مقالهای پژوهشی از توربو-دیدیسیام رونمایی کرده؛ روشی نوین برای فشردهسازی تصویر مبتنی بر انتشار که مشکل سنگینی محاسباتی روشهای پیشین را برطرف کرده است.
{{img:0}}
این روش بر چارچوب مدلهای رمزگان (کدبوک) انتشار حذف نویز (Denoising Diffusion Codebook Models / DDCMs) بنا شده. در این رویکرد، تصویر با انتخاب بردارهای نویز انتشار از کدبوکهای قابل بازتولید فشرده میشود. سپس این بردارها حذفکنندهی نویز را برای بازسازی تصویر هدف هدایت میکنند.
نوآوری اصلی توربو-دیدیسیام در ترکیب همزمان تعداد زیادی بردار نویز در هر مرحلهی حذف نویز است. این کار تعداد کل عملیات مورد نیاز را بهطور قابل توجهی کاهش میدهد. همراه با پروتکل کدگذاری بهبودیافته، روش مذکور سرعت اجرا را در مقایسه با تکنیکهای موجود فشردهسازی انتشاری بدون نیاز به آموزش بهشدت افزایش داده؛ در حالی که معیارهای عملکرد رقابتی حفظ شدهاند.
پژوهشگران همچنین دو نسخهی انعطافپذیر برای کاربردهای متنوع ارائه کردهاند. نسخهی اولویتمحور به کاربران اجازه میدهد مناطق مورد نظر را مشخص کنند تا کیفیت فشردهسازی در آن بخشها بالاتر رود. نسخهی کنترلشده بر اساس اعوجاج امکان فشردهسازی بر اساس نسبت سیگنال به نویز اوج (PSNR) را فراهم میکند؛ نه بر مبنای بیت در هر پیکسل (BPP) سنتی. این رویکرد کنترل مستقیمتری بر کیفیت خروجی در اختیار مینهد.
آزمایشهای جامع توربو-دیدیسیام را بهعنوان طرحی عملی و منعطف برای کاربردهای واقعی معرفی کردهاند. با کاهش نیازهای محاسباتی و حفظ کیفیت فشردهسازی، این رویکرد روشهای انتشاری بدون نیاز به آموزش را برای محیطهای با محدودیت منابع قابل دسترستر کرده است.
گفتگو