論文の概要: GigaBench: Benchmarking Learnable Representations for Gigapixel Image Compression and Super-Resolution

• arxiv url: http://arxiv.org/abs/2610.31644v1
• Date: Thu, 22 Oct 2026 17:55:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.509411
• Title: GigaBench: Benchmarking Learnable Representations for Gigapixel Image Compression and Super-Resolution
• Title（参考訳）: GigaBench: ギガピクセル画像圧縮と超解像のためのベンチマーク可能な表現
• Abstract要約: 学習可能な表現(LR)は様々な種類の信号にパラメトリックな関数群を適合させることができる。 ギガピクセルの画像は、様々な科学、文化、産業の領域に広まりつつある。 本稿では,ギガピクセル画像を用いたLRの展開を目的とした,最初のベンチマークおよび実験評価であるGigaBenchを紹介する。
• 参考スコア（独自算出の注目度）: 22.298527978683705
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learnable Representations (LRs) can fit parametric families of functions to diverse kinds of signals. These emergent neural-native data formats are gathering interest in the scientific community due to their compactness, resolution-agnosticism and amenability to direct neural processing. On the other hand, gigapixel images are becoming increasingly widespread across a variety of scientific, cultural, and industrial domains. In this paper, we present GigaBench, the first benchmark and experimental evaluation focused on deploying LRs with gigapixel imagery. GigaBench includes images collected, acquired, and synthetically rendered across diverse domains, and addresses image compression and super-resolution. We adapt a representative set of LRs, spanning Implicit, Hybrid, and Explicit methods, so as to operate reliably at the gigapixel scale on consumer hardware. Through systematic evaluation across reconstruction quality, model size, compression and inference times, we identify consistent trends across methods and suggest actionable guidance for future investigation.
• Abstract（参考訳）: 学習可能な表現(LR)は様々な種類の信号にパラメトリックな関数群を適合させることができる。 これらの創発的なニューラルネイティブなデータフォーマットは、そのコンパクト性、解像度非依存性、そして直接的なニューラル処理への回避性によって、科学コミュニティに関心を集めている。 一方、ギガピクセル画像は様々な科学、文化、産業の領域に広まりつつある。 本稿では,ギガピクセル画像を用いたLRの展開を目的とした,最初のベンチマークおよび実験評価であるGigaBenchについて述べる。 GigaBenchには、さまざまな領域にまたがって収集、取得、合成された画像が含まれ、画像圧縮と超解像に対処する。 我々は、Implicit、Hybrid、ExplicitメソッドにまたがるLRの代表セットを適応させ、コンシューマハードウェア上のギガピクセルスケールで確実に動作させる。 再現品質, モデルサイズ, 圧縮時間, 推測時間に関する体系的な評価を通じて, 手法間の一貫した傾向を同定し, 今後の調査に向けた実用的なガイダンスを提案する。

関連論文リスト

• Predicting Satisfied User and Machine Ratio for Compressed Images: A Unified Approach [58.71009078356928]
  圧縮画像のSUR(Satified User Ratio)とSMR(Satified Machine Ratio)を同時に予測するディープラーニングモデルを構築した。 実験結果から,提案手法は最先端SURおよびSMR予測法より有意に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-12-23T11:09:30Z)
• SaccadeDet: A Novel Dual-Stage Architecture for Rapid and Accurate Detection in Gigapixel Images [50.742420049839474]
  SaccadeDetは、人間の目の動きにインスパイアされた、ギガピクセルレベルの物体検出のための革新的なアーキテクチャである。 PANDAデータセットを用いて評価した本手法は,最先端手法の8倍の高速化を実現する。 また、全スライドイメージングへの応用を通じて、ギガピクセルレベルの病理解析に有意な可能性を示す。
  論文  参考訳（メタデータ） (2024-07-25T11:22:54Z)
• SIDBench: A Python Framework for Reliably Assessing Synthetic Image Detection Methods [9.213926755375024]
  完全合成画像の作成は、ユニークな課題である。 ベンチマークデータセットの実験結果と、ワイルドなメソッドのパフォーマンスの間には、大きなギャップがしばしばあります。 本稿では,いくつかの最先端SIDモデルを統合するベンチマークフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-29T09:50:16Z)
• Study of the gOMP Algorithm for Recovery of Compressed Sensed Hyperspectral Images [0.0]
  本研究は,圧縮前のデータスペーシフィケーション前処理段階について検討し,画素のスペーシビリティを保証する。 画像画素は厳密にはスパースではないため、圧縮前のデータスペース化前処理段階を研究し、画素のスペース性を保証する。
  論文  参考訳（メタデータ） (2024-01-26T11:20:11Z)
• Beyond Learned Metadata-based Raw Image Reconstruction [86.1667769209103]
  生画像は、線形性や微細な量子化レベルなど、sRGB画像に対して明確な利点がある。 ストレージの要求が大きいため、一般ユーザからは広く採用されていない。 本稿では,メタデータとして,潜在空間におけるコンパクトな表現を学習する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-21T06:59:07Z)
• Accurate Gigapixel Crowd Counting by Iterative Zooming and Refinement [90.76576712433595]
  GigaZoomは画像の最も密度の高い領域を反復的にズームし、より詳細な粗い密度マップを洗練します。 ギガZoomは,ギガピクセルの群衆計数のための最先端技術を取得し,次のベストメソッドの精度を42%向上させることを示す。
  論文  参考訳（メタデータ） (2023-05-16T08:25:27Z)
• Machine Perception-Driven Image Compression: A Layered Generative Approach [32.23554195427311]
  階層型生成画像圧縮モデルを提案する。 タスクに依存しない学習に基づく圧縮モデルを提案し、様々な圧縮されたドメインベースの分析タスクを効果的にサポートする。 圧縮比、再構成画像品質、下流知覚性能の最良のバランス点を得るために、共同最適化スケジュールを採用する。
  論文  参考訳（メタデータ） (2023-04-14T02:12:38Z)
• Raw Image Reconstruction with Learned Compact Metadata [61.62454853089346]
  本稿では,メタデータとしての潜在空間におけるコンパクトな表現をエンドツーエンドで学習するための新しいフレームワークを提案する。 提案する生画像圧縮方式は,グローバルな視点から重要な画像領域に適応的により多くのビットを割り当てることができることを示す。
  論文  参考訳（メタデータ） (2023-02-25T05:29:45Z)

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。