一种用于检测双重 JPEG 压缩的多分支卷积神经网络
本文提出使用卷积神经网络(CNN)进行对齐和非对齐双重 JPEG 压缩检测的方法,结果显示,这种基于 CNN 的检测器具有良好的性能,特别是在非对齐情况下,可以比其他最先进的解决方案更好地处理小型图像,并且在常见的挑战性案例中也取得了良好的结果。
Aug, 2017
该论文介绍了一种基于 JPEG 压缩格式中的 DCT 系数处理的对象检测快速深层网络,以代替一些应用中需要耗时的图像解压缩操作,实验结果显示该模型比常规 SSD 快 2 倍且具有良好的检测性能。
Apr, 2019
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
本研究提出了一种名为 DWT-CompCNN 的基于深度学习的模型,使用高通量 JPEG 2000(HTJ2K)算法压缩文档,并从中提取离散小波系数,从而在压缩域中高效准确的对文档进行分类。实验表明该模型在时间和空间上的效率更高,而且能够取得更好的分类效果。
Jun, 2023
通过使用卷积神经网络 (CNN) 和离散余弦变换 (DCT) 系数,本文提出了一种用于本地化检测图像篡改的方法,并介绍了 Compression Artifact Tracing Network (CAT-Net)。CAT-Net 与传统方法和基于深度神经网络的方法相比,在检测和本地化篡改区域时具有更好的性能。
Aug, 2021
通过评估解码和传递图像的计算成本,本文提出了适用于频域的深度模型的手工制作和数据驱动技术,以降低计算复杂性和参数数量,使其与 RGB 基线模型相似,从而实现计算成本和准确性之间的更好权衡。
Sep, 2023
本文提出了基于卷积神经网络的图像压缩框架,其中包括用于压缩的紧凑型 CNN 和用于重构压缩图像的重构型 CNN,开发了一种统一的端到端学习算法以有效协同两种 CNN,并与现有的图像编码标准兼容。实验结果表明,所提出的压缩框架大大优于使用现有图像编码标准的多种压缩框架。
Aug, 2017
本研究开发了一种基于人类视觉和深层神经网络架构的图像压缩框架 DeepN-JPEG 来降低智能物联网系统中数据存储和传输开销,并通过实验证明该方法能够在保持图像识别准确性的同时,实现高达 JPEG 的 3.5 倍的压缩率,具有在基于 DNN 智能物联网系统设计中提升存储和能量效率的巨大潜力。
Mar, 2018
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