基于神经网络的太阳图像数据压缩方案
图像与视频处理
2023-11-16 v1 计算机视觉与模式识别
信息论
math.IT
摘要
对太阳系尤其是太阳的研究依赖于空间任务每日采集的数据。这些任务数据密集,将数据压缩以高效传回地面站是一个需权衡的决策。更强的压缩方法通过扭曲数据,能以精度为代价提高数据吞吐,而这可能影响数据的科学分析。另一方面,在压缩数据中保留细微细节需要传输大量数据,从而削弱压缩带来的预期收益。本工作中,我们提出一种基于神经网络的有损压缩方法,用于NASA的数据密集型成像任务。我们选取每日传输1.4太字节数据的NASA SDO任务作为所提算法的概念验证。本工作中,我们提出一种对抗训练的神经网络,配备局部与非局部注意力模块以捕获图像的局部与全局结构,从而相比传统手工设计编解码器在率失真(RD)上取得更好权衡。本工作使用的RD变分自编码器与信道相关熵模型作为分析变换与合成变换之间的共享先验联合训练,以使潜码的熵编码更为有效。我们的神经图像压缩算法在压缩极紫外(EUV)数据时,在RD性能上优于当前使用及最先进的编解码器如JPEG和JPEG-2000。作为该算法用于SDO数据分析的概念验证,我们利用压缩图像进行了日冕洞(CH)检测,并使用SDO的EUV数据生成了一致性分割结果,即便在压缩率约比特每像素(原始数据为8比特每像素)时亦然。
引用
@article{arxiv.2311.02855,
title = {Neural-based Compression Scheme for Solar Image Data},
author = {Ali Zafari and Atefeh Khoshkhahtinat and Jeremy A. Grajeda and Piyush M. Mehta and Nasser M. Nasrabadi and Laura E. Boucheron and Barbara J. Thompson and Michael S. F. Kirk and Daniel da Silva},
journal= {arXiv preprint arXiv:2311.02855},
year = {2023}
}
备注
Accepted for publication in IEEE Transactions on Aerospace and Electronic Systems (TAES). arXiv admin note: text overlap with arXiv:2210.06478