論文の概要: Towards Flexible Blind JPEG Artifacts Removal

• arxiv url: http://arxiv.org/abs/2109.14573v1
• Date: Wed, 29 Sep 2021 17:12:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-30 14:40:28.384031
• Title: Towards Flexible Blind JPEG Artifacts Removal
• Title（参考訳）: フレキシブルブラインドJPEGアーティファクト除去に向けて
• Authors: Jiaxi Jiang, Kai Zhang, Radu Timofte
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 73.46374658847675
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Training a single deep blind model to handle different quality factors for JPEG image artifacts removal has been attracting considerable attention due to its convenience for practical usage. However, existing deep blind methods usually directly reconstruct the image without predicting the quality factor, thus lacking the flexibility to control the output as the non-blind methods. To remedy this problem, in this paper, we propose a flexible blind convolutional neural network, namely FBCNN, that can predict the adjustable quality factor to control the trade-off between artifacts removal and details preservation. Specifically, FBCNN decouples the quality factor from the JPEG image via a decoupler module and then embeds the predicted quality factor into the subsequent reconstructor module through a quality factor attention block for flexible control. Besides, we find existing methods are prone to fail on non-aligned double JPEG images even with only a one-pixel shift, and we thus propose a double JPEG degradation model to augment the training data. Extensive experiments on single JPEG images, more general double JPEG images, and real-world JPEG images demonstrate that our proposed FBCNN achieves favorable performance against state-of-the-art methods in terms of both quantitative metrics and visual quality.
• Abstract（参考訳）: JPEG画像アーティファクト削除の異なる品質要因を扱うために、単一の深いブラインドモデルをトレーニングすることは、実用上の利便性のために、かなりの注目を集めている。 しかし、既存のディープブラインド法は品質因子を予測せずに直接画像を再構成するので、非盲検法として出力を制御する柔軟性が欠如している。 この問題を解決するために,本論文では,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,調整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fbcnnを提案する。 具体的には、FBCNNは、デカップラーモジュールを介してJPEGイメージから品質因子を分離し、予測された品質因子を、フレキシブルな制御のために品質因子注意ブロックを介して、後続のコンストラクタモジュールに埋め込む。 さらに,1ピクセルのシフトしか持たない非整列型JPEG画像では,既存の手法ではフェールする傾向にあり,トレーニングデータを増大させるダブルJPEG劣化モデルを提案する。 1枚のJPEG画像、より一般的な2枚のJPEG画像、実世界のJPEG画像に対する大規模な実験により、我々の提案したFBCNNは、定量的メトリクスと視覚的品質の両方の観点から、最先端の手法に対して好適な性能を達成することを示した。

関連論文リスト

• JPEG Inspired Deep Learning [4.958744940097937]
  精巧なJPEG圧縮は、ディープラーニング(DL)の性能を実際に向上させる トレーニング可能なJPEG圧縮層で基盤となるDNNアーキテクチャをプリペイドする新しいDLフレームワークであるJPEG-DLを提案する。 私たちのコードはhttps://github.com/AhmedHussKhalifa/Inspired-DL.gitで利用可能です。
  論文  参考訳（メタデータ） (2024-10-09T17:23:54Z)
• 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)
• Learned Lossless Compression for JPEG via Frequency-Domain Prediction [50.20577108662153]
  JPEG画像のロスレス圧縮を学習するための新しいフレームワークを提案する。 周波数領域での学習を可能にするために、DCT係数は暗黙の局所冗長性を利用するためにグループに分割される。 グループ化されたDCT係数のエントロピーモデリングを実現するために、重み付きブロックに基づいてオートエンコーダのようなアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2023-03-05T13:15:28Z)
• High-Perceptual Quality JPEG Decoding via Posterior Sampling [13.238373528922194]
  JPEGアーチファクト修正のための異なるパラダイムを提案する。 我々は、圧縮された入力と整合しながら、シャープで詳細で視覚的に再構成された画像を得ることを目指している。 我々のソリューションは、完全な整合性のある入力に対して、多種多様な可塑性かつ高速な再構成を提供する。
  論文  参考訳（メタデータ） (2022-11-21T19:47:59Z)
• Practical Learned Lossless JPEG Recompression with Multi-Level Cross-Channel Entropy Model in the DCT Domain [10.655855413391324]
  本稿では,DCT領域で動作するディープラーニングに基づくJPEG再圧縮手法を提案する。 実験により,従来のJPEG再圧縮手法と比較して最先端の性能が得られた。
  論文  参考訳（メタデータ） (2022-03-30T14:36:13Z)
• Palette: Image-to-Image Diffusion Models [50.268441533631176]
  我々は条件付き拡散モデルを用いた画像から画像への変換のためのシンプルで一般的なフレームワークであるPaletteを紹介する。 4つの困難な画像から画像への変換タスクにおいて、Paletteは強力なGANと回帰ベースラインを上回っている。 本稿では、FID、インセプションスコア、事前訓練されたResNet-50の分類精度、参照画像に対する知覚距離などのサンプル品質スコアについて報告する。
  論文  参考訳（メタデータ） (2021-11-10T17:49:29Z)
• Improving Cost Learning for JPEG Steganography by Exploiting JPEG Domain Knowledge [52.880912557105106]
  JEC-RLはJPEG DCT構造をカスタマイズするように設計されている。 強化学習下での埋め込み動作サンプリング機構で動作する。 JPEGイメージの高度な機能ベースと最新のCNNベースのステガナライザーの両方に対して、優れたセキュリティ性能を実現することができる。
  論文  参考訳（メタデータ） (2021-05-09T08:10:41Z)
• Towards Unsupervised Deep Image Enhancement with Generative Adversarial Network [92.01145655155374]
  監視されていない画像強調生成ネットワーク(UEGAN)を提案する。 教師なしの方法で所望の特性を持つ画像の集合から、対応する画像と画像のマッピングを学習する。 その結果,提案モデルは画像の美的品質を効果的に向上することがわかった。
  論文  参考訳（メタデータ） (2020-12-30T03:22:46Z)
• 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)

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。