Aug, 2020

基于多层小波的生成对抗网络用于压缩视频感知质量提升

PDF
TL;DR本文提出了一种基于多层小波包变换的生成对抗网络（MW-GAN）方法，旨在增强压缩视频的感知质量，其中运动补偿与小波重构网络被用于恢复高频细节，实验结果表明了该方法的优越性。
compressed videoperceptual qualitywavelet domaingenerative adversarial networkmotion compensation
发现论文，激发创造
  • 基于小波域的图像风格迁移对单张图像超分辨率中的感知失真权衡的有效性

    本文提出了一种基于小波域风格转移的新方法，该方法比基于 GAN 的方法达到了更好的感知质量和畸变之间的平衡，通过使用 2D 小波变换来将图像分解为低频和高频子带，并为低频子带和高频子带分别提供单独的处理，最后将两个子带重新组合以获得同时具有较高客观性和感知性质量的图像。

    Oct, 2019

  • 使用 GAN 进行神经视频压缩，进行细节合成和传播

    我们提出了一种基于生成对抗网络（GANs）的神经视频压缩方法，它在用户研究中明显优于以前的神经和非神经视频压缩方法，并为神经方法的视觉质量设定了新的最新技术。我们表明 GAN 损失对于获得这种高视觉质量是至关重要的，并通过用户研究验证了这种方法的有效性。

    Jul, 2021

  • 基于小波生成对抗网络的人脸属性感知老化

    使用基于小波的生成对抗网络与面部属性向量来提高合成面部图像的质量，能够更准确地呈现面部随着时间推移带来的变化，并在现有数据集上取得了最先进的表现。

    Sep, 2018

  • 基于关键帧的 GAN 在视频会议中的感知质量提升

    我们提出了一种基于 GAN 的方法，用于视频会议中的压缩失真减少，通过提取多尺度特征和结合面部标志的方式，恢复视频压缩后丢失的高频细节，实验证明该方法在高压缩速率下提高了视觉质量并生成了逼真的结果。

    Nov, 2023

  • 小波知识蒸馏：实现高效的图像到图像翻译

    本论文提出了一种基于离散小波变换的知识蒸馏方法，用于提高小型生成对抗网络在高频信息生成方面的性能，在保证性能无明显下降的情况下，可将模型体积缩小 7.08 倍、加速 6.80 倍，并研究了鉴别器和生成器之间的关系。

    Mar, 2022

  • 极限学习图像压缩的生成对抗网络

    本研究基于生成对抗网络构建了一个图像压缩系统，其中包括编码器、解码器 / 生成器和多尺度鉴别器，并使用全生成式学习压缩目标。模型可合成存储受限的细节，实现在比之前方法失败且出现严重伪影的比特率下，较视觉上令人满意的结果。此外，如果有原始图像的语义标签映射可用，则本方法可以从标签映射中合成出解码后图像的不重要区域，例如街道和树，并相应地减少存储成本。一个用户研究证实，即使使用两倍以上的比特，低比特率下我们的方法都优于现有技术。

    Apr, 2018

  • 高保真生成图像压缩

    本文研究了如何将生成敌对网络与学习压缩相结合，得到一种最先进的生成有损压缩系统，并在归一化层、生成器和鉴别器架构、训练策略以及感知损失方面进行了探究。与之前的工作不同的是，我们实现了在广泛的比特率范围内视觉上令人满意的重建，并且，我们的方法可以应用于高分辨率图像。我们在定量上使用各种感知指标和用户研究来评估我们的方法，研究表明，即使使用超过 2 倍的比特率，我们的方法也优于以前的方法。

    Jun, 2020

  • 感知学习视频压缩与循环条件 GAN

    本文提出了一种适用于逐帧视频的感知式学习视频压缩 (Pervetual Learned Video Compression，PLVC) 方法，并首次提出了一种递归条件判别器，该方法可以在保留视频画质和压缩率同时，满足时域上的一致性，而且其性能远远好于现有的学习视频压缩算法及现有标准 HEVC HM 16.20。

    Sep, 2021

  • 使用带有 Wasserstein 距离和感知损失的生成对抗网络进行低剂量 CT 图像去噪

    本文介绍了一种基于生成式对抗网络（GAN）的新型 CT 图像去噪方法，该方法基于 Wasserstein 距离和特征相似性，能够从图像数据噪声分布强到弱的迁移，并在临床 CT 影像中取得了良好效果。

    Aug, 2017

  • 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