論文の概要: Inter-Frame Predictive Contour Coding for Semantic Map Compression
- arxiv url: http://arxiv.org/abs/2610.40887v1
- Date: Thu, 29 Oct 2026 19:07:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.476425
- Title: Inter-Frame Predictive Contour Coding for Semantic Map Compression
- Title（参考訳）: 意味地図圧縮のためのフレーム間予測輪郭符号化
- Abstract要約: 提案フレームワークは、まず基準フレームからブロブの位置とラベルのインデックスを予測し、次に基準輪郭内の対応するチェーンコードユニットを用いて輪郭予測を行う。
輪郭表現の利点を保ちながら時間的輪郭冗長性を利用することにより、提案手法は符号化効率を著しく向上させる。
- 参考スコア（独自算出の注目度）: 4.7131587965036
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dynamic semantic maps have become an important intermediate representation for many computer vision applications. Efficient lossless compression of such maps is essential for reducing storage and transmission costs. Existing contour-based semantic map compression methods mainly exploit spatial redundancy within individual frames while largely ignoring the strong temporal correlation between adjacent semantic maps. In this paper, we propose an inter-frame predictive contour coding framework for lossless semantic map compression. The proposed framework first predicts blob positions and label indexes from the reference frame and then performs contour prediction using corresponding chain-code units in the reference contours. A mode selection mechanism is further employed to choose between intra and inter coding according to the estimated coding cost. By exploiting temporal contour redundancy while preserving the advantages of contour-based representation, the proposed framework significantly improves coding efficiency. Experimental results on the VSPW dynamic semantic segmentation dataset demonstrate that the proposed method consistently outperforms state-of-the-art lossless semantic map compression methods. Compared with the recent context-adaptive extended chain coding framework, the proposed inter-frame coding achieves an average bitrate reduction of 3.0\% without significant increase in the average encoding time, demonstrating an effective trade-off between compression performance and computational complexity. The source code is made publicly available at https://github.com/InterDigitalInc/LosslessSegmentationMapCompression.
- Abstract（参考訳）: 動的セマンティックマップは多くのコンピュータビジョンアプリケーションにおいて重要な中間表現となっている。
このような地図の効率的なロスレス圧縮は、ストレージと送信コストの削減に不可欠である。
既存の輪郭型セマンティックマップ圧縮法は主に個々のフレーム内の空間的冗長性を利用しており、隣接するセマンティックマップ間の強い時間的相関を無視している。
本稿では,ロスレスセマンティックマップ圧縮のためのフレーム間予測輪郭符号化フレームワークを提案する。
提案フレームワークは、まず基準フレームからブロブの位置とラベルのインデックスを予測し、次に基準輪郭内の対応するチェーンコードユニットを用いて輪郭予測を行う。
さらに、推定符号コストに応じて、イントラ符号化とインターコーディングのどちらを選択するためにモード選択機構を用いる。
輪郭表現の利点を保ちながら時間的輪郭冗長性を利用することにより、提案手法は符号化効率を著しく向上させる。
VSPW動的セマンティックセマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・データセットの実験結果から,提案手法は最先端のロスレス・セマンティック・マップ・圧縮法より一貫して優れていることが示された。
最近の文脈適応型拡張チェーン符号化フレームワークと比較して、提案するフレーム間符号化は、平均符号化時間を大幅に増加させることなく平均ビットレートを3.0\%削減し、圧縮性能と計算複雑性の効果的なトレードオフを示す。
ソースコードはhttps://github.com/InterDigitalInc/LosslessSegmentationMapCompressionで公開されている。
関連論文リスト
- Efficient Learned Image Compression without Entropy Coding [62.01837001379442]
エントロピー符号化自由学習画像圧縮(EF-LIC)を提案する。
EF-LICは、符号化レイテンシの低い統計的および相関的冗長性を排除し、コンパクトな表現を生成するマルチレートフレームワークである。
実験の結果、EF-LIC はコダックの MS-ILLM を LPIPS で67.86% 削減できることがわかった。
論文 参考訳（メタデータ） (2026-05-22T07:37:30Z) - 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) - Rethinking Autoregressive Models for Lossless Image Compression via Hierarchical Parallelism and Progressive Adaptation [75.58269386927076]
自己回帰(AR)モデルは、しばしば計算コストの禁止のために非現実的に除外される。
この研究は、階層的並列性とプログレッシブ適応に基づくフレームワークを導入して、このパラダイムを再考する。
各種データセット(自然,衛星,医療)の実験により,本手法が新たな最先端圧縮を実現することを確認した。
論文 参考訳（メタデータ） (2025-11-14T06:27:58Z) - Have We Scene It All? Scene Graph-Aware Deep Point Cloud Compression [18.40946383877556]
セマンティックシーングラフに基づくディープ圧縮フレームワークを提案する。
このフレームワークは最先端の圧縮速度を実現し,データサイズを最大98%削減することを示す。
マルチロボットのポーズグラフ最適化やマップマージといった下流アプリケーションをサポートする。
論文 参考訳（メタデータ） (2025-10-09T17:45:09Z) - CompGS++: Compressed Gaussian Splatting for Static and Dynamic Scene Representation [60.712165339762116]
CompGS++はコンパクトガウスプリミティブを活用して正確な3Dモデリングを実現する新しいフレームワークである。
私たちの設計は、プリミティブ間の冗長性をなくすという原則に基づいている。
私たちの実装は、さらなる研究を促進するためにGitHubで公開されます。
論文 参考訳（メタデータ） (2025-04-17T15:33:01Z) - Hierarchical Semantic Compression for Consistent Image Semantic Restoration [62.97519327310638]
生成モデルから固有意味空間内で純粋に機能する新しい階層意味圧縮(HSC)フレームワークを提案する。
実験の結果,提案したHSCフレームワークは人間の視力に対する主観的品質と一貫性に関する最先端の性能を実現することが示された。
論文 参考訳（メタデータ） (2025-02-24T03:20:44Z) - Stable Diffusion is a Natural Cross-Modal Decoder for Layered AI-generated Image Compression [7.643300240138419]
我々は、複数の人間-理解可能なモダリティを組み込んだスケーラブルなクロスモーダル圧縮フレームワークを導入する。
我々のフレームワークは,高レベルなセマンティック情報を提供するセマンティック層からなる層状ビットストリームに画像をエンコードする。
提案手法は意味的および視覚的詳細の両方を巧みに復元し,極端に低速度でベースラインアプローチと競合する。
論文 参考訳（メタデータ） (2024-12-17T15:01:35Z) - DiffCom: Decoupled Sparse Priors Guided Diffusion Compression for Point Clouds [54.96190721255167]
ロスシー圧縮は、ポイントクラウドをストレージの潜在ポイントに変換するためのオートエンコーダに依存している。
本稿では,特に低レベルにおいて高い復元品質を実現するための拡散型フレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-21T05:41:35Z)
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。