論文の概要: Early Exit or Not: Resource-Efficient Blind Quality Enhancement for Compressed Images

• arxiv url: http://arxiv.org/abs/2006.16581v5
• Date: Mon, 12 Oct 2020 08:23:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 06:05:17.879744
• Title: Early Exit or Not: Resource-Efficient Blind Quality Enhancement for Compressed Images
• Title（参考訳）: 早期流出の有無:圧縮画像の資源効率の良いブラインド品質向上
• Authors: Qunliang Xing, Mai Xu, Tianyi Li, Zhenyu Guan
• Abstract要約: ロスシー画像圧縮は、通信帯域を節約するために広範に行われ、望ましくない圧縮アーティファクトをもたらす。 圧縮画像に対する資源効率の高いブラインド品質向上手法(RBQE)を提案する。 提案手法は, 評価された画像の品質に応じて, 自動的にエンハンスメントを終了するか, 継続するかを決定することができる。
• 参考スコア（独自算出の注目度）: 54.40852143927333
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lossy image compression is pervasively conducted to save communication bandwidth, resulting in undesirable compression artifacts. Recently, extensive approaches have been proposed to reduce image compression artifacts at the decoder side; however, they require a series of architecture-identical models to process images with different quality, which are inefficient and resource-consuming. Besides, it is common in practice that compressed images are with unknown quality and it is intractable for existing approaches to select a suitable model for blind quality enhancement. In this paper, we propose a resource-efficient blind quality enhancement (RBQE) approach for compressed images. Specifically, our approach blindly and progressively enhances the quality of compressed images through a dynamic deep neural network (DNN), in which an early-exit strategy is embedded. Then, our approach can automatically decide to terminate or continue enhancement according to the assessed quality of enhanced images. Consequently, slight artifacts can be removed in a simpler and faster process, while the severe artifacts can be further removed in a more elaborate process. Extensive experiments demonstrate that our RBQE approach achieves state-of-the-art performance in terms of both blind quality enhancement and resource efficiency. The code is available at https://github.com/RyanXingQL/RBQE.
• Abstract（参考訳）: 損失のある画像圧縮は、通信帯域幅を節約するために広く行われ、望ましくない圧縮アーティファクトとなる。 近年,デコーダ側では画像圧縮アーティファクトの削減に広範なアプローチが提案されているが,非効率で資源消費の少ない,異なる品質の画像を処理するためには,一連のアーキテクチャ識別モデルが必要である。 また、圧縮画像が未知の品質であるのが一般的であり、既存の手法ではブラインド品質向上に適したモデルを選択することは困難である。 本稿では,圧縮画像に対する資源効率の高いブラインド品質向上(RBQE)手法を提案する。 特に,このアプローチは,初期出力戦略を組み込んだ動的ディープニューラルネットワーク(dnn)による圧縮画像の品質を,盲目的かつ漸進的に向上させる。 そして,評価された画像の品質に応じて,自動でエンハンスメントの終了や継続を決定できる。 これにより、よりシンプルで高速なプロセスで小さなアーティファクトを除去でき、より精巧なプロセスで深刻なアーティファクトをさらに除去することができる。 我々のRBQEアプローチは、目視品質向上と資源効率の両面で最先端のパフォーマンスを達成することを実証した。 コードはhttps://github.com/ryanxingql/rbqeで入手できる。

関連論文リスト

• Semantic Ensemble Loss and Latent Refinement for High-Fidelity Neural Image Compression [58.618625678054826]
  本研究は、最適な視覚的忠実度のために設計された強化されたニューラル圧縮手法を提案する。 我々は,洗練されたセマンティック・アンサンブル・ロス,シャルボニエ・ロス,知覚的損失,スタイル・ロス,非バイナリ・ディバイザ・ロスを組み込んだモデルを構築した。 実験により,本手法は神経画像圧縮の統計的忠実度を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2024-01-25T08:11:27Z)
• Transferable Learned Image Compression-Resistant Adversarial Perturbations [66.46470251521947]
  敵対的攻撃は容易に画像分類システムを破壊し、DNNベースの認識タスクの脆弱性を明らかにする。 我々は、学習した画像圧縮機を前処理モジュールとして利用する画像分類モデルをターゲットにした新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-01-06T03:03:28Z)
• VCISR: Blind Single Image Super-Resolution with Video Compression Synthetic Data [18.877077302923713]
  本稿では,映像圧縮に基づく劣化モデルを用いて,ブラインドSISRタスクにおける低解像度画像データを合成する。 提案手法は既存の画像データセットに適用可能である。 SISR分解モデルにビデオ符号化アーティファクトを導入することで、ニューラルネットワークは、ビデオ圧縮劣化を復元する機能を備えた、画像の超解凍を可能にする。
  論文  参考訳（メタデータ） (2023-11-02T05:24:19Z)
• Extreme Image Compression using Fine-tuned VQGANs [43.43014096929809]
  本稿ではベクトル量子化(VQ)に基づく生成モデルを画像圧縮領域に導入する。 VQGANモデルによって学習されたコードブックは、強い表現能力をもたらす。 提案したフレームワークは、知覚的品質指向のメトリクスで最先端のコーデックより優れている。
  論文  参考訳（メタデータ） (2023-07-17T06:14:19Z)
• Perceptual Quality Assessment for Fine-Grained Compressed Images [38.615746092795625]
  そこで本研究では,精細レベルの圧縮画像に対するフル参照画像品質評価(FR-IQA)手法を提案する。 提案手法は,FGIQAデータベース上での圧縮画像品質評価(FGIQA)により検証される。
  論文  参考訳（メタデータ） (2022-06-08T12:56:45Z)
• Neural JPEG: End-to-End Image Compression Leveraging a Standard JPEG Encoder-Decoder [73.48927855855219]
  本稿では,エンコーダとデコーダの両端に内在するニューラル表現を強化することで,符号化性能の向上を図るシステムを提案する。 実験により,提案手法はJPEGに対する速度歪み性能を,様々な品質指標で改善することを示した。
  論文  参考訳（メタデータ） (2022-01-27T20:20:03Z)
• Learning a Single Model with a Wide Range of Quality Factors for JPEG Image Artifacts Removal [24.25688335628976]
  ロスシー圧縮は、圧縮された画像にアーティファクトをもたらし、視覚的品質を低下させる。 本稿では,高度に堅牢な圧縮アーティファクト除去ネットワークを提案する。 提案するネットワークは,幅広い品質要因を扱うためにトレーニング可能な単一モデルアプローチである。
  論文  参考訳（メタデータ） (2020-09-15T08:16:58Z)
• Quantization Guided JPEG Artifact Correction [69.04777875711646]
  我々はJPEGファイル量子化行列を用いたアーティファクト修正のための新しいアーキテクチャを開発した。 これにより、特定の品質設定のためにトレーニングされたモデルに対して、単一のモデルで最先端のパフォーマンスを達成できます。
  論文  参考訳（メタデータ） (2020-04-17T00:10:08Z)
• Discernible Image Compression [124.08063151879173]
  本稿では、外観と知覚の整合性の両方を追求し、圧縮画像を作成することを目的とする。 エンコーダ・デコーダ・フレームワークに基づいて,事前学習したCNNを用いて,オリジナル画像と圧縮画像の特徴を抽出する。 ベンチマーク実験により,提案手法を用いて圧縮した画像は,その後の視覚認識・検出モデルでもよく認識できることが示された。
  論文  参考訳（メタデータ） (2020-02-17T07:35:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。