Jun, 2023

基于 Hourglass 块和 Early Stopping 鉴别器的 JPEG 最大有损压缩人脸图像恢复

PDF
TL;DR本研究使用以 U-Net 为基础的 GAN 网络方法处理经最大压缩后，失真严重、难以识别的 JPEG 图像的恢复问题。通过新增 hourglass 结构和使用 LF Loss 与 HF Loss 两种损失函数，生成器成功欺诈判别器，生成自然、高性能的图像，同时消除了图像中出现的块状现象，与现有研究相比有显著提高。
jpegcompressionimage restorationganu-net
发现论文，激发创造
  • 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

  • 深度生成对抗网络压缩伪影去除

    利用生成对抗网络模型和卷积残差网络结构，该论文提出了一种用于去除图像压缩失真的方法，并且该方法在物体检测方面的性能表现优于传统的均方误差和结构相似性优化算法。

    Apr, 2017

  • 深度卷积网络降低压缩伪影

    该研究提出了一种基于深度卷积网络的紧凑高效方法来无缝地衰减不同压缩引起的复杂压缩伪影，同时展示了在多个现实场景下该方法的优越表现和适用性。

    Apr, 2015

  • 利用深度生成模型进行保持分布的有损压缩

    本文提出并研究了分布保持有损压缩问题，旨在优化速率失真间的平衡，使重建样本符合训练数据的分布，并通过采用 Wasserstein GAN 和 Wasserstein 自编码器的组合等方法，进行了理论和实证分析。

    May, 2018

  • 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

  • 高低频分解的图像修复与增强

    通过高低频分解，HLNet 方法考虑了不同退化的特性，从而实现了更高质量的图像恢复和增强。

    Apr, 2024

  • 用于学习图像压缩的身份保持损失

    提出了一种端到端的图像压缩框架，通过学习特定于领域的特征来实现比标准 HEVC / JPEG 压缩技术更高的压缩比，同时保持下游任务（例如识别）的准确性，该框架适用于嵌入式设备和云计算领域，并在面部识别领域的数据集上获得较好表现。

    Apr, 2022

  • HFLIC：基于感知学习的人性化图像压缩与强化变换

    本文提出了一种改进的图像压缩模型，通过改善人类感知和效率，实现了与最先进的端到端学习图像压缩方法和经典方法相竞争的主观效果，并且较少解码时间和提供人性化的压缩，通过经验评估，证明了我们提出的方法在实现优秀性能方面的有效性，与相同主观质量相比，节约了超过 25％的比特率。

    May, 2023

  • 深度卷积网络用于压缩伪影降噪

    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

  • 端到端优化的图像压缩

    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