論文の概要: End-to-End JPEG Decoding and Artifacts Suppression Using Heterogeneous
Residual Convolutional Neural Network
- arxiv url: http://arxiv.org/abs/2007.00639v1
- Date: Wed, 1 Jul 2020 17:44:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 23:04:31.501136
- Title: End-to-End JPEG Decoding and Artifacts Suppression Using Heterogeneous
Residual Convolutional Neural Network
- Title（参考訳）: 異種残差畳み込みニューラルネットワークを用いたJPEGデコーディングとアーチファクト抑圧
- Authors: Jun Niu
- Abstract要約: 既存のディープラーニングモデルは、デコードプロトコルからJPEGアーティファクトを独立したタスクとして分離する。
我々は、スペクトル分解とヘテロジニアス再構成機構を備えた真のエンド・ツー・エンドヘテロジニアス残畳み込みニューラルネットワーク(HR-CNN)を設計する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing deep learning models separate JPEG artifacts suppression from the
decoding protocol as independent task. In this work, we take one step forward
to design a true end-to-end heterogeneous residual convolutional neural network
(HR-CNN) with spectrum decomposition and heterogeneous reconstruction
mechanism. Benefitting from the full CNN architecture and GPU acceleration, the
proposed model considerably improves the reconstruction efficiency. Numerical
experiments show that the overall reconstruction speed reaches to the same
magnitude of the standard CPU JPEG decoding protocol, while both decoding and
artifacts suppression are completed together. We formulate the JPEG artifacts
suppression task as an interactive process of decoding and image detail
reconstructions. A heterogeneous, fully convolutional, mechanism is proposed to
particularly address the uncorrelated nature of different spectral channels.
Directly starting from the JPEG code in k-space, the network first extracts the
spectral samples channel by channel, and restores the spectral snapshots with
expanded throughput. These intermediate snapshots are then heterogeneously
decoded and merged into the pixel space image. A cascaded residual learning
segment is designed to further enhance the image details. Experiments verify
that the model achieves outstanding performance in JPEG artifacts suppression,
while its full convolutional operations and elegant network structure offers
higher computational efficiency for practical online usage compared with other
deep learning models on this topic.
- Abstract（参考訳）: 既存のディープラーニングモデルは、デコードプロトコルからJPEGアーティファクトを独立したタスクとして分離する。
本研究では、スペクトル分解と異種再構成機構を備えた真のエンド・ツー・エンド異種残差畳み込みニューラルネットワーク(HR-CNN)を設計する。
完全なCNNアーキテクチャとGPUアクセラレーションにより、提案したモデルは再構成効率を大幅に改善する。
数値実験により、復号化速度は標準CPUJPEG復号プロトコルと同じ程度に達し、復号化処理と復号化処理の両方が同時に完了することが示された。
JPEGアーティファクト抑制タスクをデコードと画像詳細再構築のインタラクティブなプロセスとして定式化する。
異なるスペクトルチャネルの非相関性に特に対処するために、不均一で完全な畳み込み機構が提案されている。
k-spaceのjpegコードから直接スタートすると、ネットワークはまずスペクトルサンプルチャネルをチャネル毎に抽出し、スペクトルスナップショットを拡張スループットで復元する。
これらの中間スナップショットは不均一にデコードされ、ピクセル空間イメージにマージされる。
画像詳細をさらに高めるために、カスケード残差学習セグメントが設計されている。
実験により、JPEGアーティファクトの抑制において、そのモデルが優れた性能を発揮することを確認する一方、その完全な畳み込み操作とエレガントなネットワーク構造は、このトピックの他のディープラーニングモデルと比較して、実用的なオンライン利用に対して高い計算効率を提供する。
関連論文リスト
- Enhancing Perception Quality in Remote Sensing Image Compression via Invertible Neural Network [10.427300958330816]
リモートセンシング画像をデコードして、特に低解像度で高い知覚品質を実現することは、依然として大きな課題である。
Invertible Neural Network-based Remote Sensor Image compression (INN-RSIC)法を提案する。
我々の INN-RSIC は、認識品質の観点から、既存の最先端のディープラーニングベースの画像圧縮手法よりも優れています。
論文 参考訳（メタデータ） (2024-05-17T03:52:37Z) - JDEC: JPEG Decoding via Enhanced Continuous Cosine Coefficients [17.437568540883106]
本稿では,コサインの連続的定式化による局所的暗黙的ニューラル表現を用いたJPEG画像デコーディングの実践的手法を提案する。
提案するネットワークは,フレキシブルカラー画像JPEGアーティファクト削除タスクにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2024-04-03T03:28:04Z) - Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。
CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。
DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文 参考訳（メタデータ） (2023-10-11T12:46:11Z) - Degradation-Aware Unfolding Half-Shuffle Transformer for Spectral
Compressive Imaging [142.11622043078867]
圧縮画像と物理マスクからパラメータを推定し,これらのパラメータを用いて各イテレーションを制御する,DAUF(Degradation-Aware Unfolding Framework)を提案する。
HST を DAUF に接続することにより,HSI 再構成のための変換器の深部展開法であるデグレーション・アウェア・アンフォールディング・ハーフシャッフル変換器 (DAUHST) を確立した。
論文 参考訳（メタデータ） (2022-05-20T11:37:44Z) - Reducing Redundancy in the Bottleneck Representation of the Autoencoders [98.78384185493624]
オートエンコーダは教師なしニューラルネットワークの一種であり、様々なタスクを解くのに使用できる。
本稿では,ボトルネック表現における特徴冗長性を明示的に罰する手法を提案する。
我々は,3つの異なるデータセットを用いた次元削減,MNISTデータセットを用いた画像圧縮,ファッションMNISTを用いた画像デノナイズという,さまざまなタスクにまたがってアプローチを検証した。
論文 参考訳（メタデータ） (2022-02-09T18:48:02Z) - 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) - Image Compression with Recurrent Neural Network and Generalized Divisive
Normalization [3.0204520109309843]
深層学習は研究コミュニティから大きな注目を集め、将来有望な画像再構成結果を生み出している。
近年の手法は、ネットワークの複雑さを大幅に増大させる、より深い複雑なネットワークの開発に焦点を当てている。
本稿では、畳み込み層を用いた解析とブロック合成と、可変レートエンコーダとデコーダ側における一般化分割正規化(GDN)の2つの有効な新しいブロックを開発する。
論文 参考訳（メタデータ） (2021-09-05T05:31:55Z) - Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。
本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文 参考訳（メタデータ） (2021-08-19T11:02:25Z) - Convolutional Autoencoder for Blind Hyperspectral Image Unmixing [0.0]
スペクトルアンミックス(英: spectrum unmixing)は、混合ピクセルを2つの基本的代表、すなわちエンドメンバーとアブリダンスに分解する技法である。
本稿では,ハイパースペクトル画像にブラインドアンミックスを行う新しいアーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-11-18T17:41:31Z) - Modeling Lost Information in Lossy Image Compression [72.69327382643549]
ロスシー画像圧縮は、デジタル画像の最もよく使われる演算子の1つである。
Invertible Lossy Compression (ILC) と呼ばれる新しい非可逆的フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-22T04:04:56Z)
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。