圧縮2026/8/17arXiv:2608.16696v1

UniTAC: 重み付き歪み尺度による普遍的なタスク認識圧縮

UniTAC: Universal Task-Aware Compression via Weighted Distortion Measures

タスクに応じて再学習不要で動作を切り替えられる単一の画像圧縮コーデックを提案。タスクを成分ごとの重要度ベクトルで抽象化し、エンコーダ・デコーダを条件付けすることで、汎用からタスク特化までを一つのモデルで実現する。

詳しい要約

1. どんなもの？

UniTACは、単一の学習済み画像コーデックで、タスク非依存（universal）からタスク特化（task-specialized）までの動作をカバーし、実行時に再学習なしでタスクに応じて再ターゲットできる手法を提案する。タスクは、下流モデルの勾配帰属などから得られる成分ごとの重要度ベクトルとして抽象化され、低オーバーヘッドのサイド情報として送信され、エンコーダとデコーダの両方を条件付ける。重み付き再構成歪みに対して、ランダム化されたベクトル族で一度訓練され、固定バックボーンと単一の人間視聴可能な再構成を維持しつつ、注入ベクトルを切り替えることでアクティブなタスクに忠実度を向ける。

2. 先行研究と比べてどこがすごい？

従来のタスク特化コーデックはタスクごとに再訓練が必要で、タスクが時間とともに変化する物理AIシステムでは非現実的である。UniTACは、単一モデルでタスク非依存からタスク特化までを連続的にカバーし、実行時に再訓練なしでタスク適応を実現する点が新しい。また、重み付きレート歪み問題を理論的に分析し、対角重み付き歪みがタスク整合的である条件を特徴づけている点も貢献である。

3. 技術・手法の肝は？

手法の核は、タスクを成分ごとの重要度ベクトルとして抽象化し、これをサイド情報としてエンコーダとデコーダに注入すること。重み付き再構成歪みに対して、ランダム化されたベクトル族で訓練することで、単一モデルが任意のタスクに適応可能になる。また、Vision Transformer (ViT) ベースのコーデックを設計し、トークンレベルの条件付けにより、重み駆動のコードを実現している。理論的には、対角重み付き歪みがタスク整合的となる条件と、重みとタスク感度の関係を分析している。

4. どうやって有効だと検証した？

局所化タスクにおいて、0.034 bpp のビットレートで、単一のUniTACモデルが91.4%の精度を達成し、タスク特化コーデック（93.3%）よりわずか1.9%低いだけで、ユニバーサルコーデック（76.9%）を上回ることを示した。

5. 議論はある？

要旨からは、UniTACがタスク特化コーデックにわずかに及ばないものの、ユニバーサルコーデックを大幅に上回ることが示されている。しかし、他のタスクやビットレートでの性能、計算コスト、実システムへの統合などについては要旨からは不明である。また、重み付き歪みの理論的分析が実際のタスク整合性にどの程度有効かについての議論は要旨に含まれていない。

6. 次に読むべき論文は？

要旨で参照されている関連研究として、タスク特化コーデック（task-based codec）とユニバーサルコーデック（universal codec）が挙げられる。また、重み付きレート歪み理論やVision Transformer (ViT) ベースの画像圧縮に関する論文が関連する。具体的な論文名は要旨にないため、これらの一般名で示す。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Homa Esfahanizadeh, Matin Mortaheb, Jinfeng Du, Harish Viswanathan

分類: cs.LG, cs.AI, cs.IT, cs.MM

原文アブストラクト

Physical AI systems such as autonomous vehicles and robots rely on timely exchange of high-dimensional sensory signals under tight bandwidth, latency, and energy budgets. Because the task driving downstream decisions evolves over time, a task-specific codec is brittle and retraining one per task is infeasible in the field. We propose UniTAC, a single learned image codec spanning universal (task-agnostic) to task-specialized operation, re-targeted at runtime without retraining. The task is abstracted as a per-component importance vector, derived, e.g., from gradient attribution of any downstream model, and transmitted as low-overhead side information that conditions both encoder and decoder. Trained once over a broad, randomized family of such vectors against weighted-reconstruction distortion, UniTAC keeps a fixed backbone and a single human-viewable reconstruction whose fidelity is steered to the active task by swapping the injected vector. We analyze the underlying weighted rate-distortion problem, characterizing when a diagonal weighted distortion is task-consistent and how weights relate to task sensitivity. Guided by this, we design a Vision Transformer (ViT) codec whose token-level conditioning natively realizes this weight-driven code. On a localized task at 0.034 bpp, a single UniTAC model reaches 91.4% accuracy, only 1.9% below a task-based codec (93.3%) and above universal codecs (76.9%).

arXivで原文を読む →arXiv概要ページ

← 論文一覧