論文の概要: Flux as a Codec: Zero-Shot Lossy Compression with Flux

• arxiv url: http://arxiv.org/abs/2611.07929v1
• Date: Thu, 05 Nov 2026 12:34:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.681564
• Title: Flux as a Codec: Zero-Shot Lossy Compression with Flux
• Title（参考訳）: コーデックとしてのFlux:Fluxによるゼロショット損失圧縮
• Abstract要約: 我々は、符号化コストとビット割り当て、再構成方法、低レート歪みの3つの軸に沿ってFluxCを分析する。 再建のために,祖先サンプリング,一段階ODE再構成,多段階ODE再構成を比較した。 解析の結果, ODE を用いた再構成は, 祖先サンプリングよりも歪みが小さく, とくに低速度で再現できることがわかった。
• 参考スコア（独自算出の注目度）: 5.427608760413566
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose FluxC, a zero-shot codec that uses Flux as a compression prior. Although DiffC has shown that pretrained diffusion models can serve as zero-shot codecs, we ask how the choice of coding path and reconstruction method affects rate--distortion--perception behavior. We analyze FluxC along three axes: coding cost and bit allocation, reconstruction method, and low rate distortion. At matched signal-to-noise ratio (SNR), we show that the path choice does not affect the ideal information rate, but changes how bits are allocated across time steps. For reconstruction, we compare ancestral sampling, one-step ODE reconstruction, and many-step ODE reconstruction. Our analysis shows that ODE-based reconstruction can achieve lower distortion than ancestral sampling, especially in the low rate regime. Experiments on Gaussian sources and natural images support this prediction. Moreover, FluxC performs competitively with, and in some cases outperforms, recent neural image compression methods, suggesting that Flux can serve as a principled zero-shot codec.
• Abstract（参考訳）: 圧縮にFluxを使用するゼロショットコーデックであるFluxCを提案する。 DiffCは、事前学習した拡散モデルがゼロショットコーデックとして機能することを示したが、符号化経路と再構成法の選択が速度-歪み-知覚挙動にどう影響するかを問う。 我々は、符号化コストとビット割り当て、再構成方法、低レート歪みの3つの軸に沿ってFluxCを分析する。 一致した信号対雑音比(SNR)では、経路選択が理想的な情報レートに影響を与えるのではなく、時間ステップ間でビットの割り当て方法を変えることを示す。 再建のために,祖先サンプリング,一段階ODE再構成,多段階ODE再構成を比較した。 解析の結果, ODE を用いた再構成は, 祖先サンプリングよりも歪みが小さく, 特に低速度で再現できることがわかった。 ガウスの情報源と自然画像の実験は、この予測を支持している。 さらに、FluxCは競争力があり、場合によっては、最近のニューラルイメージ圧縮法よりも優れており、Fluxが原則化されたゼロショットコーデックとして機能することを示唆している。

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)
• SING: Semantic Image Communications using Null-Space and INN-Guided Diffusion Models [52.40011613324083]
  近年, 無線画像伝送において, 共用音源チャネル符号化システム (DeepJSCC) が顕著な性能を発揮している。 既存の手法では、送信された画像とレシーバーの再構成されたバージョンとの間の歪みを最小限に抑えることに重点を置いており、しばしば知覚的品質を見落としている。 逆問題として,破損した再構成画像から高品質な画像の復元を定式化する新しいフレームワークであるSINGを提案する。
  論文  参考訳（メタデータ） (2025-03-16T12:32:11Z)
• PSC: Posterior Sampling-Based Compression [34.50287066865267]
  Posterior Sampling-based Compression (PSC) は、学習前の拡散モデルを唯一のニューラルネットワークコンポーネントとして利用するゼロショット圧縮法である。 PSCは画像に適応した変換を構成する。 我々はPSCの性能が、レート、歪み、知覚品質の点で確立されたトレーニングベースの手法に匹敵することを示した。
  論文  参考訳（メタデータ） (2024-07-13T14:24:22Z)
• A Residual Diffusion Model for High Perceptual Quality Codec Augmentation [1.868930790098705]
  拡散確率モデルは最近、高品質の画像とビデオデータの生成において顕著な成功を収めている。 本研究では,この生成モデルに基づいて,高解像度画像の損失圧縮手法を提案する。 拡散確率モデルからのサンプリングは高額であることが知られているが, 圧縮設定では, ステップ数を大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2023-01-13T11:27:26Z)
• Denoising Diffusion Error Correction Codes [92.10654749898927]
  近年、ニューラルデコーダは古典的デコーダ技術に対する優位性を実証している。 最近の最先端のニューラルデコーダは複雑で、多くのレガシデコーダの重要な反復的スキームが欠如している。 本稿では,任意のブロック長の線形符号のソフトデコードにデノナイズ拡散モデルを適用することを提案する。
  論文  参考訳（メタデータ） (2022-09-16T11:00:50Z)
• Lossy Image Compression with Conditional Diffusion Models [25.158390422252097]
  本稿では,拡散生成モデルを用いた画像圧縮のエンドツーエンド最適化について概説する。 VAEベースのニューラル圧縮とは対照的に、(平均)デコーダは決定論的ニューラルネットワークであり、私たちのデコーダは条件付き拡散モデルである。 提案手法では,GANモデルよりもFIDスコアが強く,VAEモデルとの競合性能も高い。
  論文  参考訳（メタデータ） (2022-09-14T21:53:27Z)
• Lossy Compression with Gaussian Diffusion [28.930398810600504]
  非条件拡散生成モデルに基づく新しい損失圧縮手法DiffCについて述べる。 エンコーダ変換の欠如にもかかわらず、概念実証を実装し、驚くほどうまく機能することを発見した。 流れに基づく再構築は,祖先サンプリングよりも高頻度で3dBのゲインを達成できることを示す。
  論文  参考訳（メタデータ） (2022-06-17T16:46:31Z)
• Implicit Neural Representations for Image Compression [103.78615661013623]
  Inlicit Neural Representations (INRs) は、様々なデータ型の新規かつ効果的な表現として注目されている。 量子化、量子化を考慮した再学習、エントロピー符号化を含むINRに基づく最初の包括的圧縮パイプラインを提案する。 我々は、INRによるソース圧縮に対する我々のアプローチが、同様の以前の作業よりも大幅に優れていることに気付きました。
  論文  参考訳（メタデータ） (2021-12-08T13:02:53Z)
• 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。