論文の概要: Towards Top-Down Just Noticeable Difference Estimation of Natural Images

• arxiv url: http://arxiv.org/abs/2108.05058v1
• Date: Wed, 11 Aug 2021 06:51:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-12 17:48:23.732742
• Title: Towards Top-Down Just Noticeable Difference Estimation of Natural Images
• Title（参考訳）: 自然画像の顕著な差分推定に向けて
• Authors: Qiuping Jiang, Zhentao Liu, Shiqi Wang, Feng Shao, Weisi Lin
• Abstract要約: JNDの推定は、主に空間領域と周波数領域における異なる要因の可視性マスキング効果をモデル化することに焦点を当てている。 この作業では、トップダウンの設計哲学でこれらの問題に対処する、劇的に異なる方法に目を向けます。 提案したJNDモデルは,最新のJNDモデルよりも優れた性能を実現することができる。
• 参考スコア（独自算出の注目度）: 65.14746063298415
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing efforts on Just noticeable difference (JND) estimation mainly dedicate to modeling the visibility masking effects of different factors in spatial and frequency domains, and then fusing them into an overall JND estimate. However, the overall visibility masking effect can be related with more contributing factors beyond those have been considered in the literature and it is also insufficiently accurate to formulate the masking effect even for an individual factor. Moreover, the potential interactions among different masking effects are also difficult to be characterized with a simple fusion model. In this work, we turn to a dramatically different way to address these problems with a top-down design philosophy. Instead of formulating and fusing multiple masking effects in a bottom-up way, the proposed JND estimation model directly generates a critical perceptual lossless (CPL) image from a top-down perspective and calculates the difference map between the original image and the CPL image as the final JND map. Given an input image, an adaptively critical point (perceptual lossless threshold), defined as the minimum number of spectral components in Karhunen-Lo\'{e}ve Transform (KLT) used for perceptual lossless image reconstruction, is derived by exploiting the convergence characteristics of KLT coefficient energy. Then, the CPL image can be reconstructed via inverse KLT according to the derived critical point. Finally, the difference map between the original image and the CPL image is calculated as the JND map. The performance of the proposed JND model is evaluated with two applications including JND-guided noise injection and JND-guided image compression. Experimental results have demonstrated that our proposed JND model can achieve better performance than several latest JND models.
• Abstract（参考訳）: Just noticeable difference (JND) 推定への既存の取り組みは、主に空間および周波数領域における異なる要因の可視性マスキング効果をモデル化し、それらを全体 JND 推定に融合することに集中している。 しかし, 全体視認性マスキング効果は, 文献で検討されている以上の寄与因子と関連しており, 個々の因子においてもマスキング効果を定式化することは不十分である。 さらに、異なるマスキング効果間のポテンシャル相互作用は、単純な融合モデルで特徴づけることも困難である。 この作業では、トップダウンの設計哲学でこれらの問題に対処する、劇的に異なる方法に目を向けます。 提案手法では,複数のマスキング効果をボトムアップ方式で定式化・融合するのではなく,トップダウン視点から臨界知覚損失なし(cpl)画像を直接生成し,原画像とcpl画像との差分マップを最終jndマップとして算出する。 入力画像が与えられると、klt係数エネルギーの収束特性を利用して、知覚的損失のない画像再構成に使用されるカルフネン・ロ\'{e}ve変換(klt)のスペクトル成分の最小数として定義される適応的臨界点(知覚的損失なし閾値)が導出される。 そして、導出臨界点に応じて逆kltを介してcpl画像を再構成することができる。 最後に、元の画像とCPL画像との差分マップをJNDマップとして算出する。 提案したJNDモデルの性能は,JND誘導ノイズ注入とJND誘導画像圧縮の2つの応用で評価する。 実験により,提案したJNDモデルにより,最新のJNDモデルよりも優れた性能が得られることが示された。

