.png){kind=icon}
返回
Task-Oriented Lossy Compression With Data, Perception, and Classification Constraints
.png){kind=icon}
PRE
AI
DOI：10.1109/JSAC.2025.3559164.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
通过在最大限度压缩输入的同时提取任务相关信息，信息瓶颈（IB）原理为学习目标推理的有效且鲁棒表示提供了指导方针。然而，将这一思想扩展到同时考虑生成任务和传统重建任务的多任务学习场景仍属未探索领域。本文通过重新考虑具有数据重建、感知质量和分类精度多样化约束的有损压缩问题来弥补这一空白。首先，我们研究了两种三元关系，即速率-失真-分类（RDC）和速率-感知-分类（RPC）。对于RDC和RPC函数，我们推导出二元和高斯信源的优化速率的闭式表达式。这些新结果补充了IB原理，并为有效提取面向任务的信息以实现多样化目标提供了见解。其次，与先前研究在信号恢复问题中展示的分类与感知之间的权衡不同，我们证明了在RPC函数中不存在这种权衡，并揭示信源噪声在分类-感知权衡中起决定性作用。最后，我们实现了一个基于深度学习的图像压缩框架，整合了与失真、感知和分类相关的多个任务。实验结果与理论分析一致，验证了我们的广义IB在平衡各种任务目标方面的有效性。
Keyword:
Information bottleneck
lossy compression
task-oriented communication
rate-distortion theory
perceptual quality
期刊
IF:
17.2
论文数:
6.4K
被引数:
3.1W
机构
引用论文
Rate-Distortion-Perception Tradeoff Based on the Conditional-Distribution Perception Measure.png)
IF0
PREAI
分享收藏
查看更多内容