを答えなければならない。 初期のコーデックであるCurveCodecは、現代のゲームエンジンの生産ライブラリであるACLの平均エラーと、スパースアンカーよりも学習前のACLの最悪のケースと一致し、ペイロードをビットではなくフロートとしてカウントした。 ここでは、骨格運動の冗長性がどこにあるのか、学習したモデルのコーデックのどの部分が引き継ぐべきかを問う。 測定は3つの答えを与える。 生産精度では、最大の貯蓄は、各量子化された曲線を自身の過去から予測することによるものであり、第2の貯蓄は、コードにないサンプルである階層を通して閉じたループにおいて、ジョイントごとに選択することによるものである。 エンコーダのようなギャップでは、数百万ものトレーニングサンプルに最も近いオラクルは線形補間に勝るものではありません。 ネットワークが学んだことは、コーデックが送信しなければならない残余の分布である。 CurveCodec 2は、全てのサブトラックをログマップの曲線としてコードし、クローズドループで量子化され、レート歪み選択キーに薄められる。 各デコードされたクリップで2つのコントラクトが検証される: ACL 自身の耐久性内の関節ごとの最悪のケース、または ACL のクリップ毎の平均エラー。 33のデータセットから4,472のクリップで保持されたテスト側では、CurveCodec 2では、ACLのデフォルトの精度が0.01cmで0.37x ACLのバイト、平均契約で0.1cmで0.22xを必要とする。 プロジェクトページ: https://rubbly.cn/publications/curvecodec/

関連論文リスト

• GS-Codec: A Gaussian-Splatting Bottleneck for Neural Audio Coding [7.525883733645578]
  本稿では、量子化器ではなくパラメトリック信号分解をボトルネックとするニューラルネットワークであるGS-Codecを紹介する。 内部最適化ループは、各エンコーダセグメントを1次元ガウス原始体の重み付け和として適合する。 そしてデコーダは、描画された和から波形を再構成する。
  論文  参考訳（メタデータ） (2026-10-03T16:49:17Z)
• PULSE: Unlocking Practical Image Compression on Single-Thread CPU [62.61908657016215]
  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。
  論文  参考訳（メタデータ） (2026-09-16T12:55:36Z)
• LeVJEPA: Efficient & Scalable Video Pretraining without the Heuristics [50.45297537821907]
  我々はLeJEPAの崩壊のない目的の下で訓練された最初のビデオエンコーダLeVJEPAを紹介する。 単一のエンコーダは、クリップのグローバルおよびローカルビューよりも分散損失で訓練される。 LeVJEPAはV-JEPA 2とVT-S/B/Lの5.6から20.8倍の速さで一致または超える。
  論文  参考訳（メタデータ） (2026-08-27T17:26:24Z)
• The verifier side of speculative window decoding: a predictability bracket, a machine-checked blast-radius bound, and a decoder-agnostic recover loop [0.0]
  投機的ウィンドウデコーダは、量子エラー閾値デコーダの遅延を隠蔽する。 約90%の精度で1つの予測器を構築しました。 2番目の復号器はデコーダに依存しない:予測検証回収ラッパーと構造現象学である。
  論文  参考訳（メタデータ） (2026-07-07T20:07:18Z)
• End-to-End Context Compression at Scale [81.70601323130997]
  長期コンテキスト言語モデル推論は、KVキャッシュがコンテキスト長とともに増加するにつれて、メモリによってボトルネックとなる。 KVキャッシュを圧縮する最近の技術は、モデル品質を著しく低下させるか、あるいはかなりの時間を要するか、1つの長いプロンプトを圧縮するために計算する。 既存のアプローチは、精度-効率のフロンティア上のKVキャッシュ圧縮と競合しない。
  論文  参考訳（メタデータ） (2026-06-08T15:43:16Z)
• OCTOPUS: Optimized KV Cache for Transformers via Octahedral Parametrization Under optimal Squared error quantization [13.284869342523095]
  キー値(KV)は自己回帰推論におけるメモリ帯域幅とフットプリントを支配している。 最近の回転プリコンディショニングコーデック(TurboQuant, PolarQuant)は、KV圧縮のほぼ最適レシピである。 OCTOPUSはこのパラダイムを回転座標三重項の結合量子化によって前進させる。
  論文  参考訳（メタデータ） (2026-05-20T14:19:51Z)
• 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)
• Minimum-Weight Parity Factor Decoder for Quantum Error Correction [5.5312585333158495]
  HyperBlossomはMLEデコーディングを最小のパリティ係数問題として定式化する統一フレームワークである。 HyperBlossomは、(Hypergraph) Union-FindデコーダやMinimum-Weight Perfect Matching (MWPM)デコーダのような、既存のグラフベースのデコーダを統一する。 HyperBlossomは、距離11の表面コード上のMWPMデコーダに比べて4.8倍低い論理誤差率を達成する。
  論文  参考訳（メタデータ） (2025-08-07T01:44:34Z)
• Improved decoding of circuit noise and fragile boundaries of tailored surface codes [61.411482146110984]
  高速かつ高精度なデコーダを導入し、幅広い種類の量子誤り訂正符号で使用することができる。 我々のデコーダは、信仰マッチングと信念フィンドと呼ばれ、すべてのノイズ情報を活用し、QECの高精度なデモを解き放つ。 このデコーダは, 標準の正方形曲面符号に対して, 整形曲面符号において, より高いしきい値と低い量子ビットオーバーヘッドをもたらすことがわかった。
  論文  参考訳（メタデータ） (2022-03-09T18:48:54Z)
• Content Adaptive and Error Propagation Aware Deep Video Compression [110.31693187153084]
  本稿では,コンテンツ適応型・誤り伝搬対応型ビデオ圧縮システムを提案する。 本手法では, 複数フレームの圧縮性能を1フレームではなく複数フレームで考慮し, 共同学習手法を用いる。 従来の圧縮システムでは手作りのコーディングモードを使用する代わりに,オンラインエンコーダ更新方式をシステム内に設計する。
  論文  参考訳（メタデータ） (2020-03-25T09:04:24Z)

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。