デジタル画像処理

電子書籍リンク：デジタル画像処理（中）第3版 (1).pdf 学習対象章：1、2、4、6.1-6.2、8。第8章はJPEGコーデックの詳細説明と併用して理解すると良い。コーデックの基本的な処理フローを把握する。

ディープラーニング

まずPythonに十分な理解が必要。選択肢として電子書籍：Pythonプログラミング：入門から実践まで.pdf PyTorchの学習には、B站の関連講座：李沐のAI学習チャンネル - 動きながら学ぶディープラーニング PyTorch版 - ビリビリ動画 (bilibili.com) を活用。特に00～29.2、31、33～37、47、47.2を重点的に学習する。

入門論文

論文とコード（CompressAI）を組み合わせて、独自のモデルを訓練し、RD曲線を描画してみよう。

一般的なトレーニング・検証データセット：ImageNet/COCO 一般的なテストデータセット：24枚のKodak画像。元画像の端部に異常があるため、時折正方形に切り取られた画像を使用することもある。

1. Ballé, J., et al. (2015). "Density modeling of images using a generalized normalization transformation." arXiv preprint arXiv:1511.06281.

   AI コーデックでよく使われる活性化層GDN。関連コード：CompressAI/compressai/layers/gdn.py at master · InterDigitalInc/CompressAI (github.com)

2. Ballé, J., et al. (2016). "End-to-end optimized image compression." arXiv preprint arXiv:1611.01704.

   AI コーデックの基本構造を紹介。JPEGコーデックと比較しながら学習すると効果的。変換、量子化、エントロピー符号化といった共通プロセスを理解し、RD損失関数の仕組みを習得する。関連コード：CompressAI/compressai/models/google.py at a4ae2eeef7bdb1b84ba076ac0d650b523f3fa882 · InterDigitalInc/CompressAI · GitHub

3. Ballé, J., et al. (2018). "Variational image compression with a scale hyperprior." arXiv preprint arXiv:1802.01436.

   基本構造に超先験（hyper）を追加。関連コード：CompressAI/compressai/models/google.py at a4ae2eeef7bdb1b84ba076ac0d650b523f3fa882 · InterDigitalInc/CompressAI · GitHub

4. Minnen, D., et al. (2018). "Joint autoregressive and hierarchical priors for learned image compression." Advances in neural information processing systems.

   自回帰（autoregressive）と超先験の統合。関連コード：CompressAI/compressai/models/google.py at a4ae2eeef7bdb1b84ba076ac0d650b523f3fa882 · InterDigitalInc/CompressAI · GitHub

注：CompressAIはLinux環境ではpipで直接インストール可能だが、Windows用パッケージは提供されていない。以下の手順に従ってインストールする：

1. Visual StudioのC++関連パッケージをインストールし、再起動する。
2. condaで新しいPython環境を作成し、pytorch、scipy、matplotlib、pytorch-msssimをインストールする。
3. 上記環境をアクティブにし、ローカルにCompressAIをクローン。ターミナルでディレクトリに移動し、pip install .を実行する。