論文の概要: PerQ: Inverse Generative Modeling for Neural Image Compression via Quantization Error Compensation

• arxiv url: http://arxiv.org/abs/2610.27374v1
• Date: Mon, 19 Oct 2026 22:57:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.540406
• Title: PerQ: Inverse Generative Modeling for Neural Image Compression via Quantization Error Compensation
• Title（参考訳）: PerQ: 量子化誤差補償によるニューラル画像圧縮のための逆生成モデル
• Abstract要約: 本稿では,有界サポート付き逆生成モデルとして知覚再構成を再構成するPerQを提案する。 PerQは、冷凍されたマルチレート歪み最適化バックボーンにレート条件マッチング補償器をアタッチすることで、この原理を実装している。 単一のモデルチェックポイントは高速なデコードで幅広い範囲をサポートし、補償器は3つの異なるバックボーンに対して一貫したゲインを提供する。
• 参考スコア（独自算出の注目度）: 18.199213625587824
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural image codecs face a fundamental trade-off between pixel fidelity and perceptual quality. Distortion-optimized codecs preserve pixel-wise fidelity but produce blurred reconstructions at low bitrates, whereas generative codecs leverage learned priors to improve perceptual quality but tend to exhibit saturating PSNR at higher bitrates and require separate models for different bitrate targets. We propose PerQ, which reframes perceptual reconstruction as inverse generative modeling with bounded support. Specifically, we define the quantization cell as the set of latents that yield the same transmitted symbols and derive a transport bound showing that reconstructions from this cell remain within a rate-determined radius of the codec output. This motivates performing generative reconstruction within the codec-induced quantization cell, rather than sampling from an unconstrained image prior. PerQ implements this principle by attaching a rate-conditioned flow-matching compensator to a frozen, multi-rate distortion-optimized backbone, enabling perceptual enhancement while preserving the backbone's coding performance. Experiments on Kodak and CLIC2020 show that PerQ achieves perceptual performance comparable to generative codecs such as MS-ILLM in LPIPS and FID, while maintaining competitive PSNR relative to distortion-optimized codecs such as ELIC. A single model checkpoint supports a wide bitrate range with fast decoding, and the compensator provides consistent gains across three different backbones. The implementation is available at https://jasminepp.github.io/PerQ/.
• Abstract（参考訳）: ニューラル画像コーデックは、ピクセルの忠実度と知覚品質の基本的なトレードオフに直面している。 歪み最適化コーデックは画素ワイドの忠実さを保ちながら低ビットレートでぼやけた再構成を生成するのに対し、生成コーデックは学習前の知識を活用して知覚品質を向上させるが、高いビットレートで飽和PSNRを示す傾向があり、異なるビットレートターゲットに対して別々のモデルを必要とする。 本稿では,有界サポート付き逆生成モデルとして知覚再構成を再構成するPerQを提案する。 具体的には、量子化セルを、同じ送信されたシンボルを生成する遅延子の集合として定義し、このセルからの再構成がコーデック出力の速度決定半径内にあることを示す輸送境界を導出する。 これにより、予め制約のない画像からサンプリングするのではなく、コーデック誘発量子化セル内で生成的再構成を行う。 PerQは、速度条件付きフローマッチング補償器を冷凍されたマルチレート歪み最適化バックボーンにアタッチすることで、バックボーンの符号化性能を維持しながら知覚的拡張を可能にする。 KodakとCLIC2020の実験では、PerQはLPIPSやFIDのMS-ILLMのような生成コーデックに匹敵する性能を達成し、ELICのような歪み最適化コーデックに対して競合的なPSNRを維持している。 単一のモデルチェックポイントは高速なデコードで広いビットレート範囲をサポートし、補償器は3つの異なるバックボーン間で一貫したゲインを提供する。 実装はhttps://jasminepp.github.io/PerQ/で公開されている。

関連論文リスト

• ZeroGVC: Zero-Shot Generative Video Compression with Autoregressive Diffusion Priors [52.50325804778549]
  我々はゼロショット生成ビデオ圧縮フレームワークZeroGVCを提案する。 ZeroGVCは、画像群(GOP)の最初のフレームを符号化し、Codebook-Guided Autoregressive Latent Compressionを通じてその後のPフレームを表現する。 標準ビデオ圧縮ベンチマークの実験では、ZeroGVCは、追加のトレーニングを伴わずに、超低速度での知覚的再構成品質が優れたことを実証している。
  論文  参考訳（メタデータ） (2026-06-21T07:46:14Z)
• Higher fidelity perceptual image and video compression with a latent conditioned residual denoising diffusion model [55.2480439325792]
  本稿では,認知品質に最適化されたハイブリッド圧縮方式を提案し,CDCモデルのアプローチをデコーダネットワークで拡張する。 CDCと比較した場合,LPIPSとFIDの知覚スコアを比較検討しながら,最大2dBPSNRの忠実度向上を実現した。
  論文  参考訳（メタデータ） (2025-05-19T14:13:14Z)
• Variable Bitrate Residual Vector Quantization for Audio Coding [29.368893236587343]
  最近のニューラルオーディオ圧縮モデルでは、残留ベクトル量子化(RVQ)が徐々に採用されている これらのモデルはフレーム毎に一定数のコードブックを使用し、レート・歪曲トレードオフの点では最適である。 本稿では,音声コーデックの可変RVQ (VRVQ) を提案する。
  論文  参考訳（メタデータ） (2024-10-08T13:18:24Z)
• Compression-Realized Deep Structural Network for Video Quality Enhancement [78.13020206633524]
  本稿では,圧縮ビデオの品質向上の課題に焦点をあてる。 既存の手法のほとんどは、圧縮コーデック内での事前処理を最適に活用するための構造設計を欠いている。 新しいパラダイムは、より意識的な品質向上プロセスのために緊急に必要である。
  論文  参考訳（メタデータ） (2024-05-10T09:18:17Z)
• Neural Image Compression with Quantization Rectifier [7.097091519502871]
  我々は,画像特徴相関を利用した画像圧縮のための新しい量子化法(QR)を開発し,量子化の影響を緩和する。 提案手法は,量子化された特徴量から未知の特徴量を予測するニューラルネットワークアーキテクチャを設計する。 評価では、QRを最先端のニューラルイメージコーデックに統合し、広く使用されているKodakベンチマークの強化モデルとベースラインを比較する。
  論文  参考訳（メタデータ） (2024-03-25T22:26:09Z)
• Boosting Neural Representations for Videos with a Conditional Decoder [28.073607937396552]
  Inlicit Neural representations (INRs) は、ビデオストレージと処理において有望なアプローチとして登場した。 本稿では,現在の暗黙的ビデオ表現手法のための普遍的なブースティングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-28T08:32:19Z)
• Neural JPEG: End-to-End Image Compression Leveraging a Standard JPEG Encoder-Decoder [73.48927855855219]
  本稿では,エンコーダとデコーダの両端に内在するニューラル表現を強化することで,符号化性能の向上を図るシステムを提案する。 実験により,提案手法はJPEGに対する速度歪み性能を,様々な品質指標で改善することを示した。
  論文  参考訳（メタデータ） (2022-01-27T20:20:03Z)

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。