پژوهش
مدل فشرده‌سازی تصویر IE-PFA در هفت بنچمارک از VTM-22.0-Intra بهتر عمل کرد
پژوهشگران مدلی برای فشرده‌سازی عصبی تصویر معرفی کرده‌اند که پیشین‌های درون تصویر را با یک فرهنگ‌واژگان مشترک میان رمزگذار و رمزگشا ترکیب می‌کند؛ مقاله، میانگین صرفه‌جویی ۲۱٫۶۵درصدی در BD-Rate و زمان رمزگذاری ۶۱ میلی‌ثانیه را گزارش می‌کند.
مدل‌های رایج فشرده‌سازی تصویرِ یادگرفتنی عمدتاً از الگوهای درون تصویر استفاده می‌کنند و به بافت‌ها و الگوهای مشترک میان تصاویر طبیعی کمتر توجه دارند. مقاله‌ای پیش‌چاپ در arXiv، مدلی با نام IE-PFA پیشنهاد می‌کند که این دو نوع اطلاعات را با هم به کار می‌گیرد.
در این روش، یک فرهنگ‌واژگان یادگرفتنی که میان رمزگذار و رمزگشا مشترک است، نقش پیشین بیرونی را دارد. ماژول RSCPF، مبتنی بر RWKV، پیشین‌های درونی و بیرونی را در ابعاد مکانی و کانالی با پیچیدگی خطی ادغام می‌کند. سازوکار SDPA نیز در زمان آموزش این پیشین‌ها را هم‌تراز می‌کند و به گفتهٔ پژوهشگران، در زمان استنتاج سرباری ندارد.
مدل از کدگذاری با نرخ متغیر در ۶۴ سطح کیفیت پشتیبانی می‌کند و با عملگرهای اختصاصی CUDA شتاب گرفته است. در آزمایش روی هفت بنچمارک، نویسندگان میانگین صرفه‌جویی ۲۱٫۶۵درصدی BD-Rate در مقایسه با VTM-22.0-Intra را گزارش کرده‌اند. مدل ۲۹٫۹ میلیون پارامتر دارد و زمان رمزگذاری و رمزگشایی آن به‌ترتیب ۶۱ و ۵۲ میلی‌ثانیه اعلام شده است؛ مقاله آن را سریع‌ترینِ کدک‌های عصبی پیشرفته در این مقایسه توصیف می‌کند. این مقاله پیش‌چاپ برای کنفرانس VCIP 2026 ثبت شده است.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده