该研究旨在利用卷积神经网络及非局部冗余优化视频压缩,达到与预处理去噪 CNN 类似的编码增益,同时只需要约为 1% 的计算复杂度,适用于资源受限的条件下进行视频压缩。
Oct, 2019
本文提出了一种基于品质的门机制的卷积长短期记忆(QG-ConvLSTM)神经网络,以利用大量帧的优势信息,整合了多帧信息进行质量增强,实现了压缩视频的最新质量增强。
Mar, 2019
该研究提出了一种基于非局部稀疏性的深度卷积神经网络去噪范式,结合了卷积神经网络和非局部滤波器,证明了在大型灰度图像数据集上具有最先进的性能。
Mar, 2018
本文介绍一种 Multi-Frame Quality Enhancement 的方法,采用 Bidirectional Long Short-Term Memory 去定位 Peak Quality Frames,并设计了一种 Convolutional Neural Network 去提高视频质量。
Feb, 2019
本文介绍一种新的、高效的方法,将视频自相似性输入到 CNN 中,并以此来完成视频去噪。此方法可以在三维时空中搜索图像块,实现图像和视频去噪的顶尖效果。
Nov, 2018
本研究提出了一种通过多帧卷积神经网络对视频进行质量增强的方法,利用支持向量机检测出压缩视频中峰值质量帧并结合运动补偿子网络和质量增强子网络来提高视频的压缩质量。
提出了一种使用非局部神经网络(NL-CSNet)的新型图像压缩感知(CS)框架,利用测量域和多尺度特征域中的非局部自相似先验知识,旨在改善重构质量。
Dec, 2021
本研究提出一种基于卷积神经网络的端到端图像压缩框架,通过特征描述神经网络获取低维有效描述,借助标准图像编解码器进一步压缩图像后,再通过后处理神经网络消除失真和压缩留痕,最终通过虚拟编解码器神经网络通过反向传播优化整个系统。实验结果表明该方法在极低比特率下比当前现有算法性能更优。
Dec, 2017
本文提出了一种新颖的变形非局部网络(DNLN),其是一种非基于光流的方法,旨在通过采用变形卷积并在特征级别提高其自适应对齐能力来恢复高质量的视频超分辨率帧。通过利用非局部结构捕捉参考帧和对齐的相邻帧之间的全局相关性并同时增强对齐帧中的所需细节,DNLN 能够实现 VSR 任务的最先进性能。
Sep, 2019
本文提出了一种基于深度神经网络(DNN)的 VAE 结构的新型非局部注意力优化和改进的上下文建模图像压缩(NLAIC)算法,采用了非局部网络操作嵌入到编码器和解码器中,通过采用关注机制生成掩码来让特征自适应量化,实现了改进条件熵建模潜在特征,可在实际应用中增加速度、降低内存消耗和减轻实现复杂度的额外增强措施,并在 Kodak 和 CLIC 数据集上取得了与现有方法相比的最新压缩功率效率。