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
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
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
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
提出了 AGDL,一种基于深度学习的双层图像压缩系统,用注意力机制识别感知关键像素,利用压缩感知技术进一步采样,进一步提升重构效果,并在感知感受度图像压缩领域取得了最新的进展。
Mar, 2021
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
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
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
该研究提出在深度神经网络图像压缩编码产生的图像压缩表示基础上直接进行图像分类、分割等理解任务,验证了这种方法可以大幅降低计算成本并保证相近的识别准确率,并且联合训练压缩网络和分类网络可以提高图像质量、分类精度和分割性能。
Mar, 2018