ICCVNov, 2020

深度学习中 JPEG 压缩缺陷的分析和缓解

PDF
TL;DR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。
deep learningcomputer visionjpeg compressionperformance metricsartifact correction
发现论文，激发创造
  • 保护和疫苗接种深度学习：利用 JPEG 压缩防御入侵者

    使用 JPEG 压缩作为分类管道中的预处理步骤，可以在对抗性攻击中起到作用，通过移除高频信号成分从而消除加性扰动。我们还提出了一种基于集合的技术，该技术可以快速构建一个性能良好的 DNN 集成，通过利用 JPEG 压缩来保护模型免受多种类型的对抗性攻击，而不需要了解模型。

    May, 2017

  • DeepN-JPEG：一种基于 JPEG 的深度神经网络有利的图像压缩框架

    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

  • 理解图像质量如何影响深度神经网络

    本文评估了四种最先进的深度神经网络模型在图像分类方面对模糊、噪声、对比度、JPEG 和 JPEG2000 压缩等五种图像质量扭曲的表现，结果表明现有网络对图像质量扭曲特别是模糊和噪声较为敏感，这为未来开发更具抗图像质量扭曲能力的深度神经网络开展了研究。

    Apr, 2016

  • 量化引导的 JPEG 伪影校正

    摘要：本文介绍了一种新颖的体系结构，该体系结构由 JPEG 文件量化矩阵参数化，可以实现单个模型在多个不同的质量设置上达到比专门针对不同质量设置训练的模型更好的性能。该模型的训练利用了深度神经网络技术，以解决在 JPEG 图像压缩算法中存在的失真纠正问题。

    Apr, 2020

  • 基于深度学习的显微图像压缩：实证研究

    利用经典和深度学习的图像压缩方法对基于深度学习的图像处理模型进行分析并比较，表明深度学习的压缩技术在 2D 情况下在保持预测准确性的同时显著优于传统方法，并对图像压缩对下游深度学习图像分析模型的影响进行评估。

    Nov, 2023

  • 利用卷积神经网络去除压缩伪影

    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

  • JPG 压缩对对抗性图像的影响研究

    研究深度神经网络在分类对抗图像时的安全风险，发现对于 Fast-Gradient-Sign 干扰强度较小的对抗图片，进行 JPG 压缩可以较大程度地逆转分类准确度下降效果，但随着干扰强度的增加，仅进行 JPG 重新压缩就不足以消除其效果。

    Aug, 2016

  • 机器感知质量：评估严重有损压缩对音频和图像模型的影响

    神经数据压缩中，以机器为导向的压缩方式对于机器感知任务具有可行性，并且与深度相似度度量相关，在机器感知质量的发展中扮演重要角色。

    Jan, 2024

  • 有损压缩用于无损预测

    本文利用无监督目标设计神经压缩器进行图像压缩，以满足具有数据增强特征的所有预测任务的高性能，实现了大幅度节省数据率的效果，同时不会降低下游分类性能。

    Jun, 2021

  • 保护 JPEG 图像免受对抗攻击

    利用自适应 JPEG 编码器来增强深度神经网络对抗性攻击的鲁棒性，不仅可以保持图像的视觉质量，而且无需更改分类器并且压缩图像可以被非定制的 JPEG 解码器解压。

    Mar, 2018