Frequenzbasierte Transformer-Architektur für effiziente Bildkompression
Die vorgeschlagene Frequenzbasierte Transformer-Architektur (FAT) erfasst multiskalige und richtungsabhängige Frequenzkomponenten natürlicher Bilder, um eine kompaktere Darstellung der Bildinformationen zu ermöglichen und so die Leistung der lernbasierten Bildkompression zu verbessern.
Bildkompression mit perfekter Realität bei extrem niedrigen Bitraten
Unser Modell PerCo nutzt einen diffusionsbasierten Decoder, der mit einer vektorquantisierten Darstellung des Eingabebilds sowie einer textbasierten globalen Bildbeschreibung konditioniert wird, um realistische Bildrekonstruktionen bei extrem niedrigen Bitraten zu erzielen.
Fidelity-erhaltende lernbasierte Bildkompression: Verlustfunktion und subjektive Bewertungsmethodik
Die Studie präsentiert eine neue Verlustfunktion und eine neuartige subjektive Bewertungsmethodik, um die Bildtreue lernbasierter Bildkompressionsverfahren zu optimieren und zu bewerten.
Effiziente lernbasierte Bildkompression mit semantischer Führung und flexibler Steuerung der Wahrnehmungsqualität
EGIC ist eine neuartige generative Bildkompressionsmetho-de, die es ermöglicht, die Verzerrungs-Wahrnehmungs-Kurve effizient von einem einzigen Modell aus zu durchlaufen. EGIC basiert auf zwei neuartigen Bausteinen: i) OASIS-C, einem bedingten, vortrainierten semantischen Segmentierungs-gesteuerten Diskriminator, der sowohl räumlich als auch semantisch bewusste Gradientenrückmeldungen an den Generator liefert, bedingt durch die latente Bildverteilung, und ii) Output Residual Prediction (ORP), eine leichtgewichtige Nachrüstlösung für die Mehrfach-Realismus-Bildkompression, die es ermöglicht, den Einfluss des Residuums zwischen einem MSE-optimierten und einem GAN-optimierten Decoder-Ausgang auf die GAN-basierte Rekonstruktion zu steuern.
Effiziente inhaltsgesteuerte Transformer-Entropiemodellierung für die Stereo-Bildkompression
Ein leistungsfähiges Transformer-Entropiemodell, das sowohl räumliche als auch Disparitätsabhängigkeiten effektiv erfasst, ermöglicht eine effiziente Stereo-Bildkompression.
Effiziente Verarbeitung und Analyse komprimierter dunkler Bilder zur Verbesserung der Bildqualität
Durch das Lernen einer Abbildung im latenten Raum kann die Bildqualität komprimierter dunkler Bilder deutlich verbessert werden, ohne dass Kompressionsartefakte verstärkt werden.
© 2024 by Linnk AI