多模态深度网络用于 JPEG 伪影降噪
本文提出了一种文字引导图像压缩的多模态机器学习方法,通过使用文本的语义信息来引导图像压缩,以实现更好的压缩性能,包括采用图像 - 文本注意力模块和改进的多模态语义一致性损失函数。实验证明,该方法能够在极低比特率下获得较好的视觉效果,并且即使与最先进的技术相比,其性能也可以相媲美或超越。
Apr, 2023
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
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
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
本研究提出了一种轻量级的 AFD 模块,用于提高预训练图像分类模型在压缩图像上的性能。实验证明,我们提出的 AFD 模块可以全面提高预训练分类模型的准确性,并且明显优于现有方法。
Jan, 2024
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
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