Low bit-rate image coding via local random down-sampling
Notice bibliographique
Résumé
A common practice in low bit-rate image/video compression is uniform spatial down-sampling at the encoder and upsampling at the decoder. The down-sampling is performed in conjunction with deterministic low-pass filtering (e.g., Gaussian or the alike) to prevent aliasing. The down-sampled image is compressed and decompressed as usual; the upsampling is treated as an image restoration problem. In this paper, we show that the rate-distortion performance of the above low bit-rate image coding system can be improved, if the deterministic low-pass down-sampling filter is replaced by a random convolution kernel. The resulting down-sampled image is a two-dimensional array of local random measurements; this smaller image is still compressible in most cases. Accordingly, the decoder recovers the image from these local random measurements in the framework of compressive sensing. Theoretical analysis is conducted to support the superior performance of the proposed new method over its predecessors, and it is corroborated by our simulation results. At low to medium bit rates, the new method outperforms not only JPEG 2000 but also our earlier low bit-rate image codec CADU, with clear advantages over the competing methods in the reconstruction of high frequency features. In addition, the new method retains the system advantages of low encoder complexity and standard compliance as in CADU.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».