論文の概要: Learning a Single Model with a Wide Range of Quality Factors for JPEG
Image Artifacts Removal
- arxiv url: http://arxiv.org/abs/2009.06912v1
- Date: Tue, 15 Sep 2020 08:16:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 06:43:59.670141
- Title: Learning a Single Model with a Wide Range of Quality Factors for JPEG
Image Artifacts Removal
- Title（参考訳）: JPEG画像アーチファクト除去のための幅広い品質要因を持つ単一モデル学習
- Authors: Jianwei Li, Yongtao Wang, Haihua Xie, Kai-Kuang Ma
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 24.25688335628976
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Lossy compression brings artifacts into the compressed image and degrades the
visual quality. In recent years, many compression artifacts removal methods
based on convolutional neural network (CNN) have been developed with great
success. However, these methods usually train a model based on one specific
value or a small range of quality factors. Obviously, if the test image's
quality factor does not match to the assumed value range, then degraded
performance will be resulted. With this motivation and further consideration of
practical usage, a highly robust compression artifacts removal network is
proposed in this paper. Our proposed network is a single model approach that
can be trained for handling a wide range of quality factors while consistently
delivering superior or comparable image artifacts removal performance. To
demonstrate, we focus on the JPEG compression with quality factors, ranging
from 1 to 60. Note that a turnkey success of our proposed network lies in the
novel utilization of the quantization tables as part of the training data.
Furthermore, it has two branches in parallel---i.e., the restoration branch and
the global branch. The former effectively removes the local artifacts, such as
ringing artifacts removal. On the other hand, the latter extracts the global
features of the entire image that provides highly instrumental image quality
improvement, especially effective on dealing with the global artifacts, such as
blocking, color shifting. Extensive experimental results performed on color and
grayscale images have clearly demonstrated the effectiveness and efficacy of
our proposed single-model approach on the removal of compression artifacts from
the decoded image.
- Abstract（参考訳）: 損失のある圧縮は、圧縮された画像にアーティファクトをもたらし、視覚品質を低下させる。
近年,畳み込みニューラルネットワーク(CNN)に基づく圧縮アーティファクト除去法が数多く開発され,大きな成功を収めている。
しかしながら、これらの手法は通常、1つの特定の値または少数の品質要因に基づいてモデルを訓練する。
明らかに、テスト画像の品質要因が想定値の範囲と一致しない場合、劣化したパフォーマンスが得られます。
本論文では, このモチベーションと実用化のさらなる考察により, 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,優れた画像アーティファクト除去性能を一貫して提供しながら,幅広い品質要因を処理するためのトレーニングが可能な,単一モデルアプローチである。
デモでは,1から60までのクオリティファクタによるjpeg圧縮に注目する。
提案するネットワークのターンキー成功は,トレーニングデータの一部としての量子化テーブルの新たな活用に起因している。
さらに、並列に2つのブランチ、すなわち復元ブランチとグローバルブランチがある。
前者は、リングアーティファクト除去などの局所的なアーティファクトを効果的に除去する。
一方、後者は画像全体の全体的特徴を抽出し、特にブロッキングやカラーシフトといったグローバルアーティファクトの処理に有効である、高機能な画質改善を提供する。
カラー画像とグレースケール画像の総合的な実験結果から, 圧縮アーチファクトのデコード画像からの除去に対する単一モデルアプローチの有効性と有効性を明らかにした。
関連論文リスト
- Recompression Based JPEG Tamper Detection and Localization Using Deep Neural Network Eliminating Compression Factor Dependency [2.8498944632323755]
本稿では,JPEG画像におけるrepression based forgeryの存在を検出することができる畳み込みニューラルネットワークに基づくディープラーニングアーキテクチャを提案する。
本研究では,リ圧縮機能に基づく画像操作領域のローカライズも目的とする。
論文 参考訳（メタデータ） (2024-07-03T09:19:35Z) - 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) - Lightweight Adaptive Feature De-drifting for Compressed Image
Classification [10.265991649449507]
高品質な画像で訓練された高レベルの視覚モデルは、圧縮された画像を扱う際に性能劣化に悩まされる。
ビジュアルアーティファクトを扱うために、さまざまな学習ベースのJPEGアーティファクト除去手法が提案されている。
本稿では,プレトレーニング済み画像分類モデルの性能向上を図るために,新しい軽量AFDモジュールを提案する。
論文 参考訳（メタデータ） (2024-01-03T13:03:44Z) - Multi-Modality Deep Network for JPEG Artifacts Reduction [33.02405073842042]
テキスト誘導JPEGアーティファクト削減のためのマルチモーダル融合学習法を提案する。
提案手法は,最先端の手法と比較して,より優れたデブロッキング結果が得られる。
論文 参考訳（メタデータ） (2023-05-04T11:54:02Z) - Machine Perception-Driven Image Compression: A Layered Generative
Approach [32.23554195427311]
階層型生成画像圧縮モデルを提案する。
タスクに依存しない学習に基づく圧縮モデルを提案し、様々な圧縮されたドメインベースの分析タスクを効果的にサポートする。
圧縮比、再構成画像品質、下流知覚性能の最良のバランス点を得るために、共同最適化スケジュールを採用する。
論文 参考訳（メタデータ） (2023-04-14T02:12:38Z) - Image Quality Assessment using Contrastive Learning [50.265638572116984]
我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。
本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。
以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
論文 参考訳（メタデータ） (2021-10-25T21:01:00Z) - Towards Flexible Blind JPEG Artifacts Removal [73.46374658847675]
人工物除去と細部保存のトレードオフを制御するために,適応可能な品質因子を予測できるフレキシブルブラインド畳み込みニューラルネットワーク,すなわちFBCNNを提案する。
提案するFBCNNは,定量的な計測値と視覚的品質の両方の観点から,最先端の手法に対して良好な性能を実現する。
論文 参考訳（メタデータ） (2021-09-29T17:12:10Z) - Early Exit or Not: Resource-Efficient Blind Quality Enhancement for
Compressed Images [54.40852143927333]
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。
論文 参考訳（メタデータ） (2020-06-30T07:38:47Z) - 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)
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。