Joint Content and Shape Adaptive Transforms Based on a GMRF Model for Coding Arbitrarily Shaped Image Segments
Notice bibliographique
Résumé
It is known that shape-adaptive (SA) transform coding can outperform block-based transform coding for images. However, there is no simple way to construct optimal transforms for arbitrarily shaped image segments. We present a novel method for constructing SA transforms using a non-causal finite lattice homogeneous Gauss-Markov random field (GMRF) model. Karhunen-Loéve transform (KLT) of the GMRF model serves as a compact parameterized model for the KLT of an arbitrarily shaped segment, where the model parameters represent the image texture. In contrast to other SA transforms considered in the literature, our approach makes it possible to optimize the transform to an image segment in the sense that if the GMRF model is exact for the texture, the resulting KLT is the optimal transform for the image segment. An important part of the proposed GMRF model is a modified version of asymmetric Neumann boundary conditions designed to ensure a high transform coding gain for arbitrarily shaped image segments. By using a candidate set of GMRF parameters estimated from a training set of images, our KLT model can be used for joint content and shape adaptive transform (JCSAT) coding. Experimental results show that JCSAT coding outperforms other known SA transforms, as well as the standard 2D-DCT.
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 | 0,001 |
| Science ouverte | 0,001 | 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 ».