핵심 개념
通信システムとして学習された画像圧縮フレームワークを解釈し、信号変調(TSM)に基づく新しい変換方法を提案する。
초록
この論文では、学習された画像圧縮フレームワークを通信システムとして解釈し、一貫性を持つ構造と最適化目標に基づいて変換を設計することが重要である。TSMに基づく新しい変換方法は、以前の変換を一般化し、非線形変調技術に拡張することができる。さらに、提案されたメソッドはSOTAの変換方法と同等の性能を達成する。
1. Introduction
- 伝統的な画像圧縮標準は手作業で設計されており、最適化が困難である。
- 深層学習技術の急速な発展により、エンドツーエンド最適化された画像圧縮フレームワークが探求されている。
2. Related Works
- 学習された画像圧縮は古典的な手法を凌駕しており、VAEベースのトランスフォームコーディングが主流である。
3. Communication System for Learned Image Compression
- 学習された画像圧縮システムと通信システム間のマッピング関係を示す。
- 変換は通信システム内でモジュレーションモジュールとして解釈される。
4. Experiments
- 提案手法は既存のアーキテクチャ上で評価され、GDNよりも優れたパフォーマンスを示す。
- TPMやResTSMなどの提案手法はSOTA手法と同等以上の性能を実現する。
통계
ボール´e氏ら(2020):非リニアトランスフォームコーディング。
チェン氏ら(2021):非ローカルアテンション最適化および改善コンテキストモデリングによるエンド・トゥ・エンド学習済み画像圧縮。
인용구
"我々は新しい視点から学んだ画像圧縮フレームワークの設計方法を考え直しました" - Johannes Ball´e氏
"提案したTSMメソッドはGDNよりも優れた結果をもたらします" - Zhengxue Cheng氏