3D-SLARM: Compresión de imágenes volumétricas sin pérdidas práctica mediante un modelo autorregresivo ligero de...

Área de la Ciencia:

• Imágenes Médicas
• Visión por Computadora
• Compresión de Datos

Sus antecedentes:

• La compresión sin pérdidas es crucial para preservar la integridad de los datos en imágenes volumétricas.
• Los métodos aprendidos existentes enfrentan desafíos para equilibrar la relación de compresión, la velocidad de codificación y la complejidad del modelo.

Objetivo del estudio:

• Proponer un modelo novedoso, ligero y eficiente para la compresión de imágenes volumétricas sin pérdidas.
• Abordar las limitaciones de los métodos actuales para lograr altas relaciones de compresión con velocidades de codificación rápidas.

Principales métodos:

• Introducción de un modelo autorregresivo ligero de escaneo 3D (3D-SLARM).
• Integración de un módulo de escaneo de planos 3D para la codificación paralela de vóxeles.
• Empleo de un módulo de extracción de características ligero con re-parametrización en serie (SerRep) y convolución enmascarada no céntrica (NCMC).
• Utilización de un módulo ligero de predicción de parámetros de distribución y predictor adaptativo de rango (DPARP) para una predicción eficiente de parámetros y una generación adaptativa de rango de probabilidad.

Principales resultados:

• 3D-SLARM logra un rendimiento de compresión sin pérdidas de última generación en la mayoría de los conjuntos de datos de imágenes volumétricas.
• El modelo demuestra velocidades de codificación rápidas.
• La arquitectura propuesta es ligera y práctica para aplicaciones del mundo real.
• Manejo efectivo de imágenes volumétricas de 8 bits y de alta profundidad de bits.

Conclusiones:

• 3D-SLARM ofrece una solución práctica para la compresión de imágenes volumétricas sin pérdidas.
• El modelo equilibra con éxito altas relaciones de compresión, velocidades de codificación rápidas y un diseño ligero.
• Los componentes novedosos, incluido el escaneo de planos 3D y SerRep/NCMC, contribuyen a su efectividad.