A Projection-Based Surrogate Gradient Interpretation for Neural Codec Wrappers
The user wants a JSON translation. Let me provide the final polished Korean translation. { "title_ko": "신경망 코덱 래퍼를 위한 투영 기반 대리 그래디언트 해석", "abstract_ko": "신경망 래퍼는 기존 비디오 코덱의 성능을 향상시키기 위해 설계된, 학습 가능한 전처리 및 후처리 네트워크이다. 이러한 접근법은 압축 효율을 크게 개선할 수 있지만, 인코딩 과정에 수반되는 다수의 이산적 결정으로 인해 비디오 코덱이 미분 불가능하여 학습이 여전히 어렵다. 최근 대리 그래디언트(surrogate gradient)는 기존 코덱과의 end-to-end 학습을 가능하게 하는 효과적인 해결책으로 등장했다. 이는 코덱을 모방하기 위한 추가 네트워크를 학습할 필요가 없다는 점과 압축 성능을 개선할 수 있다는 두 가지 주요 장점을 제공한다. 특히 실제 압축 오류를 활용하는 최근 제안된 SCALED 방법은 다운스케일러(downscaler)와 같은 신경망 전처리기 학습에서 강력한 결과를 보였다. 그러나 이 SCALED 그래디언트는 원래 reparameterization trick으로 도입되어 해석 가능성이 제한된다. 본 논문에서는 이 대리 그래디언트가 비디오 코덱의 1차 국소 근사(first-order local approximation)로 해석될 수 있음을 보이며, 이를 통해 그 효과에 대한 통찰을 제공한다. 또한 이는 다운스케일링 연산 학습뿐만 아니라 전처리 및 후처리 네트워크를 포함한 완전한 신경망 래핑이라는 더 어려운 과제에서도 효과적임을 입증한다. 마지막으로, 이 접근법이 서로 다른 비디오 코덱, 품질 계수(quality factor), 다중 다운스케일링 비율을 포함한 다양한 과제에 잘 일반화되며, 표준 리샘플링 베이스라인 대비 x264에서 최대 -23.59%, VVenC에서 -20.07%의 BD-Rate(PSNR) 감소를 달성함을 보인다." }