视觉上令人愉悦的压缩伪影减少的一对多网络
本研究提出了一种高度稳健的压缩伪像去除网络,它是单模型方法,能够训练处理广泛范围的质量因素,并始终提供优秀或相当的图像伪像去除性能。该网络非常有效地利用了量化表作为训练数据的一部分,并具有两个并行分支,一个用于本地伪像去除,另一个用于提取整个图像的全局特征,特别适用于全局伪像去除。大量实验证据表明,本提案的单模型方法非常有效地用于从解码图像中去除压缩伪像。
Sep, 2020
本研究提出了一种新型的 12 层深度卷积神经网络,用于图像压缩伪影抑制,其具有分层跳过连接和多尺度损失函数。相较于普通的 JPEG,可提高高达 1.79 dB 的峰值信噪比,并且相较于先前最佳 ConvNet 结果提高高达 0.36 dB。该研究表明,训练用于特定质量因子 (QF) 的网络对于压缩输入图像所使用的 QF 是有韧性的,单个针对 QF 60 训练的网络在多种 QF 范围内 (40 至 76) 提供超过 1.5 dB 的 PSNR 增益。
Nov, 2016
本文证明,通过结合残差学习、skip architecture、对称权重初始化,可以在较短的时间内单步训练 8 层卷积神经网络 (CNN),并且相比较之前使用的小型网络和其他最先进方法,这种网络可以显著提供更好的 JPEG 压缩噪点减少的重构质量。我们通过评估三种不同的目标、相对于训练数据集大小的泛化和相对于 JPEG 质量水平的泛化来认识 JPEG 去噪中的 CNN。
May, 2016
本文提出一种基于多模态融合学习的文本引导下的 JPEG 压缩伪影降低方法,通过从全局和局部角度融合图像和文本语义特征,并基于对比学习构建对比损失函数,能够在极低码率下有效降低 JPEG 压缩伪影。经过实验证明,该方法能够获得比现有技术更好的降低伪影效果。
May, 2023
利用生成对抗网络模型和卷积残差网络结构,该论文提出了一种用于去除图像压缩失真的方法,并且该方法在物体检测方面的性能表现优于传统的均方误差和结构相似性优化算法。
Apr, 2017
摘要:本文介绍了一种新颖的体系结构,该体系结构由 JPEG 文件量化矩阵参数化,可以实现单个模型在多个不同的质量设置上达到比专门针对不同质量设置训练的模型更好的性能。该模型的训练利用了深度神经网络技术,以解决在 JPEG 图像压缩算法中存在的失真纠正问题。
Apr, 2020
通过深度卷积网络的成功在超分辨率方面的成功,该论文提出了一种紧凑有效的网络,用于无缝衰减不同类型的压缩伪影,并证明使用传输学习和易于困难学习的思想可以在低级别视觉问题中实现出色的性能。
Aug, 2016
本文提出一个 Dual-domain Multi-scale CNN (DMCNN) 用于降噪 JPEG 格式图像,在此基础下扩充了网络的感受野,通过像素和 DCT 域的冗余性进一步提高了输出图像的质量,并在实验中取得了新的技术优势。
Jun, 2018
该研究提出了一种改进的神经压缩方法,通过使用复杂的语义集成损失、潜在精细化过程和优化可视保真度的目标,显著提高了神经图像压缩的统计保真度,并在 CLIC2024 验证集上相较于 MS-ILLM 在 FID 指标下实现了 62% 的比特率节省。
Jan, 2024