Oct, 2018

隐式双域卷积网络用于强鲁棒性彩色图像压缩伪影减少

PDF
TL;DR本文提出了隐式双域卷积网络 (IDCN)，该网络利用了像素位置标签映射和量化表作为输入，采用双域校正单位 (DCU) 作为基本组件，在 DRU 中引入了密集块以提高性能，并通过隐式双域转换能够处理彩色图像。DCN 相对于现有方法表现更为优越，IDCN-f 能够在性能损失较小的情况下处理更广泛的压缩质量范围，并表现出很大的实用潜力。
dual-domain convolutional neural networkcompression artifactsimplicit dual-domain convolutional networkquantization tablesdiscrete cosine transform
发现论文，激发创造
  • DMCNN: 双域多尺度卷积神经网络用于压缩伪影去除

    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

  • 基于双鉴别器生成对抗网络的 JPEG 压缩域文档图像二值化

    本文提出了一种直接使用 JPEG 压缩流进行文档图像二值化的方法，采用 Dual Discriminator 生成对抗网络，在包含噪声和失真的情况下，经过全面的测试，结果表明该模型具有高度的鲁棒性和效率，同时在 JPEG 压缩领域表现出最先进的性能。

    Sep, 2022

  • 深度卷积网络用于压缩伪影降噪

    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

  • DPW-SDNet：双像素小波域深度 CNN 用于 JPEG 压缩图像的软解码

    本文介绍一种基于深度卷积神经网络的双像素 - 小波域软解码网络，用于通过减轻压缩和模糊等失真，提高 JPEG 压缩图像的质量，并且实验结果表明该算法优于其他压缩失真减少算法。

    May, 2018

  • 深度卷积网络降低压缩伪影

    该研究提出了一种基于深度卷积网络的紧凑高效方法来无缝地衰减不同压缩引起的复杂压缩伪影，同时展示了在多个现实场景下该方法的优越表现和适用性。

    Apr, 2015

  • 使用深度卷积网络的语义感知图像压缩

    应用深度学习的方法解决在损失图像和视频压缩中提高视觉质量的问题，通过训练一个特定的卷积神经网络，实现对图像语义的理解，并通过对每个对象训练特征的方式生成高质量的压缩图像。

    Dec, 2016

  • 图像风格转换的谱归一化双对比正则化

    本文提出了一种基于双重对比规范化和谱归一化的新型无配对图像翻译框架（SN-DCR），以保持全局结构和纹理的一致性，提高生成图像的全局结构和纹理信息，并证明该方法在多个任务上实现了 SOTA。

    Apr, 2023

  • 图像压缩伪影减少的敏感度解耦学习

    通过深度学习技术，本研究改进了图像压缩伪影降低方法，并提出了一种双重感知引导网络（DAGN），通过解耦图像的内在属性为伪影降低提供双重补充特征，并实现了较高的性能和效率。

    May, 2024

  • 高效深度图像压缩的统一端到端框架

    该研究提出了一种基于三种新技术的统一框架，包括通道关注模块、高斯混合模型和解码器侧增强模块，命名为 EDIC，可用于基于学习的图像压缩，并说明该方法优于当前所有先进的图像压缩方法，同时将解码速度提高了超过 150 倍。

    Feb, 2020

  • 深度压缩图像解码无损图像理解

    该研究提出在深度神经网络图像压缩编码产生的图像压缩表示基础上直接进行图像分类、分割等理解任务，验证了这种方法可以大幅降低计算成本并保证相近的识别准确率，并且联合训练压缩网络和分类网络可以提高图像质量、分类精度和分割性能。

    Mar, 2018