関連論文リスト

• SG-JND: Semantic-Guided Just Noticeable Distortion Predictor For Image Compression [50.2496399381438]
  JND(Just noticeable distortion)は、人間の視覚系に最小限の知覚力を持つ画像における歪みのしきい値を表す。 従来のJND予測手法はピクセルレベルまたはサブバンドレベルの機能のみに依存している。 本稿では,意味情報を利用してJND予測を行うセマンティックガイド型JNDネットワークを提案する。
  論文  参考訳（メタデータ） (2024-08-08T07:14:57Z)
• IQNet: Image Quality Assessment Guided Just Noticeable Difference Prefiltering For Versatile Video Coding [0.9403328689534943]
  ジャストインタブル歪み(JND)による画像プリフィルタは、圧縮前に知覚的に冗長な情報をフィルタリングすることにより、視覚的に符号化効率を向上させる。 本稿では, 高精度なブロックレベルのJNDモデリングのための画像品質評価によって導かれる, きめ細かいJND事前フィルタリングデータセットを提案する。
  論文  参考訳（メタデータ） (2023-12-15T13:58:10Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• ExposureDiffusion: Learning to Expose for Low-light Image Enhancement [87.08496758469835]
  この研究は、拡散モデルと物理ベースの露光モデルとをシームレスに統合することで、この問題に対処する。 提案手法は,バニラ拡散モデルと比較して性能が大幅に向上し,推論時間を短縮する。 提案するフレームワークは、実際のペア付きデータセット、SOTAノイズモデル、および異なるバックボーンネットワークの両方で動作する。
  論文  参考訳（メタデータ） (2023-07-15T04:48:35Z)
• Multiscale Structure Guided Diffusion for Image Deblurring [24.09642909404091]
  拡散確率モデル (DPM) は画像の劣化に用いられている。 暗黙のバイアスとして、単純だが効果的なマルチスケール構造ガイダンスを導入する。 目に見えないデータのアーティファクトが少ないほど、より堅牢なデブロアリング結果を示します。
  論文  参考訳（メタデータ） (2022-12-04T10:40:35Z)
• Effective Invertible Arbitrary Image Rescaling [77.46732646918936]
  Invertible Neural Networks (INN)は、ダウンスケーリングとアップスケーリングのサイクルを共同で最適化することにより、アップスケーリングの精度を大幅に向上させることができる。 本研究の1つのモデルのみをトレーニングすることにより、任意の画像再スケーリングを実現するために、単純で効果的な非可逆的再スケーリングネットワーク(IARN)を提案する。 LR出力の知覚品質を損なうことなく、双方向任意再スケーリングにおいて最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2022-09-26T22:22:30Z)
• Hierarchical Conditional Flow: A Unified Framework for Image Super-Resolution and Image Rescaling [139.25215100378284]
  画像SRと画像再スケーリングのための統合フレームワークとして階層的条件フロー(HCFlow)を提案する。 HCFlowは、LR画像と残りの高周波成分の分布を同時にモデル化することにより、HRとLR画像ペア間のマッピングを学習する。 さらに性能を高めるために、知覚的損失やGAN損失などの他の損失と、トレーニングで一般的に使用される負の対数類似損失とを組み合わせる。
  論文  参考訳（メタデータ） (2021-08-11T16:11:01Z)
• Image Inpainting with Learnable Feature Imputation [8.293345261434943]
  正規畳み込み層は、未知の領域にフィルターを適用するのと同じ方法で、塗装された画像の視覚的アーティファクトを引き起こす。 本稿では,欠落した入力値の畳み込みに対する(階層的な)特徴計算を提案する。 我々はCelebA-HQとPlaces2を比較し,そのモデルを検証する。
  論文  参考訳（メタデータ） (2020-11-02T16:05:32Z)
• Performance analysis of weighted low rank model with sparse image histograms for face recognition under lowlevel illumination and occlusion [0.0]
  低ランク近似行列(LRMA)モデルの目的は、下層の低ランク行列を劣化した観測から復元することである。 本稿では,LRMARPC-とWSNMの低ランク近似の比較を行った。 また,これらのアルゴリズムの適用による実験結果の傾向についても論じる。
  論文  参考訳（メタデータ） (2020-07-24T05:59:28Z)

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。