量化引导的 JPEG 伪影校正
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
本文研究了 JPEG 压缩对常见计算机视觉任务和数据集的影响,发现高度压缩会显著损害图像识别性能,进而尝试采取几种方法来缓解该损害,其中包括一种不需标签训练的基于伪影校正的新方法。
Nov, 2020
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
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
基于神经网络的图像压缩方法,提出了一种新的量化修正器(QR)方法,通过利用图像特征相关性降低量化对图像质量的影响,预测未量化的特征以提高图像重建质量,并在评估中与现有的神经图像编解码器进行对比,结果显示 QR 在编码效率方面有一致的提升并且运行时间几乎无明显增加。
Mar, 2024
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
提出了一种使用感知损失,自然损失和 JPEG 损失的网络,同时避免了反卷积过程中出现的网格状伪影,实验证明了该方法在减少图像的压缩伪影方面的显着视觉效果。
Nov, 2016
描述一种图像压缩方法,其由非线性分析变换、均匀量化器和非线性合成变换构成,并使用卷积线性滤波器和非线性激活函数的三个连续阶段构建变换,其中联合非线性性选择实现形式的局部增益控制,利用随机梯度下降的变体优化整个模型以实现训练图像数据库的速率失真性能,以及一个连续的代理来引入量化器产生的不连续损失函数,具有比标准 JPEG 和 JPEG2000 压缩方法更好的速率失真性能,并且在所有位率下对所有图像的视觉质量均有显著提高。
Nov, 2016