論文の概要: DAQE: Enhancing the Quality of Compressed Images by Finding the Secret of Defocus

• arxiv url: http://arxiv.org/abs/2211.10984v1
• Date: Sun, 20 Nov 2022 14:08:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 22:39:06.951121
• Title: DAQE: Enhancing the Quality of Compressed Images by Finding the Secret of Defocus
• Title（参考訳）: DAQE:デフォーカスの秘密を見つけることで圧縮画像の品質を高める
• Authors: Qunliang Xing, Mai Xu, Xin Deng and Yichen Guo
• Abstract要約: 圧縮画像の既存の品質向上手法は、デフォーカスの性質を無視し、性能が劣る。 本稿では,2つの側面において圧縮画像の領域的デフォーカス差を考慮したDAQE手法の動的領域ベースディープラーニングアーキテクチャを提案する。 DAQEアプローチは、異なるデフォーカス値を持つ領域の多様なテクスチャパターンを別々に拡張することを学び、テクスチャワイドワン・ワン・ワン・ワン・エンハンスメントを実現する。
• 参考スコア（独自算出の注目度）: 52.795238584413
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image defocus is inherent in the physics of image formation caused by the optical aberration of lenses, providing plentiful information on image quality. Unfortunately, the existing quality enhancement approaches for compressed images neglect the inherent characteristic of defocus, resulting in inferior performance. This paper finds that in compressed images, the significantly defocused regions are with better compression quality and two regions with different defocus values possess diverse texture patterns. These findings motivate our defocus-aware quality enhancement (DAQE) approach. Specifically, we propose a novel dynamic region-based deep learning architecture of the DAQE approach, which considers the region-wise defocus difference of compressed images in two aspects. (1) The DAQE approach employs fewer computational resources to enhance the quality of significantly defocused regions, while more resources on enhancing the quality of other regions; (2) The DAQE approach learns to separately enhance diverse texture patterns for the regions with different defocus values, such that texture-wise one-on-one enhancement can be achieved. Extensive experiments validate the superiority of our DAQE approach in terms of quality enhancement and resource-saving, compared with other state-of-the-art approaches.
• Abstract（参考訳）: 画像デフォーカスは、レンズの光学収差に起因する画像形成の物理に固有のものであり、画像品質に関する豊富な情報を提供する。 残念ながら、圧縮画像に対する既存の品質向上アプローチは、デフォーカスの性質を無視し、性能が劣る。 本稿では,圧縮画像では圧縮品質が著しく低下し,デフォーカス値が異なる2領域ではテクスチャパターンが多様であることを示す。 以上の結果から,Defocus-Aware Quality enhancement (DAQE) の適応が示唆された。 具体的には,2つの側面において圧縮画像の領域的デフォーカス差を考慮したDAQE手法の動的領域ベースディープラーニングアーキテクチャを提案する。 1) daqeアプローチは,高度にデフォーカスされた領域の品質を高めるために少ない計算資源を用いる一方で,他の領域の品質向上により多くの資源を投入する一方で,(2)デフォーカス値が異なる領域に対して,テクスチャを1対1で増やすような多様なテクスチャパターンを別々に拡張することを学ぶ。 daqeアプローチの優れた品質向上とリソース節約に関する広範な実験を,他の最先端アプローチと比較して検証しています。

関連論文リスト

• Q-Ground: Image Quality Grounding with Large Multi-modality Models [61.72022069880346]
  Q-Groundは、大規模な視覚的品質グラウンドに取り組むための最初のフレームワークである。 Q-Groundは、大規模なマルチモダリティモデルと詳細な視覚的品質分析を組み合わせる。 コントリビューションの中心は、QGround-100Kデータセットの導入です。
  論文  参考訳（メタデータ） (2024-07-24T06:42:46Z)
• Blind Image Quality Assessment Using Multi-Stream Architecture with Spatial and Channel Attention [4.983104446206061]
  BIQA(Blind Image Quality Assessment)は、画像を自動的に評価する重要な研究分野である。 ほとんどのアルゴリズムは重要な関心領域を強調せずに品質を生成する。 この問題を解決するために,マルチストリーム空間およびチャネルアテンションに基づくアルゴリズムが提案されている。
  論文  参考訳（メタデータ） (2023-07-19T09:36:08Z)
• Optimization-Based Improvement of Face Image Quality Assessment Techniques [5.831942593046074]
  顔画像品質評価(FIQA)技術は、認識プロセスに役立つ入力顔画像からサンプル品質情報を推測しようとする。 本稿では,既存のFIQA技術の性能向上を目的とした品質ラベル最適化手法を提案する。 提案手法を6つの最先端FIQA手法による包括的実験で評価した。
  論文  参考訳（メタデータ） (2023-05-24T08:06:12Z)
• Helping Visually Impaired People Take Better Quality Pictures [52.03016269364854]
  我々は、視覚障害者が共通の技術的歪みの発生を最小限に抑えるためのツールを開発する。 また、ユーザによる品質問題の緩和を支援する、プロトタイプのフィードバックシステムも作成しています。
  論文  参考訳（メタデータ） (2023-05-14T04:37:53Z)
• Gap-closing Matters: Perceptual Quality Evaluation and Optimization of Low-Light Image Enhancement [55.8106019031768]
  低照度画像強調手法の最適化は、エンドユーザーが認識する視覚的品質によって導かれるべきであるという研究コミュニティの見解が高まりつつある。 主観的品質と客観的品質を体系的に評価するためのギャップ閉鎖フレームワークを提案する。 提案手法の有効性を,画質予測の精度と画像強調の知覚品質の両面から検証する。
  論文  参考訳（メタデータ） (2023-02-22T15:57:03Z)
• Learnable Blur Kernel for Single-Image Defocus Deblurring in the Wild [9.246199263116067]
  本稿では,デフォーカスマップのガイダンスを用いて画像のデブロリングを実装する新しいデフォーカスデブロアリング法を提案する。 提案手法は,デフォーカスマップを推定する学習可能なぼかしカーネルと,デフォーカスGAN(Generative Adversarial Network)を初めてデフォーカスする単一イメージデフォーカスとから構成される。
  論文  参考訳（メタデータ） (2022-11-25T10:47:19Z)
• Learning to Deblur using Light Field Generated and Real Defocus Images [4.926805108788465]
  デフォーカス・デブロワーリングは、デフォーカス・ボケの性質が空間的に変化するため、困難な作業である。 本稿では,光の強度を活用し,光源の欠点を克服する新しいディープデフォーカス・デブロアリング・ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-04-01T11:35:51Z)
• Image Splicing Detection, Localization and Attribution via JPEG Primary Quantization Matrix Estimation and Clustering [49.75353434786065]
  画像領域の異なる2つのJPEGアーチファクトの不整合の検出は、しばしば局所的な画像操作を検出するために使用される。 ドナー画像の異なる領域を識別するエンド・ツー・エンドシステムを提案する。
  論文  参考訳（メタデータ） (2021-02-02T11:21:49Z)
• 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)

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。