画像圧縮のための文脈ベース非局所エントロピーモデリングの学習【JST・京大機械翻訳】

Li Mu; Zhang Kai; Zuo Wangmeng; Timofte Radu; Zhang David

プレプリント

J-GLOBAL ID：202202207063449111 整理番号：22P0145279

画像圧縮のための文脈ベース非局所エントロピーモデリングの学習【JST・京大機械翻訳】

Learning Context-Based Non-local Entropy Modeling for Image Compression

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2020年05月10日プレプリントサーバーでの情報更新日： 2020年05月10日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

符号のエントロピーは,通常,最近の学習損失画像圧縮法における速度損失として機能する。符号の確率的分布の正確な推定は,性能において重要な役割を果たす。しかしながら,既存の深層学習ベースのエントロピーモデリング法は,一般的に潜在符号が統計的に独立であるか,あるいはいくつかの側面情報または局所コンテキストに依存すると仮定し,それは,文脈の中で大域的類似性を考慮せず,従って正確なエントロピー推定を妨げる。この問題に取り組むために,コンテキスト内の大域的類似性を採用することにより,コンテキストモデリングのための非局所操作を提案した。具体的には,まず,文脈モデリングにおける欠測参照問題を処理するために,プロキシ類似性関数と空間マスクを導入した。次に,非局所注意ブロックを介して局所および大域コンテキストを結合し,エントロピーモデリングのためのマスク畳込みネットワークにおいてそれを採用した。エントロピーモデルを,変換符号化フレームワークにおける解析変換と合成変換ネットワークの訓練を導くために,結合速度歪最適化における速度損失としてさらに採用した。変換の幅が低歪モデルの訓練において必須であることを考慮して,著者らは最終的に,管理可能メモリ消費と時間複雑性によって幅を増加させるために変換においてU-Netブロックを作り出した。KodakとTecnickデータセットに関する実験は,既存の画像圧縮標準と最近の深層画像圧縮モデルに対する低歪み圧縮におけるエントロピーモデリングとU-Netブロックにおける提案したコンテキストベース非局所注意ブロックの優位性を実証した。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

図形・画像処理一般

, , , ,

前のページに戻る